跨层可靠性分析与边缘自适应多目标优化策略，用于智能农业CPS管理中的网络物理建模

Summary

该协议提出了跨层的网络物理建模与优化策略，用于智能温室管理，实现可靠性和生态绩效的可重复评估。

Abstract

日益增长的粮食需求和气候压力推动了智能农业的实施，但现有的网络物理系统（CPS）缺乏可靠的跨层集成和实时灵活性，限制了在动态环境中的性能。该协议旨在为智能温室农业提供跨层的网络物理建模与优化策略。它展示了提升农业网络物理系统的可靠性和适应性的潜在应用能力。该方法将物理层与土壤-植物-大气连续谱模型及集合卡尔曼滤波器（EnKF）校准相结合，实现准确的土壤水分预测。它包含一个采用多协议融合和随机Petri网建模的网络层，以评估通信可靠性。控制层基于随机混合系统，用于协调联合决策。可靠性通过功能-时间-生态指标框架进一步评估，优化则结合多目标强化学习、安全约束和贝叶斯元学习，实现作物转作期间的快速适应。边缘智能部署确保通信中断时的稳健控制。中国寿光温室番茄种植结果显示，在艰难条件下，预测产量、用水效率和控制潜伏期方面表现可重复且稳定。该方法论为实现自适应且可靠的农业网络物理系统提供了实用且可复制的工作流。

Introduction

世界人口快速增长，资源供应减少，这正在改变农业的发展方式。传统的农业模式中，劳动力和物资投入高，且高度依赖自然环境，无法提供效率和可持续性。在此情况下，智能农业已成为变革性的方式。它通过物联网、大数据分析、人工智能和空间信息系统的结合，实现完整的田间感知、准确决策和智能控制田间，提升资源利用效率，促进可持续农业生产 ^1,2。

智能农业市场在全球呈指数级增长，美国在精准农业技术方面不断发展，以色列在节水灌溉领域领先，日本在智能温^{室系统领域}有所发展。在中国，国家农业农村信息化发展十四五规划推动了农业数字化转型，带来了数字育种、智能机械和规模化智能^{农业项目的}进步。物联网（IoT）指的是一个由连接的驱动和传感设备组成的网络，用于收集、交换和处理数据。然而，尽管有这些发展，物联网网络覆盖、传感器精度与可靠性、系统间信息交流以及跨学科理解的获取仍存在问题，限制了广泛的应用 ^5,6。

农业的网络物理系统（CPS）处于这一领域的核心，将环境感知与^{智能控制连接}起来。CPS结合了与传感器、控制器和通信网络相连的计算和物理过程。尽管如此，现有建模方法通常基于物理层、网络层和控制层的独立性，限制了层间的相互作用，降低了动态扰动期间的预测^能力8。现有的可靠性评估同样强调功能和时间层面，而生态可靠性，如用水效率和土壤盐分限制，仍未被充分^探讨。此外，许多优化策略依赖离线训练，导致基于边缘的推断延迟，以及适应快速环境或^{作物变化的}困难。

基于传感器的温室监测日益流行，但仍面临诸多阻碍，阻碍其广泛接受。系统的可扩展性和可靠性受限于高部署成本和传感器质量不均。传感器温室监测所采用的建模方法基于环境稳定、作物生长模式一致以及通过通信网络可靠传递信息的前提。然而，这些假设在温室内的许多条件下并不成立。这些局限性表明，需要设计和实现一个能够应对传感器非恒定噪声读数、传感器电源在使用过程中波动以及通信中断期间的框架，同时不影响性能质量或实现可行性。

为解决这些限制，该协议引入了可重复的跨层建模与优化工作流，将物理、网络和控制过程整合到统一框架中。物理层采用土壤-植物-大气连续模型，并采用集合卡尔曼滤光器校准，以实现准确的土壤水分预测¹¹。网络层采用多协议融合，利用随机Petri网模型来衡量通信的可靠性。在控制层面，随机混合系统允许联合跨层决策。使用功能-时间-生态指数系统测量信度，采用多目标深度强化学习优化该系统，同时有安全约束和贝叶斯元学习，用于快速适应作物转作。边缘智能部署还能为通信过程中的系统中断提供系统的鲁棒性。结合这些元素，该协议提供了一种系统且可复制的方式，提升智慧农业¹²中CPS应用的稳定性和灵活性。

该协议适用于中大型温室环境（800-1500平方米），配备多样化的无线传感器网络，用于土壤、微气候和二氧化碳监测。为实现实时控制，建议采样分辨率至少为5分钟，多节点部署（>200节点）需要LoRa/NB-IoT通信。该工作流程已在温室番茄生产中得到演示，但也可以通过参数重调和元学习转移应用于黄瓜、胡椒和绿叶蔬菜等作物。

