El cambio climático está aumentando las temperaturas y causando períodos de escasez de agua en climas áridos y semiáridos. El sector agrícola es uno de los más afectados por estos cambios, teniendo que optimizar los escasos recursos hídricos. Un fenómeno importante dentro del ciclo del agua es la evaporación de los embalses, lo que implica una cantidad considerable de agua perdida durante los períodos más cálidos del año. De hecho, la predicción de la tasa de evaporación puede ayudar a los agricultores a cultivar de manera más sostenible al gestionar los recursos hídricos de manera más eficiente en el contexto de la agricultura de precisión. En este trabajo, presentamos un enfoque de aprendizaje automático interpretable, basado en un árbol de decisiones multivariante, para predecir la tasa de evaporación diaria utilizando datos de una infraestructura de Internet de las Cosas (IoT), que está desplegada en una parcela de riego real ubicada en Murcia (sureste de España). Los datos climáticos recopilados alimentan los modelos que proporcionan una predicción de la evaporación y un resumen de los parámetros involucrados en este proceso. Finalmente, los resultados del modelo interpretable presentado se validan con los mejores modelos de literatura para la predicción de la tasa de evaporación, es decir, las Redes Neuronales Artificiales, obteniendo resultados muy similares a los obtenidos por ellas, llegando hasta y . Por lo tanto, en este trabajo, se enfrenta un doble objetivo: mantener el rendimiento obtenido por los modelos más utilizados con frecuencia en el problema al tiempo que se mantiene la interpretabilidad del conocimiento capturado en él, lo que permite una mejor comprensión del problema y la realización de acciones adecuadas.