A pesar de ser un componente económico importante de la región de Taif y del Reino de Arabia Saudita (KSA) en su conjunto, Taif rose experimenta desafíos debido a condiciones no controladas. En este estudio, desarrollamos un modelo de predicción de fenotipos utilizando aprendizaje profundo (DL) que utilizó métodos simples y precisos para obtener y analizar datos recopilados de diez granjas de rosas. Para mantener una amplia aplicabilidad y minimizar la complejidad computacional, nuestro modelo utiliza un enfoque de aprendizaje complementario en el que se procesan simultáneamente tanto las instancias espaciales como temporales de cada conjunto de datos utilizando tres redes neuronales profundas de última generación: (1) red neuronal convolucional (CNN) para tratar la imagen, (2) memoria a corto y largo plazo (LSTM) para tratar las series temporales y (3) percepciones multicapa completamente conectadas (MLPs) para obtener los fenotipos. Como resultado, este enfoque no solo consolida el conocimiento adquirido al procesar los mismos datos desde diferentes perspectivas, sino que también aprovecha la predictibilidad del modelo bajo conjuntos de datos incompletos o ruidosos. Se ha realizado una evaluación exhaustiva de la validez del modelo propuesto comparando sus resultados con medidas exhaustivas de fenotipado tomadas de granjas reales. Esta evaluación demuestra la capacidad del modelo propuesto para lograr un error porcentual absoluto medio de cero () y un error porcentual cuadrado medio (MSPE) dentro de un pequeño número de épocas y bajo diferentes esquemas de entrenamiento y prueba.