En el crecimiento de cultivos, el riego debe ajustarse según las etapas de desarrollo. La agricultura inteligente requiere la predicción precisa del estado de crecimiento y una intervención oportuna para mejorar la calidad de los productos agrícolas, pero esta tarea enfrenta desafíos significativos debido a factores ambientales variables. Para abordar este problema, este estudio propone un método de riego basado en datos para mejorar el rendimiento de los cultivos. Nuestro enfoque utiliza conjuntos de datos extensos para entrenar y optimizar una arquitectura de aprendizaje profundo integrada que combina Informer, redes de memoria a largo y corto plazo (LSTM) y modelos de media móvil ponderada exponencialmente (EWMA). Experimentos controlados en invernaderos validaron la fiabilidad y la practicidad de la estrategia de predicción e intervención propuesta. Los resultados mostraron que el modelo emitió advertencias de riego con 3-5 días de anticipación. En comparación con el riego fijo tradicional, el modelo redujo significativamente la frecuencia de riego mientras mantenía las mismas condiciones de crecimiento o incluso mejores. En términos de cantidad de plantas, el grupo experimental aumentó en un 410.0%, mientras que el grupo de control creció un 50.0%. Además, la altura promedio de las plantas del grupo experimental fue un 21.8% mayor que la del grupo de control. Estos resultados demuestran la eficacia del método de predicción de riego propuesto para mejorar el crecimiento y el rendimiento de los cultivos, proporcionando una estrategia novedosa para la planificación y gestión agrícola futura.