تحليل الموثوقية عبر الطبقات واستراتيجيات التحسين متعددة الأهداف التكيفية للحافة للنمذجة الفيزيائية الشبكية في إدارة CPS الذكية للزراعة الذكية

Summary

يقدم هذا البروتوكول استراتيجية نمذجة وتحسين عبر الطبقات لإدارة الطبقات الذكية للبيوت الزجاجية، مما يتيح تقييما قابلا للتكرار للموثوقية والأداء البيئي.

Abstract

الطلب المتزايد على الغذاء والضغوط المناخية تدفع تنفيذ الزراعة الذكية، لكن الأنظمة السيبرانية-الفيزيائية الحالية تفتقر إلى التكامل الموثوق عبر الطبقات والمرونة في الوقت الحقيقي، مما يحد من الأداء في البيئات الديناميكية. يهدف هذا البروتوكول إلى توفير استراتيجية نمذجة وتحسين الفيزيائية السيبرانية متعددة الطبقات للزراعة الدفيئة الذكية. ويظهر إمكانية التطبيق لتعزيز موثوقية وقدرة التكيف على أنظمة الزراعة السيبرانية-الفيزيائية. يدمج هذا النهج طبقة فيزيائية مع نموذج استمرارية التربة والنبات والغلاف الجوي ومعايرة فلتر كالمان الجماعي (EnKF) لتوقع رطوبة التربة بدقة. يتضمن طبقة شبكة تستخدم الاندماج متعدد البروتوكولات مع نمذجة شبكة بتري العشوائية لتقييم موثوقية الاتصالات. طبقة التحكم تبني على نظام هجين عشوائي لتنسيق اتخاذ القرار المشترك. يتم تقييم الموثوقية بشكل إضافي من خلال إطار مؤشر وظيفي-زمني-بيئي، بينما يجمع التحسين بين التعلم المعزز متعدد الأهداف مع قيود السلامة والتعلم الفوقي البايزي لتمكين التكيف السريع أثناء تبديل المحاصيل. يضمن النشر الذكي على الحافة تحكما قويا أثناء انقطاعات الاتصالات. تظهر نتائج زراعة الطماطم الدفيئة في شوغوانغ، الصين، أداء قابلا للتكرار ومستقرا في التنبؤ بالإنتاجية، وكفاءة استخدام المياه، وفترة السيطرة على الكمون تحت ظروف صعبة. توفر هذه المنهجية سير عمل عملي وقابل للتكرار لتنفيذ أنظمة سيبرانية-فيزيائية زراعية متكيفية وموثوقة.

Introduction

ينمو عدد سكان العالم بسرعة، وتراجع توفر الموارد، مما يغير طريقة تطوير الزراعة. النماذج التقليدية للزراعة، حيث تكون العمالة والمواد عالية ويعتمد على الظروف الطبيعية قويا، لا يمكنها أن توفر الكفاءة والاستدامة. لقد أصبحت الزراعة الذكية، في هذه الحالة، النهج التحويلي. يتيح ذلك تحقيق إدراك كامل للميدان، واتخاذ قرارات دقيقة، والسيطرة الذكية على المجال من خلال دمج إنترنت الأشياء، وتحليلات البيانات الضخمة، والذكاء الاصطناعي، وأنظمة المعلومات المكانية، مما يعزز كفاءة استخدام الموارد ويساهم في الإنتاج الزراعي المستدام ^1,2.

سوق الزراعة الذكية ينمو بشكل هائل حول العالم، والولايات المتحدة تنمو في تقنيات الزراعة الدقيقة، وإسرائيل في الري الموفر للمياه، واليابان في مجال أنظمة الديفيئة الذكية³. في الصين، أدت^{خطة التنمية الوطنية} الخمسية الرابعة عشرة لتطوير الزرعة والريف إلى التحول الرقمي للزراعة، مما أدى إلى تقدم في التربية الرقمية، والآلات الذكية، ومشاريع الزراعة الذكية القائمة على نطاق^{واسع 4}. يشير إنترنت الأشياء (IoT) إلى شبكة من أجهزة التنشيط والاستشعار المتصلة التي تجمع البيانات وتتبادلها وتعالجها. ومع ذلك، حتى مع هذه التطورات، لا تزال هناك مشاكل في تغطية شبكات إنترنت الأشياء، ودقة وموثوقية المستشعرات، وتبادل المعلومات بين الأنظمة، والوصول إلى فهم متعدد التخصصات تحد من التنفيذ الواسع^{النطاق 5,6}.

