Las tecnologías de agricultura inteligente son instrumentos efectivos para aumentar la sostenibilidad y producción agrícola. Generan muchas corrientes de datos espaciales, temporales y de series temporales que, cuando se analizan, pueden revelar varios problemas en la productividad y eficiencia agrícola. En este contexto, la detección de anomalías puede ayudar en la identificación de observaciones que se desvían de la norma. Este documento propone una adaptación de un detector de anomalías de conjunto llamado combinación selectiva localmente mejorada en conjuntos de valores atípicos en paralelo (ELSCP). Sobre esta base, definimos una metodología basada en datos no supervisada para datos temporales de agricultura inteligente que se aplica en dos estudios de caso. El primero considera datos de cosecha que incluyen trazas del Sistema de Posicionamiento Global (GPS) de la cosechadora. El segundo está dedicado a datos de cultivos donde estudiamos la relación entre el estado del cultivo (dañado o no) y las anomalías detectadas. Nuestros experimentos muestran que nuestra metodología logró un rendimiento interesante con un puntaje de Área Bajo la Curva de Precisión-Recuperación (AUCPR) de 0.972 en el conjunto de datos de la cosechadora, que es mejor que el del segundo mejor enfoque. En el conjunto de datos de cultivos, nuestro análisis mostró que las anomalías detectadas podrían estar directamente relacionadas con el daño de los cultivos. Por lo tanto, la detección de anomalías podría integrarse en el proceso de decisión de los operadores agrícolas para mejorar la eficiencia de la cosecha y la salud de los cultivos.