基于物联网的草原生态监测系统和方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 110906986 A(43)申请公布日 2020.03.24

(21)申请号 201911267372.X(22)申请日 2019.12.11

(71)申请人 内蒙古工业大学

地址 010051 内蒙古自治区呼和浩特市新

城区爱民街49号(72)发明人 房建东　王晶　赵于东　(74)专利代理机构 北京金信知识产权代理有限

公司 11225

代理人 张放(51)Int.Cl.

G01D 21/02(2006.01)G06N 3/08(2006.01)G06K 9/62(2006.01)

权利要求书2页 说明书8页 附图2页

(54)发明名称

基于物联网的草原生态监测系统和方法(57)摘要

本申请属于草原生态地面监测的智能管控领域，特别涉及一种基于物联网的草原生态地面监测分类系统和方法。本申请公开的草原生态监测系统，包括：数据采集层，用于采集草原生态的植被呼吸数据和气象数据；数据传输层，用于将植被呼吸数据和气象数据传输到数据库；数据库，用于存储植被呼吸数据和气象数据；预处理单元，配置为对数据库中存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；监测单元，包括预先训练好的BP神经网络模型，配置为根据预处理后的植被呼吸数据和气象数据输出监测结果。本申请方案集感知、传输、分析为一体，监测影响草原生态变化的重要因素，为草地环境治理、修复、提升等工作提供决策支持。

CN 110906986 ACN 110906986 A

权　利　要　求　书

1/2页

1.一种基于物联网的草原生态监测系统，其特征在于，所述草原生态监测系统包括：数据采集层，所述数据采集层用于采集草原生态的植被呼吸数据和气象数据；数据传输层，所述数据传输层用于将所述数据采集层采集到的植被呼吸数据和气象数据传输到数据库；

数据库，所述数据库用于存储所述数据采集层采集到的植被呼吸数据和气象数据；预处理单元，所述预处理单元配置为对所述数据库中存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；

监测单元，所述监测单元包括预先训练好的BP神经网络模型，配置为根据所述预处理后的植被呼吸数据和气象数据输出监测结果。

2.根据权利要求1所述的基于物联网的草原生态监测系统，其特征在于，所述数据采集层包括：

二氧化碳通量监测子系统，其用于获取草原生态的二氧化碳排放通量；气象监测子系统，其用于采集草原生态的气象数据，所述气象数据包括：风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。

3.根据权利要求2所述的基于物联网的草原生态监测系统，其特征在于，所述气象监测子系统包括：

温湿度传感器，其用于采集草原生态的空气温度数据和空气湿度数据；光照传感器，其用于采集草原生态的光照强度数据；风速传感器，其用于采集草原生态的风速数据；土壤温湿度电导率传感器，其用于采集草原生态的土壤温度数据、土壤湿度数据和土壤导电率数据；

降雨量传感器，其用于采集草原生态的降雨量数据。

4.根据权利要求2所述的基于物联网的草原生态监测系统，其特征在于，所述数据传输层包括：

LoRa数据传输模块，所述二氧化碳通量监测子系统采集到的二氧化碳通量数据通过所述LoRa数据传输模块传输到所述数据库；

GPRS数据传输模块，所述气象监测子系统采集到的草原生态的气象数据通过所述GPRS数据传输模块传输到所述数据库。

5.根据权利要求1至4中任一项所述的基于物联网的草原生态监测系统，其特征在于，所述草原生态监测系统还包括神经网络训练模块，

所述神经网络训练模块用于根据监测目的预先对BP神经网络进行训练。6.根据权利要求5所述的基于物联网的草原生态监测系统，其特征在于，所述神经网络训练模块具体用于：

根据监测目的设定所述BP神经网络的输出类型值，并将植被呼吸数据和气象数据作为BP神经网络的训练样本；

初始化，将随机产生的权和阈值加到隐含层；顺序取训练样本输入到BP神经网络模型中，计算隐含层和输出层的输出值；分别计算隐含层和输出层相对于期望输出值的误差；如果计算出的误差不满足要求，则更新隐含层和输出层的权值，并继续取训练样本输入到BP神经网络模型中，以通过不断