الأنظمة السيبرانية-الفيزيائية (CPS) في الزراعة هي محور هذا المشهد في ربط إدراك البيئة بالتحكم الذكي⁷. جمع نظام CPS بين العمليات الحاسوبية والفيزيائية المرتبطة بأجهزة الاستشعار ووحدات التحكم وشبكات الاتصالات. ومع ذلك، تعتمد طرق النمذجة الحالية عادة على استقلالية الطبقات الفيزيائية والشبكية والتحكم، مما يحد من تفاعل الطبقات ويقلل من القدرة التنبؤية أثناء الاضطرابات الديناميكية⁸. كما تركز تقييمات الموثوقية الحالية على الأبعاد الوظيفية والزمانية، بينما لا تزال الموثوقية البيئية، مثل كفاءة استخدام المياه وقيود ملوحة التربة^{، غير} مستكشفة بشكل كاف. علاوة على ذلك، تعتمد العديد من استراتيجيات التحسين على التدريب غير المتصل بالإنترنت، مما يؤدي إلى تأخير في الاستنتاج القائم على الحافة وصعوبة التكيف مع التغيرات البيئية أو السريعة في المحاصيل¹⁰.

تزداد شعبية مراقبة البيوت المحمية باستخدام أجهزة الاستشعار، لكنها لا تزال تواجه العديد من العقبات التي تمنع قبول أكثر. محدودة قابلية التوسع والموثوقية للنظام بسبب ارتفاع تكاليف النشر وعدم توازن جودة المستشعرات. تعتمد طرق النمذجة المستخدمة في مراقبة البيوت المحمية باستخدام أجهزة الاستشعار على فرضية الظروف البيئية المستقرة، وأنماط نمو المحاصيل المتسقة، ونقل المعلومات بشكل موثوق عبر شبكات الاتصالات. ومع ذلك، فإن هذه الافتراضات ليست صحيحة في العديد من الظروف التي تحدث داخل البيوت الزجاجية. تشير هذه القيود إلى وجود حاجة لتصميم وتنفيذ إطار عمل قادر على التعامل مع القراءات الضوضاء غير المستمرة من أجهزة الاستشعار، وتقلبات في مصدر طاقة المستشعرات أثناء الاستخدام، وفترات فقدان الاتصال دون المساس بجودة الأداء أو جدوى التنفيذ.

لمعالجة هذه القيود، يقدم هذا البروتوكول سير عمل نمذجة وتحسين عبر الطبقات قابل للتكرار يدمج العمليات الفيزيائية والشبكية وعملية التحكم في إطار موحد. تستخدم الطبقة الفيزيائية نموذج استمرارية التربة والنبات والغلاف الجوي مع معايرة فلتر كالمان الجماعي لتوقع رطوبة التربة^{بدقة 11}. تستخدم طبقة الشبكة دمج متعدد البروتوكولات باستخدام نموذج شبكة بتري عشوائية لقياس موثوقية الاتصال. على مستوى التحكم، يسمح النظام الهجين العشوائي باتخاذ قرارات مشتركة عبر الطبقات. يستخدم نظام المؤشر الوظيفي-الزمني-البيئي لقياس الموثوقية، ويستخدم التعلم العميق متعدد الأهداف لتحسين هذا النظام، مع قيود السلامة والتعلم الفوقي البايزي، الذي يستخدم للتكيف السريع مع تبديل المحاصيل. يوفر النشر الذكي على الحافة أيضا متانة النظام لمشاكل الانقطاع أثناء الاتصال. من خلال دمج هذه العناصر، يقدم البروتوكول طريقة منهجية وقابلة للتكرار لتحسين استقرار ومرونة تطبيقات CPS في الزراعة الذكية¹².

هذا البروتوكول مناسب لبيئات البيئات الدفيئة متوسطة إلى كبيرة النطاق (800-1500 متر مربع) مع شبكات حساسات لاسلكية متنوعة لمراقبة التربة والمناخ الدقيق وثاني أكسيد الكربون. لتوفير تحكم في الوقت الحقيقي، يوصى بدقة عينة لا تقل عن 5 دقائق، مع ضرورة التواصل بين LoRa/NB-IoT لنشر العقد المتعددة (>200 عقدة). يتم إثبات سير العمل لإنتاج الطماطم في البيت الزجاجي، لكنه يمكن تطبيقه على محاصيل مثل الخيار والفلفل والخضروات الورقية من خلال إعادة ضبط المعلمات ونقل التعلم الفوقي.

