基于人工神经网络的森林地表死可燃物含水率预测系统的制作方法

本发明专利属于森林死可燃物含水率预测技术领域，主要是涉及森林环境因子监测与传输以及森林地表死可燃物含水率的预测，用于提高森林火险预警系统的准确程度。

背景技术：

森林环境因子包括，林内温度、湿度、风速、大气压强等变量，它们对整个森林生态系统有着错综复杂的影响。森林环境因子的变化可以反映森林地表可燃物含水率的变化情况，持续变化的环境因子数据可用于预测森林地表死可燃物含水率。

目前，监测森林地表死可燃物含水率常用的方法是称重法，称重法只能定点采样，监测局部含水率，不能实现森林大范围内的可燃物含水率预测。并且成本较高，监测速度慢，不宜于实时监测。

人工神经网络可以处理复杂的综合的非线性系统。

研究森林地表死可燃物含水率有助于研究森林防火。

技术实现要素：

本发明针对现有技术的不足，设计了一种基于人工神经网络的森林地表死可燃物含水率预测系统。旨在解决在森林这种复杂环境下，通过对森林环境因子的数据采集与无线传感器网络的远距离传输，利用神经网络处理数据，预测森林地表死可燃物含水率。

所述的死可燃物含水率预测系统的硬件，它包括供电模块，传感器数据采集与定位模块，数据处理模块，lora无线传输网络，利用人工神经网络算法的远程服务器，显示终端。所述传感器采集模块与定位模块采集环境因子数据和地理位置信息数据，单片机分析处理数据后，再将数据进行打包传递给lora数据发射模块，通过无线传输网络汇聚到网关，利用gprs网络发送给远程服务器，远程服务器利用人工神经网络对采集回来的环境因子的数据进行处理，并合理预测森林地表死可燃物含水率，显示在终端上。

所述的供电模块为太阳能供电供电系统，智能传感器数据采集与定位模块、数据处理模块、lora无线传输网络均为太阳能蓄电池供电。

所述的智能传感器数据采集与定位模块主要有空气温湿度传感器、气压传感器、风速传感器、gps定位模块，主要用于环境因子的采集。采集后的数据被传递到stm32f103单片机，单片机对数据进行简单的判断，是否发生错误，如果数据采集没有错误，将数据进行打包，每隔1个小时发送给lora模块。

所述的数据处理模块为stm32f103单片机。通过对传感器采集的数据进行数据分析与处理，然后将数据传入lora无线传感网络。

所述的lora无线传感网络，由lora模块组成。通过对lora模块的合理布置，实现对森林的全覆盖，通过使用免授权ism频段进行数据传输。

所述远程服务器，主要是利用人工神经网络算法对实测的森林环境因子数据进行分析和处理，得出森林地表死可燃物含水率，并将数据传递给显示终端。其主要是同时也可以通过地图模式实时查询某个节点的森林环境因子以及地表死可燃物含水率。

所述显示终端包括地图显示、森林环境因子显示、森林地表死可燃物含水率的显示。

优选的，所述单片机通信采用时分复用技术来实现lora模块与远程服务器之间的数据传输。

优选的，所述布局信息包括传感器采集与lora传输模块的安置个数与安置位置。

本发明提供的基于人工神经网络的森林地表死可燃物含水率预测系统，模拟人脑结构以及它的信息处理方式，成功将森林地表死可燃物含水率和森林环境因子联系起来，通过监测森林的环境因子来预测森林地表死可燃物含水率；同时组建的智能无线传感器网络既保证了通信的质量，又大大降低了成本。

附图说明

附图1是本发明的基于人工神经网络的森林地表死可燃物含水率预测系统总体结构关系图

附图2是本发明的太阳能供电电路图

附图3是数据采集与定位模块原理图

附图4是lora与mcu的管脚连接图

附图5是htu21d湿度传感器基本原理图

附图6是bmp180温压传感器基本原理图

附图7是gps定位模块基本原理图

附图8是人工神经网络结构图

具体实施方式

对照附图1，本发明分为森林环境因子数据采集与定位模块，lora无线传感网络，死可燃物含水率显示模块(数据处理与显示模块)。由太阳能供电系统为智能传感器，单片机以及无线传感器网络供电。图2中的太阳能供电系统电路提供6v电压，lt1073经由13ω电阻检测充电电流，在镍镉电池中维持16ma的固定充电电流。lt1073内的低电压测定器在太阳能板的输出电压降到4v时，将关断充电电路；而当输出升到5v以上，lt1073正常工作，对电池进行充电。从而提供系统在野外工作电源。