2

CN 110906986 A

权　利　要　求　书

2/2页

更新所述权值使得计算出的误差满足要求。

7.一种基于物联网的草原生态监测方法，其特征在于，该方法包括下列步骤：采集草原生态的植被呼吸数据和气象数据；存储采集到的植被呼吸数据和气象数据；

对存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；

将预处理后的植被呼吸数据和气象数据输入预先训练好的BP神经网络模型，并输出监测结果。

8.根据权利要求7所述的草原生态监测方法，其特征在于，所述植被呼吸数据包括二氧化碳排放通量；

所述气象数据包括：风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。

9.根据权利要求7或8所述的草原生态监测方法，其特征在于，所述草原生态监测方法还包括：根据监测目的预先训练BP神经网络。

10.根据权利要求9所述的基于物联网的草原生态监测方法，其特征在于，所述根据监测目的预先训练BP神经网络，包括：

根据监测目的设定所述BP神经网络的输出类型值，并将植被呼吸数据和气象数据作为BP神经网络的训练样本；

初始化，将随机产生的权和阈值加到隐含层；顺序取训练样本输入到BP神经网络模型中，计算隐含层和输出层的输出值；分别计算隐含层和输出层相对于期望输出值的误差；如果计算出的误差不满足要求，则更新隐含层和输出层的权值，并继续取训练样本输入到BP神经网络模型中，以通过不断更新所述权值使得计算出的误差满足要求。

3

CN 110906986 A

说　明　书

基于物联网的草原生态监测系统和方法

1/8页

技术领域

[0001]本申请属于草原生态地面监测的智能管控领域，特别涉及一种基于物联网的草原生态地面监测分类系统和方法。

背景技术

[0002]目前,针对草原生态的监测方式主要采用地面调查、遥感技术和3S技术。其中，(1)地面调查：在野外采用路线调查和典型样地调查的方法，以旗(县)为单位，选择具有典型性和代表性的草地类型或草地利用变化的地段，以及预判中有疑难问题的区域布设样地。调查内容主要包括植物群落种类组成、结构、数量特征及植物生长状况，草地覆盖度、高度、不同种类植物的出现频次。地面调查是人工统计植物群落种类组成、结构、数量特征及植物生长状况，需要耗费大量的人力、物力，准确性依赖于技术人员，监测结果不可靠，监测样点的选择代表不了整体的生态状况。(2)遥感技术：应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。遥感成像是宏观监测，监测范围大、监测精度低，监测仪器昂贵。(3)3S技术由遥感技术(RS)、地理信息系统(GIS)和全球定位系统(GPS)构成，3S技术与地面草原植被路线考察相结合，是常用的研究方法，基于3S技术的草地退化的动态监测系统,借助GIS开发平台和可视化VB开发工具,以遥感影像数据和地面调查数据为基本的数据源。利用3S技术,实现了对草地退化适时监测、评估。3S技术是半自动化的监测手段，地面监测数据获取困难，且不具有实时、在线监测的功能。[0003]换言之，当前草原生态监测数据碎片化、人工化，草原生态评价片面化，草原生态监测系统不完整。草原生态监测数据获取困难，草原环境监测手段单一化，难以获得实时在线的草原生态监测数据。[0004]针对上述问题，本申请提出了一种基于物联网的草原生态监测系统和方法。发明内容

[0005]为了解决现有技术中的上述问题，即为了解决现有草原生态监测数据碎片化、人工化，草原生态评价片面化，草原生态监测系统不完整，以及草原生态监测数据获取困难，草原环境监测手段单一化，难以获得实时在线的草原生态监测数据的问题，本申请提出了一种基于物联网的草原生态监测系统，所述草原生态监测系统包括：数据采集层，所述数据采集层用于采集草原生态的植被呼吸数据和气象数据；数据传输层，所述数据传输层用于将所述数据采集层采集到的植被呼吸数据和气象数据传输到数据库；数据库，所述数据库用于存储所述数据采集层采集到的植被呼吸数据和气象数据；预处理单元，所述预处理单元配置为对所述数据库中存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；监测单元，所述监测单元包括预先训练好的BP神经网络模型，配置为根据所述预处理后的植被呼吸数据和气象数据输出监测结果。

[0006]在上述基于物联网的草原生态监测系统的优选实施方式中，所述数据采集层包

4

CN 110906986 A

说　明　书

2/8页

括：二氧化碳通量监测子系统，其用于获取草原生态的二氧化碳排放通量；气象监测子系统，其用于采集草原生态的气象数据，所述气象数据包括：风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。

