La predicción precisa del contenido de humedad del suelo en plantaciones de té juega un papel crucial en la optimización de las prácticas de riego y en la mejora de la productividad de los cultivos. Los métodos tradicionales para la predicción del contenido de humedad del suelo son difíciles de implementar debido a los altos costos y los requisitos de mano de obra. Aunque se han aplicado modelos de aprendizaje automático, su rendimiento a menudo se ve limitado por la falta de datos suficientes. Para abordar los desafíos de la predicción inexacta e ineficiente de la humedad del suelo en plantaciones de té y mejorar el rendimiento predictivo, se desarrolló un modelo mejorado basado en máquinas de soporte vectorial (SVM) para predecir el contenido de humedad del suelo en una plantación de té. El modelo propuesto aborda varias limitaciones de los enfoques existentes al incorporar características novedosas y mejorar el rendimiento del algoritmo SVM, que se optimizó con el método del Algoritmo de Búsqueda del Águila Calva (BES) para la optimización de hiperparámetros. El estudio utilizó un conjunto de datos integral que comprende mediciones de humedad del suelo y variables ambientales relevantes recopiladas de una plantación de té. Se aplicaron técnicas de selección de características para identificar las variables más informativas, incluyendo la lluvia, la temperatura, la humedad y el tipo de suelo. Las características seleccionadas se utilizaron luego para entrenar y optimizar el modelo SVM. El modelo propuesto se aplicó a la predicción de la humedad del agua del suelo en una plantación de té en la Granja de Chinos en el Extranjero Fuhu, propiedad del Estado de Guangxi. Los resultados experimentales demostraron el rendimiento superior del modelo SVM mejorado en la predicción del contenido de humedad del suelo en comparación con los enfoques SVM tradicionales y otros algoritmos de aprendizaje automático. El modelo mostró alta precisión, robustez y capacidades de generalización en diferentes períodos de tiempo y ubicaciones geográficas, con R, MSE y RMSE de 0.9435, 0.0194 y 0.1392, respectivamente, lo que ayuda a mejorar el rendimiento de la predicción, especialmente cuando hay datos reales limitados disponibles. El modelo basado en SVM propuesto ofrece varias ventajas para la gestión de plantaciones de té. Proporciona predicciones de humedad del suelo oportunas y precisas, lo que permite a los agricultores tomar decisiones informadas sobre la programación del riego y la gestión de recursos hídricos. Al optimizar las prácticas de riego, el modelo ayuda a mejorar el rendimiento de los cultivos de té, minimizar el uso de agua y reducir el impacto ambiental.