Este artículo investiga enfoques para predecir el momento de la cosecha de brócoli a través de la aplicación de varios modelos de aprendizaje automático. El experimento de este estudio se lleva a cabo en una granja comercial en Ecuador e integra observaciones in situ del clima y del ciclo de crecimiento del brócoli realizadas durante siete años. Esta investigación incorpora modelos como el de persistencia, térmico y calendario, demostrando sus fortalezas y limitaciones en el cálculo del día óptimo de cosecha de brócoli. Además, se desarrollaron modelos de Redes Neuronales Recurrentes (RNN) con capas de Memoria a Corto y Largo Plazo (LSTM), mostrando una precisión mejorada con un error de menos de 2.5 días en promedio cuando se combinan con los resultados del modelo calendario. En la comparación final, los modelos RNN superaron tanto a los modelos térmicos como a los calendario, con un error de 3.14 y 2.5 días, respectivamente. Además, este artículo explora el impacto de utilizar datos meteorológicos pronosticados del Sistema Global de Pronóstico por Conjunto como una fuente complementaria a las observaciones in situ en la precisión del modelo. El análisis reveló el efecto limitado de la extensión con un pronóstico de 9 días en el campo experimental, logrando una reducción del error de hasta 0.04 días. Los hallazgos proporcionan información sobre la efectividad de diferentes enfoques de modelado para optimizar los tiempos de cosecha de brócoli, enfatizando el potencial de las técnicas RNN en la toma de decisiones agrícolas.