[0007]在上述基于物联网的草原生态监测系统的优选实施方式中，所述气象监测子系统包括：温湿度传感器，其用于采集草原生态的空气温度数据和空气湿度数据；光照传感器，其用于采集草原生态的光照强度数据；风速传感器，其用于采集草原生态的风速数据；土壤温湿度电导率传感器，其用于采集草原生态的土壤温度数据、土壤湿度数据和土壤导电率数据；降雨量传感器，其用于采集草原生态的降雨量数据。

[0008]在上述基于物联网的草原生态监测系统的优选实施方式中，所述数据传输层包括：LoRa数据传输模块，所述二氧化碳通量监测子系统采集到的二氧化碳通量数据通过所述LoRa数据传输模块传输到所述数据库；GPRS数据传输模块，所述气象监测子系统采集到的草原生态的气象数据通过所述GPRS数据传输模块传输到所述数据库。[0009]在上述基于物联网的草原生态监测系统的优选实施方式中，所述草原生态监测系统还包括神经网络训练模块，所述神经网络训练模块用于根据监测目的预先对BP神经网络进行训练。

[0010]在上述基于物联网的草原生态监测系统的优选实施方式中，所述神经网络训练模块具体用于：根据监测目的设定所述BP神经网络的输出类型值，并将植被呼吸数据和气象数据作为BP神经网络的训练样本；初始化，将随机产生的权和阈值加到隐含层；顺序取训练样本输入到BP神经网络模型中，计算隐含层和输出层的输出值；分别计算隐含层和输出层相对于期望输出值的误差；如果计算出的误差不满足要求，则更新隐含层和输出层的权值，并继续取训练样本输入到BP神经网络模型中，以通过不断更新所述权值使得计算出的误差满足要求。

[0011]本申请还提供了一种基于物联网的草原生态监测方法，该方法包括下列步骤：采集草原生态的植被呼吸数据和气象数据；存储采集到的植被呼吸数据和气象数据；对存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；将预处理后的植被呼吸数据和气象数据输入预先训练好的BP神经网络模型，并输出监测结果。[0012]在上述基于物联网的草原生态监测方法的优选实施方式中，所述植被呼吸数据包括二氧化碳排放通量；所述气象数据包括：风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。

[0013]在上述基于物联网的草原生态监测方法的优选实施方式中，所述草原生态监测方法还包括：根据监测目的预先训练BP神经网络。

[0014]在上述基于物联网的草原生态监测方法的优选实施方式中，所述根据监测目的预先训练BP神经网络，包括：根据监测目的设定所述BP神经网络的输出类型值，并将植被呼吸数据和气象数据作为BP神经网络的训练样本；初始化，将随机产生的权和阈值加到隐含层；顺序取训练样本输入到BP神经网络模型中，计算隐含层和输出层的输出值；分别计算隐含层和输出层相对于期望输出值的误差；如果计算出的误差不满足要求，则更新隐含层和输出层的权值，并继续取训练样本输入到BP神经网络模型中，以通过不断更新所述权值使得计算出的误差满足要求。

[0015]本申请提供的基于物联网的草原生态监测系统集感知、传输、分析为一体，监测影

5

CN 110906986 A

说　明　书

3/8页

响草原生态变化的重要因素。具体而言，本申请运用嵌入式和物联网技术，可监测风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度、二氧化碳排放通量等影响草原生态变化的重要因素,运用物联网技术将监测到的特征数据上传到服务器的数据库进行存储，再利用训练好的BP神经网络模型，实现对天然草原的监测及分类识别，为草地环境治理、修复、提升等工作提供决策支持。[0016]利用本申请的技术方案可以获得实时在线的草原生态监测数据，及时对草原生态做分析评价，提高了时效性。而且本申请可以获得草原的气象、土壤、二氧化碳排放通量等多种有效评价指标，使得草原地面监测系统更完整，草原生态评价更全面，应用BP神经网络分类预测，预测结果可达到90％以上，提高了草地分类预测的准确性。附图说明

[0017]图1为本申请实施例的草原生态监测系统的示意性结构框图。[0018]图2为本申请实施例的二氧化碳通量监测子系统的示意性框图。[0019]图3为本申请实施例的气象监测子系统的示意性框图。

