La predicción de la temperatura de almacenamiento de granos es crucial para la seguridad de los silos y puede prevenir de manera efectiva el moho y la humedad causados por el aumento de la temperatura de los granos y la condensación debido a la disminución de la temperatura de los granos. Sin embargo, los métodos de predicción actuales conducen a redundancia de información al capturar dependencias temporales y espaciales, lo que disminuye la precisión de la predicción. Para abordar este problema, este artículo introduce un modelo transformador de fusión de características multi-escala adaptativo (AMSformer). En primer lugar, el modelo utiliza el mecanismo de atención de canal adaptativo (ACA) para ajustar los pesos de los diferentes canales según las características de los datos de entrada y suprimir los canales irrelevantes o redundantes. En segundo lugar, AMSformer emplea el mecanismo de atención multi-escala (MSA) para capturar de manera más precisa las dependencias en diferentes escalas de tiempo. Por último, las capas de ACA y MSA se integran mediante un codificador jerárquico (HED) para utilizar eficientemente la información adaptativa multi-escala, mejorando la precisión de la predicción. En este estudio, se utilizan datos reales de temperatura de granos y seis conjuntos de datos disponibles públicamente para validación y comparación de rendimiento con nueve modelos existentes. Los resultados demuestran que AMSformer supera en 36 de los 58 casos de prueba, destacando sus ventajas significativas en precisión y eficiencia de predicción.