El entorno del invernadero juega un papel crucial en proporcionar condiciones favorables para el crecimiento de los cultivos, mejorando significativamente su calidad y rendimiento. La predicción precisa de los factores ambientales del invernadero es esencial para su control efectivo. Aunque recientemente se han investigado tecnologías de inteligencia artificial para predecir entornos de invernadero, existen limitaciones en su aplicación a entornos de invernadero generales debido a recursos informáticos o problemas de interpretabilidad. Además, también falta investigación sobre modelos de predicción ambiental específicamente para invernaderos de melón. En este estudio, se desarrollaron modelos de aprendizaje automático basados en MLR (Regresión Lineal Múltiple), SVM (Máquina de Vectores de Soporte), ANN (Red Neuronal Artificial) y XGBoost para predecir la temperatura interna, la humedad relativa y las condiciones de CO de los invernaderos de melón con 30 minutos de antelación. El modelo XGBoost demostró alta precisión y estabilidad, con un valor de R de hasta 0.9929 y un RPD (Desviación Predictiva Residual) de 11.8464. Además, el análisis de la importancia de las características y los árboles de decisión del modelo XGBoost revelaron que el modelo aprendió las complejas relaciones e impactos entre los factores ambientales del invernadero. En conclusión, este estudio desarrolló con éxito un modelo predictivo para el entorno de un invernadero para el cultivo de melones. El modelo desarrollado en este estudio puede facilitar la comprensión y el manejo eficiente del entorno del invernadero, contribuyendo a mejoras en el rendimiento y la calidad de los cultivos.