该协议基于顺序工作周期，物理建模确定土壤湿度，网络层决定数据传输稳定性，控制+优化层产生灌溉和施肥政策，提供生态和运营稳定性。 图1 展示了所提议的网络-物理系统跨层工作流程。

Protocol

值得注意的是，该方案中未涉及对人类或脊椎动物的实验。如果未来有任何涉及人体参与或生物样本的研究，必须获得相关机构审查委员会的批准，并且在实施前必须记录批准编号。

1. 场地和硬件准备

注意：这一步构建了一个标准化的传感器网络，提供关于环境的精确同步信息，用于后续的物理建模和控制。

1. 通过在监测软件中输入GPS坐标，确定温室的位置。从提供的作物库中选择作物品种，并设定环境目标（温度：20-28°C，相对湿度：50%-70%）。
2. 记录温室尺寸、通风系统和遮阳配置。
3. 使用网络时间协议（NTP）¹³，将所有设备同步到统一时钟。
4. 按照制造商规格安装土壤湿度、温度、湿度、光照和_CO2 传感器。
   1. 安装60个无线土壤湿度和温度传感器（精度±2%），10个湿度和_{二氧化碳传感器（} ±30 ppm_CO2 精度），以及4个多光谱光传感器。使用6米×5米的网格间距，将土壤传感器定位在10、20和30厘米深度。根据其功能，所有传感器均使用LoRa收发器和NB-IoT模块进行无线通信。利用NTP同步网关和气象传感器，以实现±秒的时间戳准确度。
5. 在指定深度和位置安装固定传感器，以确保测量准确。
6. 将数据采样率设置为5英里/小时，并在网关处开启时间戳的对齐。
7. 注册所有拥有唯一ID的传感器节点并检查网关连接。进行24小时测试以评估丢包和时钟漂移。
8. 保留基线日志以备将来使用。 表1 表示建模步骤的配置和参数设置。

2. 物理层建模（土壤-植物-大气连续体（SPAC）和集合卡尔曼滤波器（EnKF））

注意：该阶段近似土壤、植物和大气的相互作用，以准确估算用于控制灌溉的土壤水分。

1. SPAC模型中的现成输入数据，因为它需要以下内容：土壤纹理、田地容量、根系分布、气象驱动因素以及冠层叶面积指数。
2. 所有输入数据集均通过 Pandas resample（'5min'）.mean（） 函数在 Python 3.10 中重新采样为统一的 5 分钟时间索引。缺失值通过SciPy的CubicSpline进行推值，而>5分钟的缺口则通过将SPAC模型预报传播至EnKF预测阶段重建。不确定性标志被保留用于可靠性分析。
   1. 使用三次样条插值填充缺失值¹⁴。利用EnKF预测阶段基于土壤湿度和气象预报，重建更长的间隙（>5分钟）。标记所有重建的值以进行不确定性跟踪。
3. 建立用于建模不饱和水流的理查兹方程。
    
   其中 是体积含水量θ （m^³）相对于时间 t的变化率， h 是压力头（cm），K（θ）是水力传导率。算符∇表示空间梯度，表达式（（∇h+1）表示总水力梯度。
4. 利用范·格努赫滕模型估算土壤水力参数：
   
   其中K_s为饱和水力传导率，S_e （θ-θ_r ）/（θ_s -θ_r）为θ_s和θ_x 饱和水和残余水分的有效饱和度。 L 是孔连通参数 M，N 是 形状参数，由 （与 N>1 相关） 。表示有效饱和度增加到孔隙连通参数 L。基于有效饱和度_{S e，van} Genuchten 水力函数项 描述了非线性土壤水分滞留行为和形状参数 m。
5. 将理查兹方程与法夸光合作用模型结合。整合Penman-Monteith蒸散模型，以考虑光、温度和_CO2的影响。
6. 初始化EnKF的参数先验和状态向量。
   注意：EnKF是一种蒙特卡洛数据同化方法，通过整合模型预测与传感器实时观测并统计估计误差协方差¹⁵来更新土壤水分状态估计。
7. 运行EnKF预测-更新循环，直到土壤水分预测的均方根误差（RMSE）降至2%以下，或最多达到50次迭代。
8. 存档所有校准参数以便后续分析。 图2 展示了SPAC-EnKF校准后产生的土壤水分稳定曲线。
9. 执行SPAC-EnKF的数值模拟程序。使用MATLAB R2023b计算SPAC-EnKF。将时间步 Δt = 300 秒，集合大小 N = 100，状态变量 θ、h 和 K（θ） 设为初始值。使用理查兹方程求解器进行预报阶段，并使用土壤湿度观测数据进行更新阶段。直到达到RMSE < 2%的收敛阈值前，重复预测-更新循环。