يعتمد البروتوكول على دورة عمل متتابعة حيث تحدد النمذجة الفيزيائية رطوبة التربة، وتحدد طبقة الشبكة استقرار نقل البيانات، وتنتج طبقات التحكم + التحسين سياسات الري والتسميد التي توفر الاستقرار البيئي والتشغيلي. يوضح الشكل 1 سير العمل المقترح عبر الطبقات بين النظام السيبراني-الفيزيائي.

Protocol

يلاحظ أنه لا توجد تجارب على البشر أو الفقارية ضمن هذا البروتوكول. في حال حدوث أي دراسات مستقبلية تتضمن مشاركة بشرية أو عينات بيولوجية، يجب أن تتم الموافقة عليها من قبل لجنة المراجعة المؤسسية المعنية، ويجب تسجيل رقم الموافقة قبل التنفيذ.

1. تجهيز الموقع والمعدات

ملاحظة: تبني هذه الخطوة شبكة مستشعرات موحدة، توفر معلومات دقيقة ومزامنة عن البيئة لاستخدامها في النمذجة والتحكم الفيزيائي اللاحق.

1. حدد موقع الدفيئة عن طريق إدخال إحداثيات GPS في برنامج المراقبة. اختر نوع المحاصيل من مكتبة المحاصيل المقدمة وحدد الأهداف البيئية (درجة الحرارة: 20-28 درجة مئوية، الرطوبة النسبية: 50٪-70٪).
2. سجل أبعاد الدفيئة وأنظمة التهوية وتكوين التظليل.
3. مزامنة جميع الأجهزة مع ساعة موحدة باستخدام بروتوكول زمن الشبكة (NTP)¹³.
4. قم بتركيب_حساسات رطوبة التربة ودرجة الحرارة والرطوبة والضوء وثاني أكسيد الكربون وفقا لمواصفات الشركة المصنعة.
   1. قم بتركيب 60 حساس رطوبة ودرجة حرارة تربة لاسلكي (دقة ±2٪)، و10_{مستشعرات} رطوبة وثاني أكسيد الكربون 2 (_{± دقة} 30 جزء في المليون ثاني أكسيد الكربون 2)، و4 حساسات ضوء متعددة الأطياف. استخدم تباعد شبكي بمقدار 6 م × 5 أمتار لوضع حساسات التربة على أعماق 10 و20 و30 سم. اعتمادا على وظيفتها، تستخدم جميع أجهزة الاستشعار أجهزة إرسال واستقبال LoRa ووحدات NB-IoT للاتصالات اللاسلكية. قم بمزامنة البوابة وأجهزة الاستشعار الجوية باستخدام NTP لتحقيق دقة الطوابع الزمنية ±1 ثانية.
5. قم بتركيب الحساسات الثابتة على الأعماق والمواقع المحددة للتأكد من صحة القياس.
6. اضبط معدل أخذ عينات البيانات على 5 ميل في الساعة وفعل محاذاة الطوابع الزمنية عند البوابة.
7. سجل جميع عقد المستشعرات بمعرفات فريدة وتحقق من اتصال البوابة. قم بإجراء تجربة اختبار لمدة 24 ساعة لتقييم فقدان الحزم وانحرف الساعة.
8. احتفظ بسجل الأساس لتستخدمه مستقبلا. يمثل الجدول 1 إعدادات التكوين والمعلمات لخطوات النمذجة.

2. نمذجة الطبقة الفيزيائية (تربة - نبات - غلاف جوي (SPAC) ومرشح كالمان الجماعي (EnKF))

ملاحظة: تقارب هذه المرحلة تفاعلات التربة والنبات والغلاف الجوي لإنتاج تقديرات صحيحة لرطوبة التربة المستخدمة للتحكم في الري.

