Los patrimonios culturales son recursos invaluables y no renovables. Los mecanismos de advertencia existentes suelen basarse en el análisis de degradación para evaluar los factores de riesgo ambiental. Sin embargo, tienen limitaciones como la complejidad de la investigación, la poca generalización y advertencias insuficientes. Para abordar estos problemas, proponemos un modelo híbrido que combina la red neuronal de memoria a corto y largo plazo (LSTM) y mecanismos de atención con factores ambientales para detectar anomalías en el patrimonio cultural. El mecanismo de atención extrae dependencias temporales, mientras que LSTM captura patrones globales a largo plazo, mejorando la capacidad de reconstrucción. Además, introducimos anomalías estacionales, de tendencia, shapelet y mixtas para enriquecer las muestras positivas y negativas y proponemos un nuevo método de extracción de umbral para reducir la dependencia del conocimiento previo. Experimentos extensos demuestran que LSTM-Attention supera a los métodos anteriores, con un error cuadrático medio (RMSE) de 34.328, un error absoluto medio (MAE) de 27.060 y el mayor valor de área bajo la curva característica de operación del receptor (AUC), resaltando la superioridad y efectividad de nuestro método. El estudio de ablación prueba la contribución del mecanismo de atención, y el paso de reconstrucción puede ajustarse de manera flexible según las necesidades prácticas. Finalmente, el algoritmo se ha implementado con éxito en ingeniería y se ha empleado en la práctica, proporcionando pautas valiosas para la preservación de edificios antiguos en todo el mundo.