[0020]图4为本申请实施例的基于物联网的草原生态监测方法主要流程图。

具体实施方式

[0021]此处参考附图描述本申请的各种方案以及特征。[0022]应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为，而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。

[0023]包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。

[0024]通过下面参照附图对给定为非性实例的实施例的优选形式的描述，本申请的这些和其它特性将会变得显而易见。[0025]还应当理解，尽管已经参照一些具体实例对本申请进行了描述，但本领域技术人员能够确定地实现本申请的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。[0026]当结合附图时，鉴于以下详细说明，本申请的上述和其他方面、特征和优势将变得更为显而易见。

[0027]此后参照附图描述本申请的具体实施例；然而，应当理解，所申请的实施例仅仅是本申请的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。[0028]本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本申请的相同或不同实施例中的一个或多个。[0029]首先参照图1，图1为本申请实施例的草原生态监测系统的示意性结构框图。如图1

6

CN 110906986 A

说　明　书

4/8页

所示，本申请实施例的基于物联网的草原生态监测系统包括：数据采集层、数据传输层、数据库和处理层(处理层包括预处理单元和监测单元)。其中，数据采集层用于采集草原生态的植被呼吸数据和气象数据；数据传输层用于将数据采集层采集到的植被呼吸数据和气象数据传输到数据库；数据库用于存储数据采集层采集到的植被呼吸数据和气象数据；预处理单元配置为对数据库中存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；监测单元包括预先训练好的BP神经网络模型，配置为根据预处理后的植被呼吸数据和气象数据输出监测结果。按照该设计，本申请提供的基于物联网的草原生态监测系统集感知、传输、分析为一体，监测影响草原生态变化的重要因素，包括植被呼吸数据和气象数据。

[0030]在一种实施例中，数据采集层包括二氧化碳通量监测子系统，二氧化碳通量监测子系统用于获取草原生态的二氧化碳排放通量，作为示例，二氧化碳排放通量可以选用静态箱法，采样箱是用化学性质稳定的材料(如不锈钢、有机玻璃)制成的密闭性无底箱体，其容积和底面积都准确知道；测量时，用箱子将要测量的地表罩起来，每隔一段时间抽取采样箱内气体进行浓度测量；然后根据气体浓度随时间的变化率，计算被罩表面气体的排放量。[0031]参照图2，图2为本申请实施例的二氧化碳通量监测子系统的示意性框图。如图2所示，该子系统的数据采集部分包括二氧化碳传感器、温度传感器和气压传感器。其中，二氧化碳传感器采用MH-Z14NDIR红外二氧化碳气体浓度传感器，MH-Z14NDIR红外气体小模组是一个通用型、小型传感器，利用非色散红外(NDIR)原理对空气中存在的二氧化碳浓度进行探测，提供UART、模拟电压信号、PWM波形等多种输出方式。温度传感器和气压传感器采用BMP180气压温度传感器，BMP180气压温度传感器是由一个压阻传感器，模拟-数字转换器，E2PROM和一个串行IC接口构成的控制单元。控制器发送一个启动序列，启动压力或温度测量。转换时间后，结果值(UP或UT)可通过I2C接口读取。该二氧化碳通量监测子系统选择超低功耗的MSP430作为主控制芯片，活动模式只需要330μA，对于最大的电流输出组合，1天消耗电池能量：12mA*24＝288mah，按锂电池28mah电池容量，能用9天。[0032]静态箱法的二氧化碳排放通量根据如下公式计算：

[0033][0034]

上式中，F为二氧化碳排放通量(mgCm-2s-1)，

表示采样箱在采样期间

(1min)CO2浓度随时间的变化率(μmolmol-1s-1)，h是采样箱的高度(m),ρ0是标准大气条件下

(T0＝273K,P0＝1013hPa)CO2的密度(gm-3)，T是采样箱内的空气温度(K),P是采样箱内的大气压(hPa)。

[0035]作为另一种实施例，二氧化碳排放通量还可以选用动态箱法。开放式动态箱法测定温室气体排放的基本原理是:空气从采样箱一侧的进气口进人箱内，流经密封的地表，然后从采样箱的另一侧出口流出。土壤表面与大气交换的气体通量可通过气流进、出口处的浓度差、流速和箱覆盖面积等参数算出，计算公式如下：

[0036]

