CN113273555A - 一种人工智能虫情预测***及预测方法 - Google Patents

Abstract

本发明公开了一种人工智能虫情预测***及预测方法对虫害的监测预警工作显得尤为重要，因此虫情监测***通过联网，为虫情测报工作提供了一套基于大数据的综合管理、分析服务，可以更好的深度了解病虫害发生规律,进一步提升了病虫害防治水平，服务于绿色农业和有机农业，前景广阔；本***开发的开发成本较低，用户可通过用户端登录查看设备情况，能方便的进行操作，成本相对较低。

Description

一种人工智能虫情预测***及预测方法

技术领域

本发明涉及到智能虫情预测的技术领域，尤其涉及到一种人工智能虫情预测***及预测方法。

背景技术

病虫害对农作物的影响更是巨大。除了虫灾爆发之后的打药杀灭措施，虫情测报工作更是植保工作中的重中之重，虫情测报信息是否及时、准确有效实施，是保证虫口夺粮效果的关键。我们指导虫情防治一旦错过恰当时机，作物损失就会很大。而虫情监测***集各种信息化技术于一身，不仅能完成作物病虫害的实时监测和测报，还能够实时传输虫情信息和分析处理虫情信息，让虫情能够准确为用户所知，对作物病虫害及时准确防治起着至关重要的作用。病虫预测预报一直以来都是农业病虫害防治中的重要内容，历来该项工作都受到植保部门的高度重视。而近年来随着科学技术的发展，在虫情监测***等仪器***的帮助之下，我国不少地区的虫情监测水平都上了一个新的台阶，有效提高了病虫预测预报的科学性，确保了监控监测数据的准确、可靠及真实有效，也为保障粮食生产安全做出了突出的贡献。

国内外现有的虫情测报***也叫可视化虫情测报灯，利用现代光、电、数控集成技术，采用4G技术，实现自动完成诱虫、杀虫、拍照、运输、收集、排水等***作业，并将环境气象和虫害情况上传到指定农业云平台，满足虫情预测预报及标本采集的需要。不过这样的***存在如下的缺点：

1.***通常可识别的虫子种类较少，识别准确率较低。由于采用了普通的图像识别技术，无法大量识别虫子的种类和数量。

2.***通常需要将当地的摄像头图像、温湿度、气压等信息传回云平台，由于网络流量的限制，通常是间隔较长时间才传回一次数据，不能及时查看每台虫情测报灯的实时情况。

3.所有的虫情灯设备没有互联功能，单台设备通常只服务于特定的农户，农户和农户之间没有共享信息。***没有决策建议功能，无法根据各地设备的虫情情况，判断出地区、或者全国的虫情情况，做到统一决策。

4.设备的普及率较低，使用设备的农户还较少。

5.这样的***通常造价高昂，单台设备即高达十数万元，对于普通农户来说无法承担。

发明内容

本发明的目的在于提供一种人工智能虫情预测***及预测方法，用于提升了病虫害防治水平，服务于绿色农业和有机农业，前景广阔。

一种人工智能虫情预测***，根据信息生成、传输及处理和应用的不同层次，包括感知层、传输层、服务平台和应用层：

所述感知层通过监测***对各监测区域进行全时段、多维度虫情数据采集，实时获取虫情探测数据；

所述传输层用于把所述感知层实时获取的虫情探测数据传输至所述服务平台；

所述服务平台根据所述传输层传来的虫情探测数据，进行分析以及做出相应的判断，作为所述感知层的感知数据和所述应用层的业务联接；

所述应用层根据所述服务平台对所述感知层的虫情探测数据的处理与分析，供使用者查看并做出相应的处理。

上述的人工智能虫情预测***，所述监测***包括GIS监控单元、监测监控单元和视频AI单元；各个单元根据不同应用场景和网络环境，对应地接入所述传输层。

上述的人工智能虫情预测***，所述GIS监控单元用于通过检测设备端的传感器，根据地理信息、视频中心、数据统计、趋势变化、排名分析以及类型统计，产生GIS监控数据，将产生的GIS监控数据发送至所述服务平台。