1. إعداد بيانات الإدخال في نموذج SPAC لأنه يتطلب ما يلي: نسيج التربة، سعة الحقل، توزيع الجذور، محركات الأرصاد الجوية، ومؤشر مساحة أوراق المظلة.
2. تم إعادة أخذ جميع مجموعات بيانات الإدخال إلى مؤشر زمني موحد مدته 5 دقائق في بايثون 3.10 باستخدام دالة Pandas resample('5min').mean(). تم احتساب القيم المفقودة باستخدام CubicSpline من SciPy، بينما تم إعادة بناء الفجوات >5 دقائق عن طريق نشر توقعات نموذج SPAC عبر مرحلة التنبؤ ب EnKF. تم الحفاظ على علامات عدم اليقين لتحليل الموثوقية.
   1. املأ القيم المفقودة باستخدام استيفاء المنحني المكعب¹⁴. إعادة بناء الفجوات الأطول (> 5 دقائق) باستخدام مرحلة التنبؤ ب EnKF بناء على رطوبة التربة والتوقعات الجوية الجوية. ضع علامة على جميع القيم المعاد بناؤها لتتبع عدم اليقين.
3. أنشأ معادلة ريتشاردز لنمذجة تدفق المياه غير المشبعة.
    
   حيث هو معدل تغير محتوى الماء الحجمي θ (m³) بالنسبة للزمن t، وh هو رأس الضغط (سم)، وK(θ) هو التوصيل الهيدروليكي. يشير ∇ المشغل إلى التدرج المكاني، والتعبير (∇h+1) يمثل التدرج الهيدروليكي الكلي.
4. تقدير معايير هيدروليكية التربة باستخدام نموذج فان جينشتن:
   
   حيث K_s التوصيل الهيدروليكي المشبع، S_e (θ-θ_r )/(θ_s -θ_r) هو التشبع الفعال مع θ_s و θ_x محتوى الماء المشبع والباقي. L هو معامل الترابط المسامي، m و n و هما معلمات شكل مرتبطة ب ( مع n>1). يرمز إلى التشبع الفعال المتزايد إلى معامل الاتصال المسامي L. استنادا إلى التشبع الفعال S_e، يصف مصطلح دالة فان جينوتن الهيدروليكية سلوك احتفاظ ماء التربة غير الخطي ومعامل الشكل m.
5. اجمع معادلة ريتشاردز مع نموذج التمثيل الضوئي لفاركوهر. قم بدمج نموذج النتح بين مان-مونتيث لأخذ تأثيرات الضوء ودرجة الحرارة_وثاني أكسيد الكربون في الاعتبار.
6. تهيئة أوليات المعاملات ومتجهات الحالة ل EnKF.
   ملاحظة: EnKF هي طريقة لاستيعاب بيانات مونتي كارلو تقوم بتحديث تقديرات حالة رطوبة التربة من خلال دمج توقعات النموذج مع الملاحظات اللحظية من أجهزة الاستشعار وتقدير تغاير الخطأ¹⁵ إحصائيا.
7. شغل دورات التنبؤ والتحديث EnKF حتى ينخفض متوسط التربيع الجذر (RMSE) لتوقعات رطوبة التربة إلى أقل من 2٪، أو يتم الوصول إلى حد أقصى 50 تكرارا.
8. أرشفة جميع المعلمات المعايرة للتحليل لاحقا. يوضح الشكل 2 منحنى تثبيت رطوبة التربة الناتج عن معايرة SPAC-EnKF.
9. نفذ إجراء المحاكاة العددية ل SPAC-EnKF. استخدم MATLAB R2023b لحساب SPAC-EnKF. اضبط الخطوة الزمنية Δt = 300 ثانية، وحجم المجموعة N = 100، ومتغيرات الحالة θ و h و K(θ) على قيمها الابتدائية. استخدم محلل معادلات ريتشاردز لتنفيذ مرحلة التنبؤ واستخدم بيانات رطوبة التربة الرصدية لمرحلة التحديث. حتى يصل إلى عتبة التقارب في RMSE < 2٪، تكرر دورات التنبؤ والتحديث.

3. نمذجة طبقة الشبكة (شبكة غير متجانسة وشبكة بترى عشوائية (SPN))

ملاحظة: يقيم هذا القسم موثوقية الاتصالات لتمكين تسليم البيانات في الوقت المناسب والمستمر لاتخاذ قرارات التحكم.

