Recientemente, los enfoques basados en datos se han convertido en la solución dominante para problemas de predicción en las industrias agrícolas. Varios modelos de aprendizaje profundo se han aplicado a la predicción de rendimientos de cultivos en la agricultura inteligente. En este documento, propusimos un modelo híbrido eficiente de aprendizaje profundo que coordina los resultados de un modelo de clasificación y un modelo de regresión en aprendizaje profundo a través de las capas compartidas para predecir el rendimiento del cultivo de arroz. Tres análisis estadísticos sobre las características, incluidos los coeficientes de correlación de Pearson (PCC), explicaciones aditivas de Shapley (SHAP) y eliminación de características recursivas con validación cruzada (RFECV), se proponen para seleccionar las más relevantes para el objetivo predictivo y reducir el tiempo de entrenamiento del modelo. La preprocesamiento de datos normaliza las características de los datos recopilados en rangos específicos de valores y luego las reformatea en una matriz tridimensional. Como resultado, el error cuadrático medio (RMSE) del modelo propuesto en la predicción del rendimiento de arroz ha logrado 344.56 y un R cuadrado de 0.64. El rendimiento general del modelo propuesto es mejor que otros modelos de aprendizaje profundo, como las redes neuronales profundas multiparamétricas (MDNNs) (es decir, RMSE = 370.80, R cuadrado = 0.59) y las redes neuronales artificiales (ANNs) (es decir, RMSE = 550.03, R cuadrado = 0.09). El modelo propuesto ha demostrado una mejora significativa en los resultados predictivos al distinguir entre rendimientos altos y bajos con una precisión del 90% y una puntuación F1 del 94%.