Los datos de series temporales de humedad del suelo suelen ser no lineales por naturaleza y están influenciados por múltiples factores ambientales. El método tradicional de media móvil integrada autorregresiva (ARIMA) tiene una alta precisión de predicción, pero solo es adecuado para problemas lineales y predice datos con una sola columna de series temporales. La red neuronal de unidad recurrente con compuertas (GRU) puede lograr la predicción de series temporales y datos multivariados no lineales, pero un solo modelo no lineal no produce resultados óptimos. Por lo tanto, en este artículo se propone un modelo híbrido de predicción de series temporales, BAG, que combina las características lineales y no lineales de la humedad del suelo para lograr el proceso de identificación de relaciones lineales y no lineales en los datos de humedad del suelo con el fin de mejorar la precisión de los resultados de predicción. En BAG, se seleccionan el modelo ARIMA tensorial de Hankel por bloques (BHT-ARIMA) y GRU para extraer las características lineales y no lineales de los datos de humedad del suelo, respectivamente. BHT-ARIMA se aplica para predecir la parte lineal de la humedad del suelo, y GRU se utiliza para predecir la serie residual, que es la parte no lineal, y la superposición de los dos resultados predichos es el resultado final de la predicción. Se evaluó el rendimiento del modelo propuesto en cinco conjuntos de datos reales. Los resultados de los experimentos muestran que BAG tiene una mayor precisión de predicción en comparación con otros modelos de predicción para diferentes cantidades de datos y diferentes números de factores ambientales.