La eficiencia de riego se facilita al igualar las tasas de riego a la demanda de agua de los cultivos basada en estimaciones de la evapotranspiración real (ET). En entornos de producción, el monitoreo de la demanda de agua se logra típicamente midiendo la ET de referencia en lugar de la ET real, la cual luego se ajusta aproximadamente utilizando coeficientes de cultivo simplificados basados en calendarios de maduración de cultivos. Los métodos para determinar la ET real suelen estar limitados al uso en experimentos de investigación por razones de costo, mano de obra y habilidad del usuario requerida. Para emparejar métodos de monitoreo e investigación, colocamos sensores de covarianza de remolinos junto a estaciones meteorológicas en dos cultivos irrigados diferentes (judías verdes y avellanas). Se utilizaron redes neuronales para entrenar una red neuronal y utilizar sensores meteorológicos en la finca para informar la ET real medida por el método de covarianza de remolinos. Este enfoque pudo estimar de manera robusta la ET a partir de tan solo cuatro parámetros del sensor (temperatura, radiación solar, humedad y velocidad del viento) con un tiempo de entrenamiento de tan solo una semana. Una limitación importante encontrada con este método de aprendizaje automático es que la red entrenada solo es válida bajo condiciones ambientales y de cultivo similares al período de entrenamiento. El pequeño número de sensores requeridos y los cortos tiempos de entrenamiento demuestran que este enfoque puede estimar la ET específica del sitio y del cultivo. Con validación adicional en el campo, este enfoque podría ofrecer un nuevo método para monitorear la demanda real de agua de los cultivos para la gestión del riego.