式中，F为二氧化碳排放通量(mgCm-2s-1)，Q为通过箱子的空气流量；C1为采样箱内空气(即流出采样箱的气体)所含被测气体浓度；C2为流入箱子的气体所含被测气体浓度；ρ

[0037]

7

CN 110906986 A

说　明　书

5/8页

为被测气体(二氧化碳)密度；A为采样箱底面积。[0038]数据传输层包括LoRa数据传输模块。LoRa是LPWAN(Low Power Wide Area Network，低功耗广域网)通信技术中的一种，是一种基于扩频技术的超远距离无线传输方案。LoRa支持低功耗省电模式，适合电池供电场合，传输距离3000米(空旷视距)，而MSP430是业界最低功耗的嵌入式系统，具有低功耗、远距离、可移动等特点。二氧化碳通量监测子系统采集到的二氧化碳通量数据通过LoRa数据传输模块传输到服务器的数据库。[0039]在该实施例中，数据采集层还包括气象监测子系统子系统，气象监测子系统用于采集草原生态的气象数据，包括：风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。参照图3，图3为本申请实施例的气象监测子系统的示意性框图。如图3所示，气象监测子系统包括温湿度传感器(用于集草原生态的空气温度数据和空气湿度数据)、光照传感器(用于采集草原生态的光照强度数据)、风速传感器(用于采集草原生态的风速数据)、土壤温湿度电导率传感器(用于采集草原生态的土壤温度数据、土壤湿度数据和土壤导电率数据)、降雨量传感器(用于采集草原生态的降雨量数据)。该气象监测子系统采用STM32作为主控制模块。数据传输层还包括GPRS数据传输模块，气象监测子系统采集到的草原生态的气象数据通过GPRS数据传输模块传输到服务器的数据库进行存储。[0040]在本实施例中，数据采集层采集的影响草原生态变化的重要因素主要为9种类型，分别为二氧化碳排放量、风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。然后通过数据传输层(LoRa和GPRS)将采集到的数据传输到数据库进行存储。

[0041]数据库将数据采集层采集到的影响草原生态变化的9种特征数据进行存储。数据描述如下表1：

[0042]表1元数据描述

[0043]

8

CN 110906986 A

说　明　书

6/8页

[0044]

[0045]

预处理单元对数据库中存储的9种特征数据进行预处理得到预处理后的数据，包

括数据预处理和数据关联。监测单元包括预先训练好的BP神经网络，将预处理后的数据作为BP神经网络的输入，对数据进行融合预测，输出监测结果。从而实现对天然草原生态的监测，为草地环境治理、修复、提升等工作提供决策支持。[0046]在一种具体的实施例中，草原生态监测系统还包括神经网络训练模块，神经网络训练模块用于根据监测目的预先对BP神经网络进行训练。具体地，根据监测目的设定BP神

9

CN 110906986 A

说　明　书

7/8页

经网络的输出类型值，并将植被呼吸数据和气象数据作为BP神经网络的训练样本；初始化，将随机产生的权和阈值加到隐含层；顺序取训练样本输入到BP神经网络模型中，计算隐含层和输出层的输出值；分别计算隐含层和输出层相对于期望输出值的误差；如果计算出的误差不满足要求，则更新隐含层和输出层的权值，并继续取训练样本输入到BP神经网络模型中，以通过不断更新所述权值使得计算出的误差满足要求。[0047]举例而言，当监测目的是预测草原的三种生长类型(如典型草原、荒漠化草原、草甸草原)，先对BP神经网络进行训练，将数据采集层采集到的9种特征数据作为BP神经网络的输入，并以布尔类型值001、010、100三种类型作为神经网络输出，其分别代表了草原的三种生长类型。其训练步骤如下：[0048]S10、初始化，即将随机产生的权和阈值wsq(0)＝Random(·)(sq为ij、jk)加到隐含层。其中，ωij(0)和ωjk(0)为初始化输入层、隐含层和输出层神经元之间的连接权值。[0049]S20、在p个训练样本(每个训练样本包括数据采集层采集到的9种特征数据)中，顺序取样本输入到BP神经网络模型中，先取一个训练样本输入n1＝1，计算隐层以及输出层输出分别为：

[0050]

[0051][0052]