上述的人工智能虫情预测***，所述监测监控单元用于根据检测设备端的摄像装置，通过视频分析、参数融合、遥感图像、数据清洗、数据校正以及补传导入对图像数据分析处理，将处理后的图像数据发送至所述服务平台。

上述的人工智能虫情预测***，所述服务平台包括预警预测单元，包括时序预测模型、多因素模型、多元回归模型、空间聚集模型、时空聚集模型以及综合预测模型，用于根据所述图像数据和GIS监控数据进行预警和预测，通过选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的当天害虫数量值作为模型训练阶段的期望输出值，根据所述选定输入量和期望输出量，构建BP神经网络模型，根据当前测得的数据，使用所述BP神经网络模型对虫情的发展情况进行预测。

上述的人工智能虫情预测***，所述服务平台还包括应急数据库，用于根据当前情况的预警和预测，判断是否处于应急情况，展示所述应急数据库信息，所述应急数据库信息包括但不限于预案库、专家库、案例库、知识库、模型库以及文档库。

上述的人工智能虫情预测***，所述应用层包括指挥调度单元，用于当处于应急情况时根据所述应急数据库信息对所述监测区域进行指挥调度。

上述的人工智能虫情预测***，所述应用层还包括用户终端，用于查看所述GIS监控数据和图像数据，所述用户终端与所述服务平台信号连接。

上述的人工智能虫情预测***，所述传输层包括通信单元，所述通信单元的网络传输方式包括ZigBee、LoRa、SmartMesh IP、BLE、WIFI、Sigfox、GSM/GPRS、4G LTE或NB-IoT中的任一种。

一种基于人工智能虫情预测***的预测方法，包括：

步骤A，监测***发送控制命令至各个单元并开启所述各个单元；

步骤B，所述各个单元记录当前监测区域的虫情数据；

步骤C，检测设备端的传感器，产生GIS监控数据；

步骤D，拍摄虫情的图像，对图像数据分析处理；

步骤E，将所述图像数据和GIS监控数据发送至服务平台；

步骤F，所述服务平台根据所述图像数据和GIS监控数据进行预警和预测；

步骤G，所述服务平台判断是否处于应急情况并展示应急数据库信息；

步骤H，当处于应急情况时，所述应用层根据所述应急数据库信息对所述监测区域进行指挥调度。

上述技术方案具有如下优点或有益效果：

本发明这种人工智能虫情预测***及预测方法对虫害的监测预警工作显得尤为重要，因此虫情监测***通过联网，为虫情测报工作提供了一套基于大数据的综合管理、分析服务，可以更好的深度了解病虫害发生规律,进一步提升了病虫害防治水平，服务于绿色农业和有机农业，前景广阔；本***开发的开发成本较低，用户可通过用户端登录查看设备情况，能方便的进行操作，成本相对较低。

附图说明

图1是本发明一种人工智能虫情预测***的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

结合图1所示，一种人工智能虫情预测***，根据信息生成、传输及处理和应用的不同层次，包括感知层1、传输层2、服务平台3和应用层4：

所述感知层1通过监测***对各监测区域进行全时段、多维度虫情数据采集，实时获取虫情探测数据；

所述传输层2用于把所述感知层1实时获取的虫情探测数据传输至所述服务平台3；

所述服务平台3根据所述传输层2传来的虫情探测数据，进行分析以及做出相应的判断，作为所述感知层1的感知数据和所述应用层4的业务联接；

所述应用层4根据所述服务平台3对所述感知层1的虫情探测数据的处理与分析，供使用者查看并做出相应的处理。

基于人工智能的虫情监测物联网***是本项目需要研制的新一代图像式测报工具。利用现代光、电、数控集成技术，实现虫体远红外自动处理，传送带运输，整灯自动运行等功能。能够在无人监管的情况下，自动完成诱虫、杀虫、虫体分散、拍照、运输、收集、排水等***作业，将环境气象和虫害情况上传到指定的智慧农业云平台，在网页端显示识别虫子的种类及数量，根据识别结果，对虫害的发生进行分析和预测，为实现现代农业提供服务，满足虫情预测及标本采集的需要。

