La industria de los invernaderos logra una producción agrícola estable a nivel mundial. Diversas técnicas de tecnología de la información y comunicación para modelar y controlar el ambiente se han aplicado, ya que los datos de sensores ambientales y actuadores en invernaderos se monitorean en tiempo real. El estudio actual diseñó modelos de aprendizaje profundo basados en datos para la evapotranspiración (ET) y la humedad en invernaderos de tomate. Utilizando datos de series temporales y aplicando modelado de memoria a largo plazo (LSTM), se desarrolló un modelo de predicción de ET y se validó en comparación con el modelo de Stanghellini. El entrenamiento con datos de 20 días y la prueba con datos de 3 días resultaron en RMSE de 0.00317 y 0.00356 kgm s, respectivamente. El error estándar de predicción indicó errores del 5.76 y 6.45% en entrenamiento y prueba, respectivamente. Se utilizaron variables para producir un mapa de características utilizando una capa de convolución bidimensional que se transfirió a una capa subsiguiente y finalmente se conectó con la estructura LSTM para el modelado. El RMSE en la predicción de la humedad utilizando el conjunto de datos de prueba fue de 2.87, lo que indica un rendimiento mejor que los modelos RNN-LSTM convencionales. Los planes de riego y el control de la humedad pueden llevarse a cabo de manera más precisa en el cultivo en invernaderos utilizando este modelo.