BioVIEW：面向远程生物多样性评估的太阳能物联网自动监测平台

《IEEE Transactions on AgriFood Electronics》：BioVIEW: Automatic Remote Nondestructive Platform for Biodiversity Evaluation

本文推荐一项针对生物多样性监测难题的创新研究。为解决传统人工监测效率低、破坏性强的问题，研究团队开发了太阳能驱动的双摄像头物联网（IoT）站BioVIEW，集成温度/湿度传感、可编程LED诱虫灯及双模通信（蜂窝网络/LoRaWAN）。通过橄榄实蝇（Bactrocera oleae）案例验证，支持向量机（SVM）模型准确率达0.86，能量分析显示移动端推理能耗低至7 J。该平台实现了远程无损监测，为生态保护提供可持续技术方案。

　　

在全球气温上升1.1℃、海平面升高0.20米及极端天气频发的背景下，生物多样性正以前所未有的速度衰退。昆虫作为传粉者、害虫调控者和养分循环载体，其数量锐减严重威胁生态系统稳定和全球粮食安全。然而，传统依赖人工诱捕、计数和分类鉴定的监测方法不仅耗时耗力，还会对生物造成伤害，难以实现大范围连续观测。如何在不干扰自然栖息地的条件下，获取高频次、高分辨率的生物多样性数据，成为生态学和农业管理领域的迫切需求。

近年来，低成本传感器、嵌入式计算和边缘端计算机视觉算法的突破，为自动化监测带来转机。发表于《IEEE Transactions on AgriFood Electronics》的这项研究，提出了名为BioVIEW的创新型监测平台——一种太阳能供电、具备双摄像头配置的物联网（IoT）站，专为远程生境的长期、无损生物多样性评估而设计。该平台通过能量感知硬件架构、事件驱动采集策略和灵活的边缘分析框架，实现了在严苛功耗约束下的可持续运行，为生态监测提供了可扩展的技术路径。

研究团队在西班牙巴利阿里群岛（包括马略卡、梅诺卡、伊维萨等岛屿）部署了10个监测站，通过固定间隔成像构建数据集，并选择橄榄实蝇作为概念验证案例。利用仅62张标注图像训练支持向量机（SVM）模型，准确率达到0.86，在连续两周的野外测试中，累计计数误差不超过一个个体。能量分析显示，在不同树莓派（RPi）平台上，推理能耗介于7 J（MobileNet on RPi 4）至12 J（SVM on RPi 3）之间，证实了边缘分析在低功耗场景下的可行性。

关键技术方法包括：1）采用木质与铝型材构建的低功耗硬件架构，集成双64 MP摄像头、DHT22温湿度传感器与30 W光伏供电系统；2）双模通信策略，蜂窝网络用于图像传输，LoRaWAN用于遥测数据低功耗回传；3）基于cron的调度算法控制图像采集、照明与数据传输；4）非破坏性诱虫机制，结合可编程LED（白光/紫外）与彩色面板吸引目标昆虫。样本来源为巴利阿里群岛野外部署的10个监测站所采集的图像数据，其中橄榄实蝇案例使用62张标注图像（45张训练/验证，15张测试）。

系统架构

BioVIEW站采用上下双舱室设计，上舱面向飞行昆虫，配备蓝黄彩色面板和可编程LED；下舱专注于地表昆虫，避免诱虫元件引入采样偏差。硬件核心为树莓派（RPi）控制器，搭配DHT22传感器（温度精度±0.5°C，湿度精度2% RH）和64 MP自动对焦摄像头。能源系统依靠30 W太阳能板与双12 V电池，确保数月自主运行。

远程通信

平台采用蜂窝与LoRaWAN双通信模式。初期以蜂窝网络传输图像，LoRaWAN专用于环境遥测；未来计划将LoRaWAN作为主链路，仅在上传关键图像或固件更新时启用蜂窝网络，以减少能耗与数据流量。该策略借鉴了TinyML层次化决策系统，通过边缘推理降低无线传输需求。

站点控制算法

软件层面通过cron调度器周期执行连接、LED控制、图像采集与传输任务，同时设硬件按钮（重启、连接、反向隧道）支持现场维护。该设计实现了正常条件下的自主运行与异常时的人工干预分离。

诱虫方法

通过多模态刺激提升监测效率：紫外与白光LED吸引夜行昆虫，蓝黄彩色面板利用昆虫趋光性吸引日行种类。所有诱虫机制均为非粘性、非致命性，符合伦理监测原则。

固定间隔成像与数据集生成

每15分钟采集一帧图像的策略构建了涵盖不同光照与天气条件的连续图像档案，为监督学习提供基础数据。尽管部分帧无生物活动，但该方式为模型训练积累了必要样本。

案例研究：橄榄实蝇检测

在马略卡岛西南部实验果园中，两个站点（N10、N17）被用于监测橄榄实蝇。使用62张图像（501个目标标本与979个非目标对象）进行训练与测试。数据增强后，比较随机森林（RF）、支持向量机（SVM）、VGG-16与MobileNet四种模型。结果显示SVM准确率最高（0.86），RF次之（0.85），而深度学习模型因数据量不足表现较差（准确率0.59）。SVM模型部署后，连续两周监测中累计计数与人工计数误差不超过一个个体，且能稳定识别新旧个体。

能量分析

在RPi 1上，RF与SVM能耗分别为100.78 J与43.94 J；RPi 3中，MobileNet能耗最低（7.45 J），SVM为12.49 J；RPi 4上MobileNet仍保持最优（7.32 J）。结果表明，轻量模型（如MobileNet、SVM）在边缘设备上具备能效优势，为长期野外部署提供支持。

BioVIEW平台通过太阳能供电、双摄像头配置与边缘分析能力的结合，证明了其在严苛环境下实现无损、连续昆虫监测的可行性。研究通过橄榄实蝇案例表明，在少量标注数据下，经典机器学习模型（如SVM）可达到实用精度，且边缘推理能耗可控。未来工作将聚焦于扩展数据集、优化事件触发采集逻辑，并在更多生态系统中验证平台性能。该研究为生物多样性评估与精准害虫管理提供了低成本、可扩展的技术方案，其以LoRaWAN为核心的通信架构与本地智能决策机制，为远程环境监测设立了新标准。