El estrés hídrico es un elemento significativo que impacta en la fotosíntesis, la cual es una de las principales actividades fisiológicas que rigen el crecimiento y desarrollo de los cultivos. En este estudio, se predijo la tasa fotosintética de L. var. (Bailey) (referida como Brassica china en adelante) utilizando el método de aprendizaje profundo. Se crearon cinco conjuntos de Brassica china, cada uno con un gradiente de estrés hídrico diferente. La temperatura del aire (Ta), la humedad relativa (RH), la temperatura del dosel (Tc), la tasa de transpiración (Tr), la tasa fotosintética (Pn) y la radiación fotosintéticamente disponible (PAR) se midieron en diferentes etapas de crecimiento. Se construyeron ecuaciones de límite superior e inferior utilizando el método de línea base sin estrés hídrico (NWSB) y la agrupación espacial jerárquica basada en densidad de aplicaciones con ruido (HDBSCAN). Luego se calculó el índice de estrés hídrico del cultivo (CWSI) utilizando estas ecuaciones construidas. Se propuso el modelo de memoria a largo plazo de red neuronal (MLSTM) para predecir Pn en función de CWSI y otros parámetros. Al mismo tiempo, se aplicó el método de regresión de vector de soporte (SVR) para proporcionar una comparación con el modelo MSLTM. Los resultados muestran que el estrés hídrico tuvo un efecto importante en el crecimiento de la Brassica china. Cuanto más grave era el estrés hídrico, menor era el rango de crecimiento (GR). El método HDBSCAN tuvo un error cuadrático medio (RMSE) más bajo al calcular CWSI. Además, CWSI tuvo un efecto significativo en la predicción de Pn. El ajuste de regresión entre Pn medido y Pn predicho mostró que el coeficiente de determinación (R) y el RMSE fueron de 0,899 y 0,108 mol·m·s, respectivamente. En este estudio, desarrollamos con éxito un método para la predicción confiable de Pn en la Brassica china, que puede servir como una referencia útil para su aplicación en el ahorro de agua.