其中，x'为隐含层输出，d为输出层输出，θθx为输1为隐含层阈值，2为输出层阈值，

入向量。式中的函数f为：

[0053][0054][0055]

f为隐含层激励函数，该函数有多种表达式，其中ωj和θj为表达式系数。S30、判断误差

是否满足要求，满足则训练结束，否则就按照上式

从输出层开始逐层计算各层的误差，计算如下：

[0056]

[0057]其中，为隐含层的误差，为输入层的误差，tk为期望输出，dk为预测输出，

为隐含层p1的期望输出，

[0058]

为隐含层p1的预测输出，为隐含层p1输出。

S40、按上式从后往前调节各层的权值，具体计算如下：

[0059]

[0060]

其中，wjk(n0+1)为更新后的隐含层权值，wjk(n0)为初始权值，η为学习速率。

10

CN 110906986 A[0061]

说　明　书

8/8页

S40、调节完之后，继续输入样本，用新权重复步骤二中的计算过程，直至误差满足

要求，则停止训练。[0062]S50、保存训练好的BP神经网络，并用训练好的BP神经网络进行预测。[0063]按照上述训练步骤对BP神经网络进行训练，训练好的BP神经网络能够预测草原的三种生长类型。当监测目的改变，例如需要预测草原的四种生长类型(如典型草原、荒漠化草原、草甸草原和高寒草原)，或者需要预测荒漠化草原的不同生长期(如生长初期、生长中期和生长末期)，又或者根据实际需要的其他监测目的，可以通过不同的监测目的设置不同的类型值作为BP神经网络的输出，同样以9种特征类型作为BP神经网络的输入，对BP神经网络进行训练，再利用训练好的BP神经网络模型进行预测。[00]本申请运用嵌入式和物联网技术，可监测风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度、二氧化碳排放通量,运用物联网技术将9种特征数据上传到服务器的数据库进行存储，再利用训练好的BP神经网络模型，实现对天然草原的监测及分类识别，为草地环境治理、修复、提升等工作提供决策支持。[0065]利用本申请提供的监测系统，可以获得实时在线的草原生态监测数据，及时对草原生态做分析评价，提高了时效性。而且本申请可以获得草原的气象、土壤、二氧化碳排放通量等多种有效评价指标，使得草原地面监测系统更完整，草原生态评价更全面，应用BP神经网络分类预测，预测结果可达到90％以上，提高了草地分类预测的准确性。[0066]本申请还提供了一种基于物联网的草原生态监测方法，该方法包括下列步骤：S110、采集草原生态的植被呼吸数据和气象数据；S120、存储采集到的植被呼吸数据和气象数据；S130、对存储的植被呼吸数据和气象数据进行预处理得到预处理后的植被呼吸数据和气象数据；S140、将预处理后的植被呼吸数据和气象数据输入预先训练好的BP神经网络，并输出监测结果。其中，植被呼吸数据包括二氧化碳排放通量；气象数据包括风速、降雨量、空气温度、空气湿度、光照强度、土壤导电率、土壤温度和土壤湿度。上述步骤S110-S140的具体实施方式参照上文说明，在此不再赘述。

[0067]本申请提供的草原生态监测方法还包括步骤S150、根据监测目的预先训练BP神经网络。步骤S150包括：S151、根据监测目的设定BP神经网络的输出类型值，并将植被呼吸数据和气象数据作为BP神经网络的训练样本；S152、初始化，将随机产生的权和阈值加到隐含层；S153、顺序取训练样本输入到BP神经网络模型中，计算隐含层和输出层的输出值；S154、分别计算隐含层和输出层相对于期望输出值的误差；如果计算出的误差不满足要求，则更新隐含层和输出层的权值，并继续取训练样本输入到BP神经网络模型中，以通过不断更新所述权值使得计算出的误差满足要求。具体训练步骤参照上述实施例，在此不再赘述。[0068]本申请提供的基于物联网的草原生态监测方法，可以获得实时在线的草原生态监测数据，及时对草原生态做分析评价，提高了时效性。而且本申请可以获得草原的气象、土壤、二氧化碳排放通量等多种有效评价指标，使得草原地面监测系统更完整，草原生态评价更全面，应用BP神经网络分类预测，预测结果可达到90％以上，提高了草地分类预测的准确性。

[0069]以上实施例仅为本申请的示例性实施例，不用于本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

11

CN 110906986 A

说　明　书　附　图

1/2页

图1

图2

12

CN 110906986 A

说　明　书　附　图

2/2页

图3

图4

13