1. نشر وحدات اتصال غير متجانسة، بما في ذلك LoRa للبيانات الجوية طويلة المدى، وNB-IoT لأجهزة استشعار التربة، و5G لكاميرات التنمذجة عالية التردد.
   1. خصص بيانات الأرصاد الجوية منخفضة النطاق الترددي طويلة المدى (الرياح، الإشعاع، الأمطار) لوحدات LoRa. تمكين وحدات NB-IoT لعقد مستشعرات التربة التي تتطلب عرض نطاق ترددي متوسط وتشغيل منخفض الطاقة. تمكين بيانات الكاميرا عالية التردد باستخدام وحدات 5G NR لنقل الفيديو عالي السرعة. قم بإرفاق بوابة حافة تعتمد على Raspberry Pi تدعم إدارة البروتوكولات المتعددة مع كل عقدة اتصال.
2. قم بتكوين النظام لدعم أكثر من 200 عقدة لكل بوابة مع تردد أخذ عينات 5 دقائق.
3. تسجيل مؤشر قوة الإشارة المستقبلة (RSSI)، نسبة الإشارة إلى الضوضاء (SNR)، وحالة البطارية بشكل مستمر. احسب معدلات استقبال الحزم بفواصل زمنية مدتها 5 دقائق.
4. إذا تم اكتشاف استقبال غير طبيعي، افحص محاذاة الهوائي وتحقق من مصادر التداخل المحتملة. تعريف وحل نموذج موثوقية الاتصال لشبكة بتري العشوائية (SPN)
   1. نفذ SPN باستخدام Mobius 2.0. حدد ثلاثة أماكن: الطبيعي (>95٪ استقبال)، التأخير (80-95٪)، والمقاطعة (<80٪). قم بتكوين معدلات الانتقال λ_nd، λ_di، و λ_كدوال لنسبة الإشارة إلى الإشارة إلى الوضوح، وطاقة البطارية المتبقية:
      
   2. احسب توزيع الحالة المستقرة باستخدام معادلة التوازن الخطية πQ = 0 للحصول على احتمال انقطاع الاتصال P_int = π_{المقاطعة}.
5. حدد نموذج SPN بثلاث حالات اتصال: N طبيعي (>استقبال 95٪)، تأخير D (80-95٪)، ومقاطعة I (<80٪). Q تدل على مصفوفة التوليد لسلسلة ماركوف في الزمن المستمر.
   
   تحوم انتقالات الحالة بمعاملات المعدل λ_X→Y، حيث X,Y∈ {N,D,I}. لضمان أن كل صف من Q يجمع إلى صفر، يكون كل عنصر قطري هو مجموع معدلات الانتقال الصادرة من تلك الحالة.
6. تقدير معدلات الانتقال بناء على نسبة الإشارة إلى الضوضاء ومقاييس الطاقة المتبقية باستخدام ذلك.
   
   حيث E هي الطاقة المتبقية المطبعة (0-1)، ونسبة الضوضاء (SNR) هي نسبة الإشارة إلى الضوضاء المرصودة بالديسيبل. k_XY هو ثابت تحجيم لمعدل الانتقال بين الحالة X إلى الحالة Y، بينما k_s ينظم انحدار الاستجابة المعتمدة على SNR. عتبة نسبة الضوضاء في الإشارة إلى الإشارة للانتقال X→Y هي نسبة SNR_XY. مستويات البطارية المنخفضة تعزز إمكانية الانتقال، كما تم التقطه في c_XY و p_XY.  ∈_XY هو معدل أساسي صغير يضمن احتمالية انتقالات غير صفرية. الدالة اللوجستية التي تنظم حساسية الإشارة إلى الإشارة إلى الإشارة هي
   
   حيث يشير σ(u) إلى دالة السيجمويد اللوجستية، والمصطلح الأسي ^e-u يتحكم في معدل انتقال الدالة بين 0 و 1.
7. حل توزيع الحالة المستقرة للحصول على احتمال الانقطاع. عرف α = λ_N→D، β = λ_N→I، γ = λ_D→N، δ = λ_D→I، ε = λ_I→N، ζ = λ_I→D. احتمال الانقطاع في الحالة المستقرة هو:
   
   حيث π_I يوضح احتمال بقاء النظام في الحالة المنقطعة على المدى الطويل. تمثل معدلات الانتقال الست بين الولايات الثلاث بالمعلمات α، β، γ، δ، ε، و ζ. يظهر المقام توازن التدفق الكلي عبر جميع الانتقالات، بينما يقوم البسط بتجميع جميع مسارات الانتقال الفعالة المؤدية إلى حالة المقاطعة. يتم توفير الفرصة الثابتة لانقطاع الاتصال بموجب هيكل المعدل المحدد بواسطة القيمة الناتجة. يوضح الجدول 2 انتقالات تدفق البيانات الإجرائية بين طبقات النمذجة في CPS المقترح.