因此本发明的主要内容包括：

1.自动化的虫情监测

虫情监测***可以在无人值守的情况下，自动诱集害虫，处理和分装虫体，24小时不断地监测区域内的虫情信息，可有效弥补人工监测不到位不及时等不足，既省时省力，有提高了监测效果。

2.基于人工智能的机器视觉图像分析

虫情监测***配置了工业级的摄像头，可对收集的害虫进行拍照,拍摄的照片清晰，明显，为进一步远程分析虫情数据提供了可靠的图像材料。虫情监测***使用了人工智能深度学习的技术对虫体进行识别，识别种类多，识别准确率高。

3.采用物联网技术自动保存和远程的信息传输

虫情监测***可以将获取的虫情信息自动保存下来,并及时上传到远端，而测报人员只需要在控制平台,就可以轻松获取这些数据，并进行智能分析。

4.移动化、通用化操作更便捷

虫情监测***支持手机等移动设备和计算机等通用设备，可以灵活使用这些操作设备进行查看和管理，十分方便。

5.基于大数据的综合管理、分析服务

今后农业的发展趋势将会是大数据农业，因此虫情监测***通过联网，为虫情测报工作提供了一套基于大数据的综合管理、分析服务，可以更好的深度了解病虫害发生规律,进一步提升了病虫害防治水平，服务于绿色农业和有机农业。

6.采用物联网技术的进行设备互联

所有的设备都能联网向云平台提供图像、温度、湿度、气压、大气污染物等信息。

7.智能杀虫***

在虫情预报的基础上，辅以智能杀虫***，才能有效控制虫害。智能杀虫***能够根据地区的虫子类别和虫子数量，智能决定杀虫剂的种类和用量，实现精准杀虫。

8.辅助管理人员进行决策

该***还能够有效减轻各地区植保人员的工作压力和工作强度，提高基层部门门的虫情监测水平，在保障地方农业作物安全和高效生产中发挥了重要的作用。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述监测***包括GIS监控单元11、监测监控单元12和视频AI单元13；各个单元根据不同应用场景和网络环境，对应地接入所述传输层。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述GIS监控单元11用于通过检测设备端的传感器，根据地理信息、视频中心、数据统计、趋势变化、排名分析以及类型统计，产生GIS监控数据，将产生的GIS监控数据发送至所述服务平台3。可以根据该虫情检测设备端的各个传感器，根据地理位置、视频中心、数据统计、趋势变化、排名分析以及类型的统计，自动的GIS一张详细的图，方便我们直观的查看各个数据以及设备所在位置。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述监测监控单元12用于根据检测设备端的摄像装置，通过视频分析、参数融合、遥感图像、数据清洗、数据校正以及补传导入对图像数据分析处理，将处理后的图像数据发送至所述服务平台3。摄像装置可以进行拍摄以及将拍摄的虫子进行智能化的识别，在监测监控中，可以进行对摄像头所拍视频的分析、参数的融合、遥感图像、对数据进行清洗、数据校正以及补传导入，可以对数据及时的处理，节省了人工处理数据的时间。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述服务平台3包括预警预测单元31，包括时序预测模型、多因素模型、多元回归模型、空间聚集模型、时空聚集模型以及综合预测模型，用于根据所述图像数据和GIS监控数据进行预警和预测。

通过采集获得原始建模数据，选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的那天害虫数量值作为模型训练阶段的期望输出值；根据所述选定输入量和期望输出量，构建BP神经网络模型，所述BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，所述输入层的输入指标是所述选定输入量，所述输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差E；用当前训练数据训练所述BP神经网络模型，训练的时候训练数据使用历史上第X天检测到的该害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强作为输入，第X+n天该虫子的数量作为输出，n表示未来第n天；根据当前测得的数据，模型应用，使用所述BP神经网络模型对虫情的发展情况进行预测。

当模型训练好之后，便可以使用该模型对虫情的发展情况进行预测。将当前的害虫的数量、检测到该害虫的时间、害虫所在地的空间经度、纬度、该地温度、湿度、大气压强信息输入到BP神经网络的输入层之中，便可以得到未来第n天的该害虫的数量。在实际使用中可以将n设定为1、7、30或者365，训练四个BP神经网络，分别用来预测次日、下周、下个月或者下一年的该害虫数量发展情况。

