El coeficiente de uniformidad de Christiansen (CUC) describe la distribución del agua en un sistema de riego por aspersión. En este estudio, se desarrollaron dos tipos de modelos para predecir el coeficiente de uniformidad de Christiansen (CUC) de sistemas de riego por aspersión: Redes Neuronales Artificiales (ANN), específicamente redes neuronales de alimentación directa, y modelos de regresión lineal múltiple (MLR). Los modelos se entrenaron con un conjunto de datos de investigaciones publicadas sobre el CUC de sistemas de riego por aspersión, que incluían datos sobre una variedad de variables de diseño, operativas y meteorológicas. Para construir el modelo predictivo de CUC, se utilizaron 10 parámetros de entrada que incluían la altura del aspersor (H), la presión de trabajo (P), el diámetro de la boquilla (D y d), el espaciado de líneas de aspersores (S), el espaciado de aspersores (S), la velocidad del viento (WS), la dirección del viento (WD), la temperatura (T) y la humedad relativa (RH). El cincuenta por ciento (50%) de los datos se utilizó para entrenar los modelos ANN y el resto de los datos para validación cruzada (25%) y pruebas (25%). Se construyeron modelos de regresión lineal múltiple utilizando los datos de entrenamiento. Se utilizaron cuatro criterios estadísticos para evaluar la calidad predictiva del modelo: el coeficiente de correlación (R), el índice de acuerdo (d), el error cuadrático medio (RMSE) y el error absoluto medio (MAE). El análisis estadístico demostró que la mejor capacidad predictiva se obtuvo cuando los modelos (ANN y MLR) utilizaron todas las variables de entrada. Los resultados demostraron que la precisión de los modelos ANN, para predecir el CUC de sistemas de riego por aspersión, es mayor que la de los modelos MLR. Durante la etapa de entrenamiento, los modelos ANN fueron más precisos en predecir el CUC que MLR, con valores de R (0.999) y d (0.999) más altos y valores de MAE (0.167) y RMSE (0.456) más bajos. Los valores de R del modelo MLR fluctuaron entre 0.226 y 0.960, los valores de d oscilaron entre 0.174 y 0.979, los valores de MAE estuvieron en el rango del 2.458% al 10.792%, y los valores de RMSE fluctuaron entre el 2.923% y el 13.393%. Además, el estudio reveló que la velocidad del viento (WS) y la dirección del viento (WD) son los parámetros climáticos más influyentes. El modelo ANN puede utilizarse para desarrollar herramientas más precisas para predecir el CUC de sistemas de riego por aspersión. Esto puede ayudar a los agricultores a diseñar y operar sus sistemas de riego de manera más eficiente, lo que puede ahorrarles tiempo y dinero.