Crop yield prediction enables appropriate crop management in response to climate change and is essential for assessing food security and economic efficiency at all levels, from individual farmers to governments. Mongolian cropland yields face several challenges that remain underexplored through spatial analysis, including insufficient data, planning difficulties, harsh climatic conditions, and limited access to advanced technologies. This study aimed to predict crop yields at the local level using Landsat time-series data (2014-2023), along with climate and soil data. Key variables (NDVI, soil parameters, and hydrothermal coefficient) were selected based on prior research on crop yield prediction. Soil parameters (humus, humus depth, soil reaction pH, nitrogen, phosphorus, and potassium) and climate factors (precipitation, temperature) were analyzed to predict crop yield using regression analysis. Two models were developed: a multiple linear regression (MLR) model incorporating the normalized difference vegetation index (NDVI) and another without NDVI. The results showed that the coefficient of determination (R2) from the multivariate regression analysis was 0.91 for the model including NDVI and 0.74 for the model excluding NDVI. These findings can enhance early yield prediction, optimize resource allocation, and support timely decision-making in agricultural management. L'estimation du rendement des cultures permet une gestion appropri & eacute;e des cultures en r & eacute;ponse au changement climatique et elle est essentielle pour & eacute;valuer la s & eacute;curit & eacute; alimentaire et l'efficacit & eacute; & eacute;conomique & agrave; tous les niveaux, des agriculteurs aux gouvernements. L'estimation du rendement des terres cultiv & eacute;es mongoles est confront & eacute;e & agrave; plusieurs d & eacute;fis encore mal explor & eacute;s par l'analyse spatiale, notamment le manque de donn & eacute;es, les difficult & eacute;s de planification, les conditions climatiques difficiles et l'acc & egrave;s limit & eacute; aux technologies de pointe. Cette & eacute;tude visait & agrave; estimer le rendement des cultures au niveau local en utilisant des donn & eacute;es de s & eacute;ries temporelles Landsat (2014-2023), ainsi que des donn & eacute;es climatiques et p & eacute;dologiques. Les variables cl & eacute;s (l'indice de v & eacute;g & eacute;tation par diff & eacute;rence normalis & eacute;e (NDVI), param & egrave;tres du sol et coefficient hydrothermal) ont & eacute;t & eacute; s & eacute;lectionn & eacute;es sur la base de recherches ant & eacute;rieures sur la pr & eacute;vision du rendement des cultures. Les param & egrave;tres du sol (humus, profondeur de l'humus, pH de r & eacute;action du sol, azote, phosphore et potassium) et les facteurs climatiques (pr & eacute;cipitations, temp & eacute;rature) ont & eacute;t & eacute; analys & eacute;s pour pr & eacute;dire le rendement des cultures par analyse de r & eacute;gression. Deux mod & egrave;les ont & eacute;t & eacute; d & eacute;velopp & eacute;s : un mod & egrave;le de r & eacute;gression lin & eacute;aire multiple (MLR) int & eacute;grant le NDVI et un autre sans NDVI. Les r & eacute;sultats ont montr & eacute; que le coefficient de d & eacute;termination (R-2) de l'analyse de r & eacute;gression multivari & eacute;e & eacute;tait de 0,91 pour le mod & egrave;le incluant le NDVI et de 0,74 pour le mod & egrave;le excluant le NDVI. Ces r & eacute;sultats peuvent am & eacute;liorer l'estimation pr & eacute;coce des rendements, optimiser l'allocation des ressources et favoriser une prise de d & eacute;cision rapide en mati & egrave;re de gestion agricole.