人工智能虫情预测算法采用人工智能中的BP神经网络。本发明采用的BP网络是由输入层，输出层以及多个隐层节点互连而成的一种多层网,这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系。

所述输入层、隐含层和输出层均包括与与虫种类相对应的节点。

当所述虫种类有M种，所述输入层为M+7个节点，所述输出层M个节点，所述隐含层为M+50个节点。

具体实施例1，虫情预测方面可以构建一个输入层为7个节点，输出层1个节点，中间隐含层为15个节点的BP神经网络。将输入层的P1到P7替换为以下其方面的数值：

P1:检测到的该害虫的数量；

P2:检测到该害虫的时间；

P3:害虫所在地的空间经度；

P4:害虫所在地的空间纬度；

P5:害虫所在地温度；

P6:害虫所在地湿度；

P7:害虫所在地大气压强；

而输出O₁则可以替换为预测的第n天的该害虫的数量，该模型中隐藏层的激活函数采用Relu函数，输出层的激活函数采用线性函数。

具体实施例2，用于预测未来某天，多种害虫的数量趋势。当假设需要预测的害虫种类有M种，可以构建一个输入层为M+6个节点，输出层M个节点，中间隐含层为M+15个节点的BP神经网络。将输入层的P1到P_M替换为输入的第M种害虫数量，P_M+1到P_M+6替换为以下其方面的数值：

P_M+1此次检测到害虫的时间、

P_M+2此次检测所在地的空间经度、

P_M+3此次检测所在地的空间纬度、

P_M+4此次检测所在地的温度、

P_M+5此次检测所在地的湿度、

P_M+6此次检测所在地的大气压强。

而输出O₁到O_M则可以替换为预测的第n天的该害虫的数量。该模型中隐藏层的激活函数采用Relu函数，输出层的激活函数采用线性函数。训练的时候训练数据使用历史上第X天检测到的所有害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强作为输入，第X+n天所有虫子的数量作为输出。n表示未来第n天。

具体实施例3，用于预测未来一年内任意一天，多种害虫的数量发展趋势，训练的四种模型(n＝1,n＝7,n＝30和n＝365),合并为一个模型，并且可以预测任一一天的害虫数量趋势。当假设需要预测的害虫种类有M种，可以构建一个输入层为M+7个节点，输出层M个节点，中间隐含层为M+50个节点的BP神经网络。将输入层的P1到PM替换为输入的第M种害虫数量，PM+1到PM+7替换为以下其方面的数值：

PM+1此次检测到害虫的时间、

PM+2此次检测所在地的空间经度、

PM+3此次检测所在地的空间纬度、

PM+4此次检测所在地的温度、

PM+5此次检测所在地的湿度、

PM+6此次检测所在地的大气压强。

PM+7预测未来第n天的天数(n可以取1—365之间的任意整数)

而输出O₁到O_M则可以替换为预测的第n天的该害虫的数量。该模型中隐藏层的激活函数采用Relu函数，输出层的激活函数采用线性函数。训练的时候训练数据使用历史上第X天检测到的所有害虫的数量、时间、空间经度、空间纬度、温度、湿度、大气压强、未来的天数n作为输入，第X+n天所有虫子的数量作为输出。n表示未来第n天。所述隐藏层的激活函数采用Relu函数，所述输出层的激活函数采用线性函数。

本项目采用的BP神经网络通过“训练”这一事件来得到输入和输出之间合适的线性或者非线性关系。“训练”过程可以分为前向传输和后向传输两个阶段。

所述前向传输阶段包括：从指标中取一个样本P_i、Q_j,将P_i输入网络；计算出误差测度E_i和实际输出O_i；重复调整权重，直到∑E_i＜ε。

所述后向传输阶段包括：计算实际输出O_p与理想输出O_i的差；通过所述输出层的误差调整所述输出层权矩阵；通过所述输出层的误差估计所述输出层的前导层的误差，以此获得其他各层的误差估计；通过误差估计实现对权值矩阵的修改，形成将所述输出端的误差沿着与输出信号相反的方向逐级向所述输出端传递。