4. نمذجة طبقة التحكم (MPC داخل SHS)

ملاحظة: هذه العملية تعظم بديل الري والتسميد، بالإضافة إلى تلبية قضايا التواصل.

1. بناء نظام للتحكم التنبؤي النموذجي (MPC)، بهدف تحسين إنتاجية المحاصيل في نهاية 24 ساعة. تنفيذ جدولة الري القائمة على التحكم التنبؤي النموذجي (MPC). تنفيذ MPC في بايثون 3.10 / مكتبة CasADi. حدد أفق التنبؤ ب HP = 24 خطوة، أفق التحكم Hc = 6، ومدخل التحكم u(t) (تدفق الري). تحسين دالة التكلفة:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   باستخدام محلل IPOPT بحدود قيود 0 ≤ u(t) ≤ 6 مم/س.
2. حدد متغيرات اتخاذ القرار فيما يتعلق بعمليات الري والتسميد.
3. استخدم قيودا على نطاق رطوبة التربة، وتوصيل منطقة الجذور، والتحكم في زمن الاستلام.
4. أضف احتمالات انقطاع الشبكة إلى محلل MPC لأن الوقت غير مؤكد.
5. استخدم القيد الناعم في دالة التكلفة باستخدام الأوزان. Q (إدخال)= 0.5-1.0; Q (المخرج) = 0.3-0.7. تعتمد أوزان الضبط حسب الاختبارات الأولية في الضبط لضمان الاستقرار التنبؤي ل MPC.
6. عند حدوث فقدان الحزم، توقع رطوبة التربة لمدة ساعة واحدة باستخدام نموذج SPAC وحساب الري التعويضي.
7. قم بمزامنة حالة التحكم فورا بعد استعادة الاتصال لتجنب تكرار الإجراءات.
8. اجمع نظاما فيزيائيا مستمرا، ونظام شبكة منفصلة، وإجراءات التحكم في نموذج انتقال نظام هجين عشوائي (SHS).

5. قياس الموثوقية

ملاحظة: لتقييم متانة الأنظمة استجابة للاضطرابات، يقوم هذا الجزء بتقييم الاعتمادية الوظيفية والزمنية والبيئية على حد سواء.

1. تم استخدام ثلاثة مؤشرات موثوقية: (1) الموثوقية الوظيفية التي تم قياسها بخطأ التنبؤ بالمحصول (E_γ, ٪) وتقدير التربة والرطوبة RMSE; (2) الموثوقية الزمنية المقاسة بتأخير التحكم من طرف إلى طرف (L_e₋_e, s); و(3) تم تقييم الموثوقية البيئية باستخدام كفاءة استهلاك المياه (WUE، g·kg⁻¹) ونسبة التوصيل الكهربائي في منطقة الجذر الزمني التي تجاوزت عتبة السلامة (T_ec>2.5dS/m، ٪).
2. ابن نموذج لعبة عشوائي، حيث يشارك ثلاثة وكلاء: المستشعر (يقلل من احتمال الفشل)، المهاجم (يزيد من احتمال الفشل)، والبيئة (تضيف اضطرابات عشوائية) إلى النموذج.
3. تعريف دوال العائد وحل توازنات ناش لتحديد حدود الموثوقية. إجراء تحليل حساسية عالمي باستخدام مؤشرات Sobol لترتيب مساهمات المعلمات¹⁶.
4. تم قياس مساهمة المعلمات باستخدام متوسط التأثيرات الأولية المطلقة (EE، مؤشر حساسية موريس)، وتم حسابه من مسارات عينة مضطربة، وقيم بشكل مشترك مع تباين EE لالتقاط قوة التفاعل وعدم الخطية؛ المعاملات ذات المتوسط الأعلى |EE| تم تحديد التباين المرتفع في EE كمساهمين رئيسيين وتم اختيارهم للتحسين لاحقا.

6. استراتيجية التحسين

ملاحظة: هذا الجزء يعظم قرارات التحكم لتحقيق الإنتاجية المثلى، والتكلفة، والاستقرار البيئي، ومع ذلك، مع ذلك، التكيف السريع عند تغيير المحاصيل.