3. 网络层建模（异构网络和随机Petri网（SPN））

注意：本节评估通信可靠性，以实现及时且持续的数据传输以支持控制决策。

1. 部署异构通信模块，包括用于远程气象数据的LoRa、用于土壤传感器的NB-IoT和用于高频表型摄像头的5G。
   1. 将长距离低带宽气象数据（风、辐射、降雨）分配到LoRa模块。为需要中等带宽和低功耗运行的土壤传感器节点启用NB-IoT模块。启用5G NR模块实现高频表型摄像机数据，实现高速视频传输。在每个通信节点上连接一个基于树莓派的边缘网关，支持多协议管理。
2. 配置系统支持每个网关超过200个节点，采样频率为5分钟。
3. 持续记录接收信号强度指示器（RSSI）、信噪比（SNR）和电池状态。计算每5分钟一次的数据包接收速率。
4. 如果检测到异常接收，检查天线对准并检查潜在干扰源。定义并求解随机Petri网（SPN）通信可靠性模型
   1. 使用 Mobius 2.0 实现 SPN。定义三个位置：正常（>95%接收）、延迟（80-95%）和中断（<80%）。将转变速率λ_nd、λ_di和_λ配置为信噪比和剩余电池能量的函数：
      
   2. 利用线性平衡方程πQ = 0计算稳态分布，得到通信中断概率P_int = π_中断。
5. 定义一个具有三种通信状态的SPN模型： N 正常（>95%接收）、延迟 D （80-95%）和中断 I （<80%）。 Q 表示连续时间马尔可夫链的生成矩阵。
   
   状态转移由速率参数λ_X→Y控制，其中X，Y∈{N，D，I}。为了确保Q的每一行和都为零，每个对角元素是该状态出场跃迁率的负和。
6. 根据信噪比和剩余能量指标估算过渡速率。
   
   其中E是归一化后的残余能量（0-1），信噪比（SNR）是观测到的信噪比（分贝）。k_XY 是状态 X 到状态 Y 的转换速率的缩放常数，而 k_s 调节依赖信噪比响应的陡峭程度。X→Y跃迁的信噪比阈值为_XY。低电池水平增加了过渡的可能性，如c_XY 和p_XY所示。 ∈_XY是一个低基线率，确保转移的可能性非零。调节SNR敏感性的逻辑函数为
   
   其中 σ（u） 表示逻辑斯 Sig 函数，指数项 ^e-u 控制函数从 0 到 1 的跃迁速率。
7. 求解稳态分布以获得中断概率。定义 α = λ_N→D，β = λ_N→I，γ = λ_D→N，δ = λ_D→I，ε = λ_I→N，ζ = λ_I→D。稳态中断概率为：
   
   其中π_I 表示系统保持中断状态的长期（稳态）概率。这三种状态之间的六种转变速率由参数α、β、γ、δ、ε和ζ表示。分母表示所有转换的整体流量平衡，分子则汇总所有通往中断状态的高效转换路径。在指定速率结构下，通信中断的平稳概率由所得值提供。 表2 展示了拟议CPS中建模层之间的程序性数据流转换。

4. 控制层建模（SHS中的MPC）

注意：这一过程最大化了灌溉和施肥的替代方案，同时也解决了沟通问题。

1. 构建模型预测控制（MPC）系统，目标是优化24小时结束时作物产量。执行基于模型预测控制（MPC）的灌溉调度。在 Python 3.10 / CasADi 库中实现 MPC。定义预测视界Hp = 24步，控制视界Hc = 6，控制输入u（t）（灌溉通量）。优化成本函数：
   J = Σ （θ_target − θ（t）² + λu（t）²，
   使用约束边界为0≤ u（t） ≤ 6 mm/h的IPOPT求解器。
2. 定义灌溉和施肥过程的决策变量。
3. 对土壤的湿度范围、根区导电率和控制潜伏期采取限制措施。
4. 将网络中断概率添加到MPC求解器中，作为时间不确定。
5. 在成本函数中使用权重的软约束。Q（输入）= 0.5-1.0;Q（输出）= 0.3-0.7。根据调优中的初步测试调整权重，以确保MPC的预测稳定性。
6. 当丢包发生时，利用SPAC模型预测1小时土壤湿度并计算补偿灌溉。
7. 通信恢复后立即同步控制状态，以避免重复作。
8. 将连续物理系统、离散网络系统和控制动作结合为随机混合系统（SHS）过渡模型。

