本发明公开了一种基于CNN‑BiLSTM融合神经网络的温室甘蓝潜在蒸散量预测方法，该方法根据温室内自主部署的小型气象站获取甘蓝生长环境的气象数据，使用FAO‑56推荐的Penman‑Monteith方法计算甘蓝潜在蒸散量作为数据基础。按照时间序列对数据进行重采样处理，构成数据集。通过融合卷积神经网络和双向长短期记忆神经网络，构建CNN‑BiLSTM神经网络模型，使用训练集进行模型训练优化，利用优化后的CNN‑BiLSTM模型预测温室甘蓝ET0。本方案采用深度卷积神经网络和循环神经网络融合的方法增强了模型的学习能力和适应能力，具有较强的可移植性，对温室气象数据分析更加灵敏，较其他方法，简化了流程，使用更加便捷。通过调整模型的结构参数和输入参数，对模型的精度和稳定性产生了较大的提升，在节约资源的同时，为农业灌溉提供了有效帮助。