1. حدد مساحة الحالة، والتي تشمل مؤشر مساحة الأوراق، ورطوبة التربة المقدرة من SPAC–EnKF، وتأخر التحكم المسجل عند وحدة التحكم على الحواف.
2. حدد فضاء الفعل من خلال تعريف كمية الري، ومعدل التسميد، وتكرار أخذ عينات المستشعر كإجراءات تحكم منفصلة ومحدودة تنفذ في وحدة التحكم على الحواف.
3. ابن دالة مكافأة متعددة الأهداف من خلال دمج الموثوقية، والتكلفة الاقتصادية، والأداء البيئي من خلال تحسين موزون.
4. راقب سياسات باريتو المثلى باستخدام خوارزمية NSGA-III (الجدول 3).
5. توفير حدود أمان مع وظائف حاجز التحكم (CBFs) من خلال فرض حدود دنيا على رطوبة التربة في مناطق الجذور وحدود عليا لملوحة التربة لمنع الجفاف وإجهاد الملح.
6. توفير شرط استقرار ليابونوف من خلال تعريف دالة ليابونوف موجبة ومحددة على متجه حالة النمو وفرض مشتقها الزمني على أن يكون سالبا محددا ضمن حدود التشغيل الآمنة.
7. استخدم التعلم الفوقي البايزي للسماح بتحديث سريع للمعلمات في حالة تبديل المحاصيل.
   ملاحظة: بعد هذه الخطوة، يمكن إيقاف سير العمل مؤقتا للتحقق من تحديثات النماذج دون اتصال. استأنف بإعادة تحميل نقطة الحفظ الأخيرة.
8. تأقلم مع آخر 7 أيام وخذ وقت إعادة تدريب أقل من 5 دقائق. تدريب نموذج تعزيز مضغوط من خلال تطبيق التقليم والتكميم بعد التدريب، ثم ضبطه بدقة على جهاز الحافة باستخدام بيانات التفاعل المجمعة محليا.
9. استخدم آلية التخفيض كلما حدثت مشاكل في الاتصال لضمان بقاء زمن الاستجابة أقل من 30 ثانية. قم بمزامنة سحب السيرة الذاتية مع استعادة الاتصالات.

Results

رطوبة التربة ونسبة التنشيط البسيط في التربة لهما أكبر تأثير إيجابي إيجابي لشرح الإضاءة الإضافية (SHAP) على قرارات الري، وفقا لمخطط ملخص SHAP (الشكل 3). يدفع التأخير العالي السياسة نحو خيارات احتياطية محافظة، مما يدل على التوافق مع بنية التحكم الواعية بالموثوقية. يوضح الجدول 4 التعليمات التشغيلية وتفاصيل التكوين للوحدات الحاسوبية

الإعداد التجريبي

لتأكيد كفاءة هيكل النمذجة الفيزيائية المقترحة لشبكة CPS ال...

Discussion

تظهر الأدلة التجريبية أن إطار عمل CPS المقترح واستراتيجيات التحسين يتفوقان عبر الأبعاد الثلاثة: الموثوقية والسلامة والكفاءة الحاسوبية. تتغلب نمذجة الاقتران عبر الطبقات بنجاح على الفصل التاريخي بين التمثيلات الفيزيائية والتمثيلية الشبكية. من خلال دمج SPAC وSPN ضمن إطار موحد ل SHS، قلل النظام من خطأ التنبؤ بالعائد بنسبة 32.7٪ وقصر التأخيرات بنسبة 45٪ تحت درجات الحرارة العالية الشديدة. ضمنت قيود السلامة عدم التأثير على الأداء البيئي، حيث تحسن WUE بنسبة 19٪ بينما بقي تجاوز EC في منطقة الجذور...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
الكاميرا متعددة الأطياف	ميكاسينس	ريد إيدج-إم إكس	يلتقط انعكاس المظلة لتقدير LAI
NVIDIA جيتسون نانو	NVIDIA	945-13450-0000-100	جهاز الحافة لاستنتاج الذكاء الاصطناعي المحلي
حساس رطوبة التربة	أجهزة ديكاغون	EC-5	يقيس محتوى الماء الحجمي في التربة
محطة الطقس	كامبل ساينتفيك	CR300	تسجل درجة الحرارة والرطوبة وهطول الأمطار