La gestión efectiva de las explotaciones lecheras requiere una predicción precisa de la biomasa de pastos. Por lo general, la estimación de la biomasa de pastos requiere datos específicos del sitio, o a menudo suposiciones de un mundo perfecto para modelar sistemas de predicción cuando las mediciones de campo u otros datos sensoriales no están disponibles. Sin embargo, para las pequeñas empresas, las mediciones regulares de datos específicos del sitio a menudo son inconcebibles. En este estudio, abordamos la estimación de la biomasa de pastos prediciendo las alturas de la pradera en todo el campo. Se propone una arquitectura secuencial basada en convolución para las predicciones de altura de pastos utilizando aprendizaje profundo. Desarrollamos un proceso para crear conjuntos de datos sintéticos que simulan la evolución del crecimiento de pastos durante un período de 30 años. El modelo de predicción de pastos basado en aprendizaje profundo (DeepPaSTL) se entrena en este conjunto de datos mientras aprende las características espacio-temporales del crecimiento de pastos. La arquitectura aprende exclusivamente de las tendencias en el crecimiento de pastos a través de las mediciones espaciales disponibles y es ajena a cualquier dato específico del sitio, o condiciones climáticas, como temperatura, precipitación o condición del suelo. Nuestro modelo funciona dentro de un margen de error del 12% incluso durante los períodos con las dinámicas de crecimiento de pastos más grandes. El estudio demuestra la escalabilidad potencial de la arquitectura para predecir cualquier tamaño de pasto a través de un enfoque de cuantificación durante la predicción. Los resultados sugieren que el modelo DeepPaSTL representa una herramienta útil para predecir el crecimiento de pastos tanto para predicciones a corto como a largo plazo, incluso con mediciones históricas faltantes o irregulares.