所述误差计算公式为

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述服务平台3还包括应急数据库32，用于根据当前情况的预警和预测，判断是否处于应急情况，展示所述应急数据库信息，所述应急数据库信息包括但不限于预案库、专家库、案例库、知识库、模型库以及文档库。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述应用层4包括指挥调度单元41，用于当处于应急情况时根据所述应急数据库信息对所述监测区域进行指挥调度。在对数据处理并且做出预警后，则需要对其进行指挥调度，而我们可以通过多种方式进行调度，比如应急通讯录、调度语音电话、语音广播、视频会议、会务通知以及推送公告等多种方式来进行指挥调度。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述应用层4还包括用户终端42，用于查看所述GIS监控数据和图像数据，所述用户终端42与所述服务平台3信号连接。

进一步地，本发明一种人工智能虫情预测***的较佳的实施例中，所述传输层2包括通信单元，所述通信单元的网络传输方式包括ZigBee、LoRa、SmartMesh IP、BLE、WIFI、Sigfox、GSM/GPRS、4G LTE或NB-IoT中的任一种。

一种基于人工智能虫情预测***的预测方法，包括：

步骤A，监测***发送控制命令至各个单元并开启所述各个单元，包括打开诱光灯、开合舵机、控制传送带转动、控制加热仓加热，控制拍照等；

步骤B，所述各个单元记录当前监测区域的虫情数据，包括温湿度数据、大气压强、加热仓温度、加热仓工作状态、设备的经纬度信息、拍摄的图像、害虫的识别结果；

步骤C，检测设备端的传感器，产生GIS监控数据，包括地理位置、视频中心、数据统计、趋势变化、排名分析以及类型的统计；

步骤D，拍摄虫情的图像，对图像数据分析处理，在监测监控中，可以进行对摄像头所拍视频的分析、参数的融合、遥感图像、对数据进行清洗、数据校正以及补传导入，可以对数据及时的处理，节省了人工处理数据的时间；

步骤E，将所述图像数据和GIS监控数据发送至服务平台；

步骤F，所述服务平台根据所述图像数据和GIS监控数据进行预警和预测，通过预警预测，方便了人们对未来可能的情况进行提前准备；

步骤G，所述服务平台判断是否处于应急情况并展示应急数据库信息；

步骤H，当处于应急情况时，所述应用层根据所述应急数据库信息对所述监测区域进行指挥调度，可以通过多种方式进行调度，比如应急通讯录、调度语音电话、语音广播、视频会议、会务通知以及推送公告等多种方式来进行指挥调度。

本发明这种人工智能虫情预测***及预测方法主要是基于AI+5G的虫情测报***的设计，主要分为GIS一张图，监测监控，预警预测，指挥调度以及应急数据库组成，其中GIS一张图则又由地理信息、视频中心、数据统计、趋势变化、排名分析以及类型统计组成，监测监控又由视频分析、参数融合、遥感图像、数据清洗、数据校正以及补传导入组成，预警预测则由时序预测、多因素、多元回归、空间聚集、时空聚集、综合预测模型组成，指挥调度则则有应急通讯录、调度语音电话、语音广播、视频会议、会务通知、推送公告组成，而最后的的应急数据库，则有预案、专家、案例、知识、模型、文档等库组成。

综上所述，本发明这种人工智能虫情预测***及预测方法对虫害的监测预警工作显得尤为重要，因此虫情监测***通过联网，为虫情测报工作提供了一套基于大数据的综合管理、分析服务，可以更好的深度了解病虫害发生规律,进一步提升了病虫害防治水平，服务于绿色农业和有机农业，前景广阔；本***开发的开发成本较低，用户可通过用户端登录查看设备情况，能方便的进行操作，成本相对较低。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

Claims (10)

