La temperatura y la humedad, junto con las concentraciones de amoníaco y sulfuro de hidrógeno, son factores ambientales críticos que influyen significativamente en el crecimiento y la salud de los cerdos en hábitats porcinos. La capacidad de predecir con precisión estas variables ambientales en las casas de cerdos es fundamental, ya que proporciona un apoyo crucial para la toma de decisiones en la regulación precisa y dirigida de las condiciones ambientales internas. Este enfoque asegura un entorno de vida óptimo, esencial para el bienestar y el desarrollo saludable de los cerdos. Las metodologías existentes para pronosticar factores ambientales en las casas de cerdos se ven actualmente obstaculizadas por problemas de baja precisión predictiva y fluctuaciones significativas en las condiciones ambientales. Para abordar estos desafíos, en este estudio se propone un modelo híbrido que incorpora el algoritmo mejorado de escarabajo pelotero (DBO), redes neuronales convolucionales temporales (TCNs) y unidades recurrentes con compuertas (GRUs) para la predicción y optimización de factores ambientales en granjas de cerdos. El modelo mejora la capacidad de búsqueda global del DBO al introducir el algoritmo de optimización del águila pescadora (OOA). El modelo híbrido utiliza la capacidad de optimización del DBO para ajustar inicialmente los datos de series temporales de factores ambientales y, posteriormente, combina la capacidad de captura de dependencia a largo plazo de las TCNs y la capacidad de procesamiento de secuencias no lineales de las GRUs para predecir con precisión los residuos del ajuste del DBO. En la predicción de la concentración de amoníaco, el modelo OTDBO-TCN-GRU muestra un excelente rendimiento con un error absoluto medio (MAE), un error cuadrático medio (MSE) y un coeficiente de determinación () de 0.0474, 0.0039 y 0.9871, respectivamente. En comparación con el modelo DBO-TCN-GRU, el OTDBO-TCN-GRU logra reducciones significativas del 37.2% y 66.7% en MAE y MSE, respectivamente, mientras que el valor se mejora en un 2.5%. En comparación con el modelo OOA, el OTDBO-TCN-GRU logró reducciones del 48.7% y 74.2% en las métricas de MAE y MSE, respectivamente, mientras que el valor mejoró en un 3.6%. Además, el modelo mejorado OTDBO-TCN-GRU tiene un error de predicción de menos de 0.3 mg/m para gases ambientales en comparación con otros algoritmos, y tiene menos influencia en cambios ambientales repentinos, lo que demuestra la robustez y adaptabilidad del modelo para la predicción ambiental. Por lo tanto, el modelo OTDBO-TCN-GRU, como se propone en este estudio, optimiza el rendimiento predictivo de las series temporales de factores ambientales y ofrece un apoyo sustancial para la toma de decisiones en el control ambiental en casas de cerdos.