El uso de sensores físicos basados en Internet de las cosas (IoT) para percibir el entorno es un enfoque prevalente y global. Sin embargo, un problema importante es la fiabilidad de los nodos de los sensores físicos, lo que crea dificultades en un sistema en tiempo real para identificar si el sensor físico está transmitiendo valores correctos o si está fallando debido a perturbaciones externas que afectan al sistema, como el ruido. En este documento, se propone el uso de redes neuronales basadas en Long Short-Term Memory (LSTM) como un enfoque alternativo para abordar este problema. La solución propuesta se prueba en un sistema de riego inteligente, donde un sensor físico es reemplazado por un sensor neuronal. El Sistema de Riego Inteligente (SIS) contiene varios sensores físicos, que transmiten datos de temperatura, humedad y humedad del suelo para calcular la transpiración en un campo específico. Los valores del mundo real se toman de un campo agrícola, ubicado en un campo de limones cerca de la provincia de Ghadap Sindh en Pakistán. El sensor LM35 se utiliza para la temperatura, DHT-22 para la humedad, y diseñamos un sensor personalizado en nuestro laboratorio para la adquisición de valores de humedad. Los resultados del experimento muestran que el sensor neuronal propuesto basado en aprendizaje profundo predice los valores en tiempo real con alta precisión, especialmente los valores de temperatura. Los valores de humedad y humedad también se encuentran en un rango aceptable. Nuestros resultados resaltan la posibilidad de utilizar una red neuronal, denominada sensor neuronal aquí, para complementar el funcionamiento de un sensor físico desplegado en un campo agrícola con el fin de hacer que los sistemas de riego inteligentes sean más confiables.