La predicción y modelado precisos de la temperatura son críticos para la gestión efectiva de invernaderos agrícolas. Al optimizar el control y minimizar el desperdicio de energía, los agricultores pueden mantener condiciones ambientales óptimas, lo que conduce a una mejora en los rendimientos de los cultivos y a una reducción de las pérdidas financieras. En este estudio, se compararon varios modelos, incluidos la Regresión Lineal Múltiple (MLR), la Función de Base Radial (RBF) y la Máquina de Vectores de Soporte (SVM), para predecir la temperatura del aire en invernaderos. Se utilizaron parámetros externos, como la temperatura del aire (T), la humedad relativa (H), la velocidad del viento (W) y la radiación solar (S), como entradas para estos modelos, y la salida fue la temperatura interior. Los resultados mostraron que el modelo RBF con el algoritmo de aprendizaje LM (Levenberg-Marquardt) superó a los otros modelos, logrando el menor error y el mayor valor de coeficiente de determinación (R). El modelo RBF produjo valores de RMSE, MAPE y R de 1,32 grados Celsius, 3,23% y 0,931, respectivamente. Estos resultados demuestran que el modelo RBF con el algoritmo de aprendizaje LM puede predecir de manera confiable las temperaturas del aire en invernaderos para las próximas dos horas. El modelo de ANN puede aplicarse para optimizar la gestión del tiempo y reducir las pérdidas de energía, mejorando la eficiencia general de las operaciones en invernaderos.