En el proceso de producción agrícola en invernaderos solares, la clave para el crecimiento saludable de los cultivos de invernadero radica en predecir con precisión las condiciones ambientales. Sin embargo, existen acoplamientos complejos y relaciones no lineales entre los parámetros ambientales del invernadero. Este estudio desarrolló de forma independiente un sistema de adquisición ambiental de invernadero para lograr un método integral para el monitoreo del ambiente de invernadero. Además, propuso un modelo de predicción ambiental multi-parámetro y multi-nodo para invernaderos solares basado en el mecanismo de Optimización de Chacal Dorado-Red Neuronal Convolucional-Unidad Recurrente Bidireccional de Atención Propia (GCBS). El modelo GCBS captura con éxito las complejas relaciones no lineales en el ambiente del invernadero y predice con precisión cambios en la concentración de dióxido de carbono, temperatura y humedad del aire, y temperatura del suelo en diferentes nodos de ubicación. Para validar el rendimiento de este modelo, empleamos múltiples métricas de evaluación y realizamos un análisis comparativo con cuatro modelos base. Los resultados indican que, si bien el modelo GCBS muestra un tiempo computacional ligeramente mayor en comparación con la red Long Short-Term Memory (LSTM) tradicional para la predicción de series temporales, supera significativamente al LSTM en términos de precisión de predicción para cuatro parámetros clave, logrando mejoras del 76.89%, 69.37%, 59.83% y 56.72%, respectivamente, según la métrica de Error Absoluto Medio (MAE).