El suelo es un elemento importante en el ámbito agrícola porque sirve como el medio que conecta los procesos de consumo y suministro de agua. En este estudio, se empleó un método de conjunto de redes neuronales (NNE) para predecir la humedad del suelo y eliminar los efectos de los parámetros iniciales aleatorios de la red neuronal (NN) en la precisión del modelo. El modelo NNE construido predice continuamente la humedad del suelo de la zona radicular diariamente durante toda la temporada de crecimiento del cultivo y los procesos de consumo y suministro de agua se modelaron por separado. El perfil del suelo se dividió en múltiples capas y se modeló por separado. Se utilizaron datos meteorológicos (incluida la temperatura del aire, la humedad, la velocidad del viento, la radiación neta y la precipitación), la profundidad de enraizamiento y la humedad del suelo de cada capa del día anterior como entrada. Se utilizó un modelo calibrado de calidad del agua en la zona radicular para el maíz (L.) para generar datos de entrenamiento y evaluación. El resultado mostró que con 100 modelos de NN inicializados aleatoriamente, el modelo NNE logró un R promedio de 0.96 y un nRMSE del 5.93%, lo que sugiere que el modelo NNE aprendió bien la dinámica de la humedad del suelo y mejoró suficientemente la robustez de la predicción de humedad del suelo con alta precisión.