La humedad del suelo es un factor importante que determina el rendimiento. Con la creciente demanda de recursos hídricos para riego agrícola, evaluar la humedad del suelo con anticipación para crear un programa de riego razonable ayudaría a mejorar la utilización de los recursos hídricos. Este estudio estableció un sistema continuo para recopilar información meteorológica y datos de humedad del suelo de un huerto de litchis. Con los datos adquiridos, en este documento se propone un modelo de series temporales llamado Memoria a Corto y Largo Plazo Profunda (Deep-LSTM). El modelo Deep-LSTM tiene cinco capas con los datos de series temporales fusionados para predecir la humedad del suelo de un huerto de litchis en cuatro temporadas de crecimiento diferentes. Para optimizar la calidad de los datos del sensor de humedad del suelo, se aplicó el algoritmo de descomposición wavelet Symlet en la sección de preprocesamiento de datos. El umbral de los wavelets se determinó en función del método de estimación de riesgo no sesgado para obtener mejores datos del sensor que ayudarían con el aprendizaje del modelo. Los resultados mostraron que los valores del error cuadrático medio (RMSE) del modelo Deep-LSTM fueron 0.36, 0.52, 0.32 y 0.48 %, y los valores del error porcentual medio absoluto (MAPE) fueron 2.12, 2.35, 1.35 y 3.13 %, respectivamente, en las etapas de floración, fructificación, brotes de otoño y diferenciación de capullos de flores. Los coeficientes de determinación (R) fueron 0.94, 0.95, 0.93 y 0.94, respectivamente, en las cuatro etapas diferentes. Los resultados indican que el modelo propuesto fue efectivo para predecir datos de humedad del suelo de series temporales de un huerto de litchis. Esta investigación fue significativa en cuanto a adquirir las características de humedad del suelo con anticipación y, por lo tanto, proporcionar una referencia valiosa para el programa de riego del huerto de litchis.