Esta investigación se centra en desarrollar una solución de riego inteligente para sistemas agrícolas que utilizan aplicaciones de energía solar fotovoltaica-térmica (PVT). Esta solución integra aplicaciones PVT, predicción, modelado y pronóstico, así como las características fisiológicas de las plantas. El objetivo principal es mejorar la gestión del agua y la eficiencia del riego a través de técnicas digitales innovadoras adaptadas a diferentes zonas climáticas. En la fase inicial, se evaluó el rendimiento de las soluciones PVT utilizando el software ANSYS Fluent R19.2, revelando que los sistemas PVT a escala ofrecen una eficiencia óptima para los sistemas fotovoltaicos, optimizando así la producción eléctrica. Posteriormente, se aplicó un enfoque integral que combina la selección de características integrales (IFS) con modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) para la predicción de la evapotranspiración de referencia (ETo) y el pronóstico de las necesidades de agua. A través de este proceso, se identificaron 301 combinaciones óptimas de predictores y los mejores modelos lineales de rendimiento para la predicción de ETo. Alcanzando valores de R superiores a 0.97, junto con indicadores mínimos de dispersión, los resultados indican la eficacia y precisión de los modelos elaborados en la predicción de la ETo. Además, mediante el empleo de un enfoque híbrido de aprendizaje profundo, se desarrollaron 28 mejores modelos para pronosticar los próximos períodos de ETo. Finalmente, se desarrolló una aplicación de interfaz para albergar los modelos identificados para predecir y pronosticar la cantidad óptima de agua requerida para el riego de plantas o cultivos específicos. Esta aplicación sirve como una plataforma amigable para el usuario donde los usuarios pueden ingresar predictores relevantes y obtener predicciones y pronósticos precisos basados en los modelos establecidos.