1.一种人工智能虫情预测***，其特征在于，根据信息生成、传输及处理和应用的不同层次，包括感知层(1)、传输层(2)、服务平台(3)和应用层(4)：

所述感知层(1)通过监测***对各监测区域进行全时段、多维度虫情数据采集，实时获取虫情探测数据；

所述传输层(2)用于把所述感知层(1)实时获取的虫情探测数据传输至所述服务平台(3)；

所述服务平台(3)根据所述传输层(2)传来的虫情探测数据，进行分析以及做出相应的判断，作为所述感知层(1)的感知数据和所述应用层(4)的业务联接；

所述应用层(4)根据所述服务平台(3)对所述感知层(1)的虫情探测数据的处理与分析，供使用者查看并做出相应的处理。

2.如权利要求1所述的人工智能虫情预测***，其特征在于，所述监测***包括GIS监控单元(11)、监测监控单元(12)和视频AI单元(13)；各个单元根据不同应用场景和网络环境，对应地接入所述传输层。

3.如权利要求2所述的人工智能虫情预测***，其特征在于，所述GIS监控单元(11)用于通过检测设备端的传感器，根据地理信息、视频中心、数据统计、趋势变化、排名分析以及类型统计，产生GIS监控数据，将产生的GIS监控数据发送至所述服务平台(3)。

4.如权利要求2所述的人工智能虫情预测***，其特征在于，所述监测监控单元(12)用于根据检测设备端的摄像装置，通过视频分析、参数融合、遥感图像、数据清洗、数据校正以及补传导入对图像数据分析处理，将处理后的图像数据发送至所述服务平台(3)。

5.如权利要求3或权利要求4所述的人工智能虫情预测***，其特征在于，所述服务平台(3)包括预警预测单元(31)，包括时序预测模型、多因素模型、多元回归模型、空间聚集模型、时空聚集模型以及综合预测模型，用于根据所述图像数据和GIS监控数据进行预警和预测，通过选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的当天害虫数量值作为模型训练阶段的期望输出值，根据所述选定输入量和期望输出量，构建BP神经网络模型，所述BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，所述输入层的输入指标是所述选定输入量，所述输出层的输出指标为期望输出量，根据实际预测精度要求，设定期望误差E，根据当前测得的数据，使用所述BP神经网络模型对虫情的发展情况进行预测；所述输入层、隐含层和输出层均包括与与虫种类相对应的节点；所述隐藏层的激活函数采用Relu函数，所述输出层的激活函数采用线性函数。

6.如权利要求5所述的人工智能虫情预测***，其特征在于，所述服务平台(3)还包括应急数据库(32)，用于根据当前情况的预警和预测，判断是否处于应急情况，展示所述应急数据库信息，所述应急数据库信息包括但不限于预案库、专家库、案例库、知识库、模型库以及文档库。

7.如权利要求6所述的人工智能虫情预测***，其特征在于，所述应用层(4)包括指挥调度单元(41)，用于当处于应急情况时根据所述应急数据库信息对所述监测区域进行指挥调度。

8.如权利要求7所述的人工智能虫情预测***，其特征在于，所述应用层(4)还包括用户终端(42)，用于查看所述GIS监控数据和图像数据，所述用户终端(42)与所述服务平台(3)信号连接。

9.如权利要求1所述的人工智能虫情预测***，其特征在于，所述传输层(2)包括通信单元，所述通信单元的网络传输方式包括ZigBee、LoRa、SmartMesh IP、BLE、WIFI、Sigfox、GSM/GPRS、4G LTE或NB-IoT中的任一种。

10.一种基于人工智能虫情预测***的预测方法，其特征在于，包括：

步骤A，监测***发送控制命令至各个单元并开启所述各个单元；

步骤B，所述各个单元记录当前监测区域的虫情数据；

步骤C，检测设备端的传感器，产生GIS监控数据；

步骤D，拍摄虫情的图像，对图像数据分析处理；

步骤E，将所述图像数据和GIS监控数据发送至服务平台；

步骤F，所述服务平台根据所述图像数据和GIS监控数据进行预警和预测；

步骤G，所述服务平台判断是否处于应急情况并展示应急数据库信息；

步骤H，当处于应急情况时，所述应用层根据所述应急数据库信息对所述监测区域进行指挥调度。

Images