Obtener estimaciones precisas de rendimiento estacional es un desafío, siendo la precisión de las previsiones meteorológicas un factor clave. Este estudio examina el impacto de diferentes métodos de pronóstico de datos meteorológicos en la estimación del rendimiento. Inicialmente, evaluamos la idoneidad del modelo WOFOST para la cebada de alta montaña (HB) y el trigo en la meseta tibetana del noreste. Se realizaron pronósticos de rendimiento utilizando nueve métodos de selección de datos meteorológicos históricos bajo dos escenarios, que diferían en su uso de datos TIGGE de 10 días. Los resultados mostraron que diferentes métodos de fusión de datos meteorológicos llevaron a rendimientos pronosticados variables. Para la HB, la selección secuencial y un algoritmo KNN mejorado fueron óptimos, mientras que para el trigo, la selección secuencial fue la mejor. Las previsiones de principios de temporada tuvieron menor precisión, mientras que las predicciones después de la floración fueron más fiables. Incorporar pronósticos a corto plazo de TIGGE en los datos meteorológicos históricos mejoró los pronósticos de rendimiento de la HB, con un 98.2% de los días teniendo un error relativo promedio (ARE) por debajo del 20%. Para el trigo, utilizar solo datos meteorológicos históricos proporcionó pronósticos de rendimiento más estables, con un 93.1% de los días teniendo un ARE por debajo del 20%. La estrategia de fusión de datos meteorológicos para pronósticos de rendimiento ofreció una precisión de predicción fiable sin necesidad de observación meteorológica de ciclo completo.