El algodón constituye un cultivo comercial significativo y una mercancía ampliamente comercializada en todo el mundo. La predicción precisa de su cantidad de rendimiento podría llevar a altos beneficios económicos para los agricultores y para la economía nacional rural. En esta investigación, proponemos un modelo de red neuronal de múltiples entradas para la predicción de la producción de algodón. El modelo propuesto utiliza como entradas tres tipos diferentes de datos (datos del suelo, datos de gestión de cultivos y datos de gestión de rendimiento) que son tratados y manejados de forma independiente. Las ventajas significativas de la arquitectura seleccionada son que es capaz de explotar eficientemente datos mixtos, que generalmente requieren ser procesados por separado, reduce el sobreajuste y proporciona más flexibilidad y adaptabilidad por un bajo costo computacional en comparación con una red neuronal completamente conectada clásica. Se realizó un estudio empírico utilizando datos de tres años consecutivos de fincas de algodón en Grecia Central (Tesalia) en el que se evaluó el rendimiento de predicción del modelo propuesto frente al de modelos tradicionales basados en redes neuronales y de última generación. Los experimentos numéricos revelaron la superioridad del enfoque propuesto.