La disponibilidad de datos climáticos juega un papel clave en los procesos de desarrollo de políticas, servicios y planificación en el sector agrícola. Sin embargo, los datos con la resolución espacial o temporal requerida a menudo son insuficientes o faltan ciertos valores. En este trabajo, proponemos utilizar un enfoque de red bayesiana para generar datos para variables faltantes. Como estudio de caso, utilizamos la humedad relativa, que es un indicador importante de la idoneidad del terreno para la producción de café. Para el modelo, primero extraímos datos climáticos para las variables precipitación, temperatura máxima y mínima del aire, velocidad del viento, radiación solar y humedad relativa del conjunto de datos de reanálisis de superficie del Sistema de Pronóstico Climático. Luego utilizamos algoritmos de aprendizaje automático para definir la estructura y los parámetros del modelo a partir de las relaciones de las variables encontradas en el conjunto de datos. La precipitación, la temperatura máxima y mínima del aire, la velocidad del viento y la radiación solar se utilizan como variables proxy para inferir valores faltantes de humedad relativa mensual y humedad relativa para el mes más seco. Para esto, utilizamos tanto datos iniciales completos como incompletos. En ambos escenarios de disponibilidad de datos, la comparación de los valores estimados y medidos de humedad relativa muestra un alto nivel de concordancia. Concluimos que el uso de redes bayesianas es una solución práctica para estimar la humedad relativa para la planificación agrícola del café.