La escasez de agua es un problema global. El riego deficitario (DI) reduce la evapotranspiración, mejorando la eficiencia del agua en la agricultura. La evapotranspiración de referencia es un factor importante en la determinación del DI. La predicción pronostica el consumo de agua en el campo y permite tomar decisiones proactivas de riego, ofreciendo orientación para la gestión de recursos hídricos. Sin embargo, la implementación de la predicción enfrenta desafíos debido a cálculos complejos y extensos requisitos de datos meteorológicos. Este proyecto tiene como objetivo desarrollar un sistema de aprendizaje automático para la predicción. El proyecto implica estudiar métodos e identificar los parámetros meteorológicos requeridos. Los datos meteorológicos históricos y los pronósticos del tiempo se obtuvieron de sitios web meteorológicos y se analizaron para su precisión después del preprocesamiento. Se creó un modelo basado en aprendizaje automático para predecir la evapotranspiración de referencia del cultivo. Los parámetros de entrada del modelo fueron seleccionados a través de un análisis de ruta antes de ser optimizados mediante optimización bayesiana para reducir el sobreajuste y mejorar la precisión. Se desarrollaron tres modelos de predicción: uno basado en datos meteorológicos históricos, otro basado en pronósticos del tiempo y otro que corrige los pronósticos del tiempo. Los tres modelos lograron una buena precisión, con errores cuadráticos medios que van de 0.52 a 0.81 mm/día. Entre ellos, el modelo basado en pronósticos del tiempo tuvo la mayor precisión; el error cuadrático medio seis días antes del período de pronóstico estaba entre 0.52 y 0.75 mm/día, y el error cuadrático medio en el séptimo día del período de pronóstico fue de 1.12 mm/día. En resumen, este proyecto ha establecido un modelo matemático de predicción basado en aprendizaje automático, que puede lograr predicciones más precisas para dentro de unos pocos días.