Los modelos de redes neuronales autoregresivas exógenas (NARX), autorregresivas de media móvil integrada (ARIMA) y perceptrón multicapa (MLP) han sido ampliamente utilizados para predecir el valor de aparición de puntos futuros para datos de series temporales. Sin embargo, en los últimos años, se han propuesto nuevos enfoques para predecir datos de series temporales basados en diversas redes de aprendizaje profundo. En este artículo, intentamos predecir cómo varios factores ambientales con información de series temporales afectan los rendimientos de tomates mediante la combinación de un modelo estadístico tradicional de series temporales y un modelo de aprendizaje profundo. En la primera mitad del modelo propuesto, utilizamos una red LSTM basada en atención para identificar variables ambientales que afectan los datos de series temporales para los rendimientos de tomates. En la segunda mitad del modelo propuesto, utilizamos el modelo ARMA como modelo de análisis estadístico de series temporales para mejorar la diferencia entre los rendimientos reales y los rendimientos predichos dados por la red LSTM basada en atención en la primera mitad del modelo propuesto. A continuación, pronosticamos los rendimientos de tomates en el futuro en función de los valores medidos de variables ambientales dados durante el período observado utilizando un modelo construido mediante la integración de los dos modelos. Finalmente, el modelo propuesto se aplicó para determinar qué factores ambientales afectan la producción de tomate, y al mismo tiempo, se realizó un experimento para investigar qué tan bien se pueden predecir los rendimientos de tomate. A partir de los resultados de los experimentos, se encontró que el método propuesto predice de manera más eficiente y mejor el valor de respuesta utilizando variables exógenas que los modelos existentes. Además, descubrimos que los factores ambientales que afectan en gran medida los rendimientos de tomate son la temperatura interna, la humedad interna y el nivel de CO.