随着物联网的快速发展与应用，其物理层不同类型的传感器累积产生了海量的多源异构数据。然而，如何选择、利用更合适的传感器数据，以及实现多源异构数据的协同，是目前物联网发展中面临的重要问题。因此，本文利用不同类型的神经网络对多源异构时间数据、时间与空间数据之间进行协同处理。本文以动态草畜平衡系统为例，通过对卫星传感器获取的归一化植被指数(NDVI)数据与地面气象传感器产生的降雨量数据进行协同处理与分析，预测未来年份NDVI的时空数据，进而对研究区域的草产量与理论载畜量进行时空预测，实现未来年份牲畜种类、数量的时空优化配置，最终实现一种基于物联网的动态草畜平衡系统的功能，即实现智慧草原。本文基于多种神经网络方法的多源异构数据协同理论和方法研究，具有重要的理论和应用意义。本文的主要贡献和创新点总结如下：
　　1.本文首次采用带有外部输入的非线性自回归神经网络(NARX)对生长季降雨量时间数据建模。结果表明，基于NARX建模产生的不同站点降雨量预测数据与实际数据之间的相关性系数均大于0.93。基于NARX的降雨量时间数据预测模型能够精确捕捉不同年份生长季降雨量数据之间的动态关系，准确预测出未来年份生长季降雨量的变化趋势，提高了干旱半干旱草原地区生长季降雨量时间数据的预测精度。
　　2.针对星地传感器感知的降雨量与NDVI时间数据之间的协同，本文提出采用NARX建模实现降雨量与NDVI之间的协同映射。结果表明，基于降雨量数据协同获得的NDVI预测数据与实际数据之间的相关性系数大于0.94。本文利用NARX模型的特殊结构，成功地表征了生长季降雨量与NDVI之间的动态关系，并捕捉到了两者之间存在的延迟效应(或延迟时间)。
　　3.结合基于NARX的降雨量自回归预测模型及降雨量与NDVI之间的协同映射模型，本文提出利用混合神经网络(NARX-BPNN-NARX)实现降雨量与NDVI时空数据的协同方法。其中，利用反向传播神经网络(BPNN)建立的降雨量时间-空间数据协同模型，能够精确产生与经度、纬度、海拔、时间(年)对应的降雨量空间数据，进而利用混合神经网络获得植被NDVI的时空数据(相关性系数大于0.95)，可成功实现基于物联网的动态草畜平衡系统功能。