我国拥有较大林区面积,林区火灾的监测一直是我国环境问题中亟待解决的问题。如此大的林区,如果有火灾发生,带来的损失,将不可估计。为防止火情扩大,造成更大损失,因而对林区火灾的实时监测,显得十分必要。首先,分析了林区火灾监测研究中的关键技术,如物联网技术,无线传感网络技术,多感信息融合和LoRa技术,并介绍了林区火灾预测中的几种常用算法。接着,对整个林区火灾监测系统做了硬件设计,包括传感器设计,无线通信模块设计,主控制器设计,4G模块设计。综合分析整个林区火灾系统的能耗,采用太阳能锂电池供电,结果表明可以保障整个系统的长时间运行。基于LoRa低功耗广域物联网技术,建立了林区火灾以LoRa为主的无线传感器网络。由于林区环境大,设计了一种多中继的无线网络传输方式与协议,网关节点以轮询方式与中继节点信息交互,中继节点又通过轮询方式与感知节点信息交互。这样保证了整个网络的数据收发有序性,保证网络的稳定运行。主控制器将网关节点数据发送给4G入网,从而建立林区火灾监测平台和林区火灾监测数据库,可以实时检测和调取林区的火灾环境的数据。最后,建立了林区火灾参数辨识模型,对数据库中的火灾参数进行决策级信息融合。由于传统的林区火灾预测学习算法缺点较大如BP神经网络,缺点有算法复杂训练速度慢、精度差等,此外,该算法需要多次修正参数,如权值和阈值使整个系统很难达到全局最优。极限学习机是典型的单隐含层前馈神经网络,学习速度快,但其在训练过程中会产生不同的输入权重和偏置阈值,因此本文提出一种粒子群优化的极限学习林区火灾辨识模型。利用该模型对林区的火灾环境数据进行决策级信息融合,优化输入权值和阈值,得到了很好的林区火灾预测效果。优化后的极限学习机相比于传统的方法,其网络训练速度提高了数千倍,预测精度更高。