En el campo de la investigación agrícola, el Aprendizaje Automático (ML) se ha utilizado para aumentar la productividad agrícola y minimizar su impacto ambiental, demostrando ser una técnica esencial para apoyar la toma de decisiones. La predicción precisa del momento de la cosecha es un desafío para la producción de frutas de manera sostenible, lo que podría eventualmente reducir el desperdicio de alimentos. Los modelos lineales se han utilizado para estimar la duración del período; sin embargo, presentan variabilidad cuando se utilizan para estimar el tiempo cronológico de las etapas del manzano. Este estudio propone el modelo PredHarv, que es un modelo de aprendizaje automático que utiliza Redes Neuronales Recurrentes (RNN) para predecir la fecha de inicio de la cosecha de manzanas, dadas las condiciones climáticas relacionadas con la temperatura esperada para el período. Las predicciones se realizan a partir de la fase fenológica del inicio de la floración, utilizando un enfoque multivariado, basado en la serie temporal de fenología y datos meteorológicos. El modelo computacional contribuye a anticipar información sobre la fecha de la cosecha, lo que permite al productor planificar mejor las actividades, evitando costos y, en consecuencia, mejorando la productividad. Desarrollamos un prototipo del modelo y realizamos experimentos con conjuntos de datos reales de instituciones agrícolas. Evaluamos las métricas, y los resultados obtenidos en los escenarios de evaluación demuestran que el modelo es eficiente, tiene una buena capacidad de generalización y es capaz de mejorar la precisión de los resultados de la predicción.