Comprender la influencia de los factores ambientales en el rendimiento del algodón es crucial para mejorar el rendimiento y la calidad de la fibra en el contexto del cambio climático. Este estudio investiga las interacciones genotipo-por-ambiente (GxE) en el algodón, utilizando datos de 250 líneas recombinantes endogámicas (CCRI70 RILs) cultivadas en 14 entornos diversos en las principales áreas de cultivo de algodón de China. Nuestros hallazgos revelan que los efectos ambientales influyeron predominantemente en los rasgos relacionados con el rendimiento (peso de la cápsula, porcentaje de fibra y el índice de semillas), contribuyendo entre el 34.7% y el 55.7% de su varianza. En contraste, los rasgos de calidad de la fibra mostraron una menor sensibilidad ambiental (12.3-27.0%), con una notable plasticidad fenotípica observada en el peso de la cápsula, el porcentaje de fibra y el micronaire de la fibra. Empleando seis modelos de aprendizaje automático, Random Forest demostró una capacidad predictiva superior (R = 0.40-0.72; correlación de Pearson predictiva = 0.63-0.86). A través de la interpretación basada en SHAP y la regresión de ventana deslizante, identificamos los principales impulsores ambientales que están activos principalmente durante las etapas de crecimiento medio a tardío. Este enfoque redujo efectivamente el número de variables de entrada influyentes a solo el 0.1-2.4% del conjunto de datos original, abarcando de 2 a 9 ventanas de tiempo críticas por rasgo. Incorporar estos impulsores identificados mejoró significativamente las predicciones entre entornos, aumentando la precisión de Random Forest en un 0.02-0.15. Estos resultados subrayan el gran potencial del aprendizaje automático para descubrir factores ambientales temporales críticos subyacentes a las interacciones GxE y para mejorar sustancialmente la modelización predictiva en los programas de mejoramiento del algodón, contribuyendo en última instancia a un cultivo de algodón más resiliente y productivo.