El riego juega un papel crucial en el cultivo de maíz, ya que el agua es esencial para optimizar el rendimiento y la calidad de los cultivos, especialmente dada la sensibilidad del maíz a las variaciones de la humedad del suelo. En el estudio actual, se presenta un enfoque híbrido de Memoria a Corto y Largo Plazo (LSTM, por sus siglas en inglés) con el objetivo de predecir la programación de riego en campos de maíz en Bursa, Turquía. Un aspecto crítico del estudio fue el uso del modelo Aquacrop 7.0 para simular datos de contenido de humedad del suelo debido a limitaciones de datos en los campos investigados. Este modelo de simulación, desarrollado por la Organización de las Naciones Unidas para la Agricultura y la Alimentación (FAO), ayudó a superar las brechas en los datos de sensores de suelo, mejorando las predicciones del modelo LSTM. El modelo LSTM fue entrenado y ajustado utilizando una combinación de datos de suelo, clima y vegetación de plantas basada en satélites para predecir reducciones en el contenido de humedad del suelo. Los resultados del estudio indicaron que el modelo LSTM, respaldado por simulaciones de Aquacrop 7.0, fue efectivo para predecir la reducción del contenido de humedad del suelo en diversas fases temporales de la temporada de crecimiento del maíz, alcanzando valores de R que oscilaron entre 0.8163 y 0.9181 para el Campo 1 y entre 0.7602 y 0.8417 para el Campo 2, demostrando el potencial de este enfoque para prácticas de riego agrícola precisas y eficientes.