搭建无线传感器网络：每个数据采集与定位模块(无线网络节点)包含智能传感器模块，gps定位模块，stm32f103单片机数据简单处理，lora数据发送模块，以及太阳能供电系统。无线网络节点等距分布在森林区域内。lora传感器网络由lora节点和lora网关构成，lora模块通过自组网的形式形成无线传感网络。然后，簇首节点将采集到的环境数据传送至网关系统中汇聚节点，经由网关系统中的gprs通信模块将传感器节点采集的数据经由internet网络和gprs网络发送至监测中心。远程监测中心对采集到的参量进行分析处理。

数据分析处理及显示模块，主要有远程服务器构成。根据所搭建的关于森林环境因子与死可燃物含水率的人工神经网络，对采集的森林环境因子数据进行处理，预测森林地表死可燃物含水率。

人工神经网络的搭建与训练过程，确定训练网络样本：由森林地表死可燃物的特性可知，地表死可燃物的含水率会受到林间温度、林间湿度、林间风速、林间大气压强这4个森林间环境因子的影响，这4个因子便是网络输入样本，“森林地表死可燃物含水率”便是网络训练的输出样本(见附图8)。通过林间监测获得大量数据，构成训练样本。假设训练样本为300对，其中输入样本为x，数据规模为4×300的矩阵。由于量纲不同，要先对数据进行归一化处理。

确定网络的初始参数：最大训练次数为5000次，隐含层(中间层)神经元数量为3，确定网络学习的速度为0.035，训练的目标误差为0.65×10^-3。

初始化网络权值和阈值：确定第一层和第二层的权值wij(t)为3×4的随机数矩阵；第二层的神经元阈值bij(t)为3×1的矩阵；同理，第二层和第三层之间的权值wjk(t)为1×3的随机数矩阵；同理，第三层阈值bjk(t)为1×1的矩阵。

计算各层神经元的输入和输出：第一层神经元放置的为线性函数，即为f(x)＝x，所以网络第一层输入和输出等于实际输入样本的值，即i1＝o1＝x，也是一个4×300的矩阵；对于第二层神经元输入：i2＝wij×x+bij×ones，假设第二层的神经元激励函数为单极s型函数，即为则第二层神经元的输出：第三层输入：i3＝wjk×o2+bjk×ones，第二层的神经元激励函数为线性函数，即为f(x)＝x，则第三层输出：o3＝i3。

计算能量函数以及各层间的权值和阈值调整值：能量函数e＝∑(y-o3)²；

第二层到第三层之间权值和阈值调整量：

权值调整量：

阈值调整量：

计算第一层与第二层之间权值和阈值调整量

权值调整量：

阈值调整量：

计算调整之后的权值和阈值：

把t时刻的各层次的权值和阈值加上各自调整量赋予t+1时刻的权值和阈值

网络输出值的还原：在之前训练网络时，输入和输出样本对都经过了归一化处理，所以需要将o3还原为原始数据的量级。

远程服务器将接受到的森林环境因子数据作为上述训练后网络的输入层，利用该神经网络进行数据处理，预测森林地表死可燃物含水率。

作为本发明的一种优选技术方案：所述传感器网络为lora通讯网络，可以24小时监控对森林的气象数据和地理数据，并进行分析处理，对森林地表死可燃物含水率进行预测，并将预测信息及时发布，节省人力物力。

作为本发明的一种优选技术方案：所述数据分析处理与显示模块中，远程服务器利用人工神经网络的算法对数据进行分析处理，具有较高的数据处理速度和一定的自适应性，能更准确高效地得到森林地表死可燃物含水率。

上面对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，如在农业种植监督方面同样适用。