5. 可靠性量化

注意：为评估系统对干扰的稳健性，本部分评估功能可靠性、时间可靠性和生态可靠性。

1. 使用了三种信度指标：（1）通过产量预测误差（E_γ，%）和土壤-水分估计RMSE量化的功能信度;（2）通过端到端控制延迟（L_e₋_e， s）衡量的时间可靠性;以及（3）利用水资源利用效率（WUE，g·kg⁻¹）评估生态信度，以及根区电导率超过安全阈值时的比例（T_ec>2.5dS/m， %）。
2. 构建一个随机博弈模型，其中涉及三个代理：传感器（最小化失败概率）、攻击者（最大化失败可能性）和环境（添加随机干扰）。
3. 定义收益函数并求解纳什均衡以确定信度边界。使用Sobol指数进行全局敏感性分析，对参数贡献进行排序¹⁶。
4. 参数贡献通过绝对基本效应平均值（EE，莫里斯敏感指数）量化，该指数由扰动抽样轨迹计算，并与EE方差联合评估，以捕捉相互作用强度和非线性;均值最高|EE|EE方差升高被识别为主要贡献因素，并被选中进行后续优化。

6. 优化策略

注意：本部分最大化控制决策，以实现最佳生产力、成本和生态稳定性，同时在作物变换时保持快速适应性。

1. 指定状态空间，包括叶面积指数、SPAC–EnKF-估计土壤水分，以及边缘控制器记录的控制延迟。
2. 通过定义灌溉量、施肥率和传感器采样频率作为离散且有界的控制动作，建立作用空间，这些动作在边缘控制器中实现。
3. 通过加权优化整合可靠性、经济成本和环境绩效，构建多目标奖励函数。
4. 使用NSGA-III算法观察帕累托最优策略（见表3）。
5. 通过对根区土壤水分设定下限和土壤盐度上限，为控制屏障功能（CBFs）提供安全限制，以防止干旱和盐分胁迫。
6. 通过定义生长态向量上的正定李雅普诺夫函数，并强制其时间导数在安全作范围内为负定函数，从而提供李雅普诺夫稳定性条件。
7. 利用贝叶斯元学习，允许在作物切换时快速更新参数。
   注意：此步骤后，工作流可以暂停以离线验证模型更新。通过重新加载最新的检查点继续游戏。
8. 适应最新的7天，重新训练时间少于5分钟。通过剪枝和训练后量化训练压缩强化模型，然后利用本地收集的交互数据在边缘设备上进行微调。
9. 每当通信出现卡顿时，使用降级机制确保控制延迟保持在30秒以下。将简历云与通信恢复同步。

Results

根据SHAP总结图（图3），土壤湿度和信噪比对灌溉决策的正向影响最大。高延迟促使政策趋向保守的备选方案，体现了对可靠性感知控制架构的一致性。 表4 展示了计算模块的作指令和配置细节

实验装置

为验证拟议农业CPS网络物理建模结构和可靠性优化政策的有效性，在寿光进行了温室番茄实验。该设计涉及极端环境模拟和受控试验，从而能够与传统和主流智能控制方法进行比较。评估基于可靠性、安全性和计算效率，同时还实施了消融实验以揭示核心模块的机制。整个研究均遵循情景重建原则，支持数据和定量验证，确保科学严谨性和^{实用价值。}

实验场地与数据采集系统

所有实验均在寿光国家现代农业工业园区的太阳能温室内进行（36.86°N，118.73°...

Discussion

实验证据表明，所提出的CPS框架和优化策略在可靠性、安全性和计算效率三个维度上表现出色。跨层耦合建模成功克服了物理与网络表示之间的历史分离。通过将SPAC和SPN嵌入统一的SHS框架内，系统在极端高温下将产量预测误差降低了32.7%，延迟缩短了45%。安全约束确保生态表现未受影响，WUE改善了19%，而根区超额EC仅为2.1%。贝叶斯元学习和边缘智能降级的引入使得对新作物品种的快速适应和通信中断时的稳定运行成为可能，展示了在动态农业环境中的实用稳健性²³。

决定性的协议步骤对于定义系统的成功至关重要。具体来说，实时可靠性是SPAC-EnKF建模过程的准确校准和实现、异构通信模块的精确配置与监控，以及安全约束的多目标强化学习的准确实施的前提。这些步骤的准确执行可能导致更高的预测误差、通信稳定性下降或控制动作不理想。

研究解决了农业CPS的三大挑战：跨层耦合不足、可靠性指标不完整以及策略适应性不足。通过开发耦合物理-...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
多光谱相机	云敏感知	红边-MX	捕捉伞盖反射率以估算LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	用于本地AI推理的边缘设备
土壤湿度传感器	十边形装置	EC-5	测量土壤中体积含水量
气象站	坎贝尔科学	CR300	记录温度、湿度和降雨量