Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Nutzung digitaler Technologien im Agrar- und Lebensmittelsektor: Ein IoT-gesteuertes Framework für die Präzisionslandwirtschaft zur Erreichung der Ziele für nachhaltige Entwicklung

49 Aufrufe

⸱

DOI:

10.3791/73067

⸱

25. August 2026

 ,  ,  , 
1Department of Mechanical Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), 2School of Social Work, College of Social Sciences and Humanities, Jigjiga University

In diesem Artikel

Zusammenfassung

Diese Studie stellt die IoT-gestützte Präzisionslandwirtschaft (IoT-PA) vor, die mithilfe von Sensornetzwerken, Echtzeitüberwachung und intelligenter Bewässerung die Erträge von Kulturpflanzen sowie die Wassereffizienz steigert. Das Konzept fördert eine nachhaltige Landwirtschaft und die Ziele für nachhaltige Entwicklung 2 (Zero Hunger) und 12 (Verantwortungsvolle Konsum- und Produktionsweisen).

Zusammenfassung

Die Agrar- und Lebensmittelindustrie digitalisiert sich schnell, um Ressourcenbeschränkungen, klimatische Unvorhersehbarkeit und nachhaltige Lebensmittelproduktion mithilfe des Internet der Dinge (IoT), Künstlicher Intelligenz (AI), Cloud-Computing und Datenanalytik zu bewältigen. Aufgrund starrer Bewässerungspläne und eingeschränkter Feldüberwachung verschwendet die konventionelle Landwirtschaft Wasser, verringert den Ernteertrag und schädigt die Umwelt. Das in dieser Arbeit vorgestellte IoT-gestützte Präzisionslandbau-System (IoT-PA) optimiert die Nutzung landwirtschaftlicher Ressourcen durch verteilte Sensornetzwerke, Echtzeit-Überwachung der Bodenfeuchte und Wetterbedingungen sowie intelligente Bewässerungssteuerung. Die vorgeschlagene Plattform erfasst Umweltdaten, analysiert Feldbedingungen und empfiehlt automatisch Bewässerungsmaßnahmen, um das Pflanzenwachstum zu maximieren und Wasserverschwendung zu vermeiden. Durch kontinuierliche Überwachung und schnelle Benachrichtigungen ermöglicht das System Landwirten datengestützte Entscheidungen in der Landwirtschaft. Die IoT-PA-Architektur verbessert im Vergleich zur traditionellen Landwirtschaft die Effizienz der Bewässerung, den landwirtschaftlichen Ertrag und das nachhaltige Ressourcenmanagement. Höhere landwirtschaftliche Produktion sowie effizienter Einsatz von Wasser und Ressourcen unterstützen das Ziel für nachhaltige Entwicklung (SDG) 2 (Kein Hunger) und SDG 12 (Verantwortungsvolle Konsum- und Produktionsweisen) der Vereinten Nationen. Das vorgeschlagene intelligente landwirtschaftliche System ist skalierbar und praktikabel und fördert so die nachhaltige Lebensmittelproduktion und den Umweltschutz.

Einleitung

Die Ernährungssicherheit, ökologische Nachhaltigkeit und wirtschaftliche Widerstandsfähigkeit hängen von agroindustriellen Unternehmen ab1. Die Landwirtschaft muss sich anpassen, um mehr Nahrungsmittel mit weniger Ressourcen zu produzieren und gleichzeitig ihre Umweltauswirkungen minimieren, da die Weltbevölkerung voraussichtlich Mitte der 2080er Jahre etwa 10,3 Milliarden erreichen wird, was die Nachfrage nach nachhaltiger Lebensmittelproduktion und effizientem Ressourcenmanagement erheblich steigert2. Einfache landwirtschaftliche Praktiken können diese Probleme möglicherweise nicht lösen3. Dies gilt insbesondere angesichts des Klimawandels, der Bodendegradation, Wasserknappheit und marktbedingter Schwankungen4. Innovative digitale Technologien könnten verschiedene Anforderungen erfüllen und den Erfolg der Landwirtschaft mit den Zielen der Vereinten Nationen für nachhaltige Entwicklung (UN-SDGs) verbinden5. Digitale Landwirtschaft nutzt künstliche Intelligenz (KI), das Internet der Dinge (IoT), Fernerkundung und Datenanalyse6. Damit lässt sich die landwirtschaftliche Leistung, der Einsatz von Ressourcen und das Klima präzise verfolgen7. Sie erleichtern fundierte Entscheidungen und verbessern die landwirtschaftliche Produktion8. Dazu gehören IoT-gestützte Geräte, die kritische Parameter kontinuierlich überwachen9. Zustand der Kulturpflanzen, Bodenfeuchte, Temperatur und Luftfeuchtigkeit10. Die Präzisionslandwirtschaft setzt Wasser und Nährstoffe genau dann ein, wenn sie benötigt werden, wodurch Abfall reduziert und die Nachhaltigkeit erhöht wird11. IoT kann die Widerstandsfähigkeit und Produktivität entlang der agroindustriellen Wertschöpfungskette steigern12. Gestützte Bewässerungssysteme und sensorbasierte Überwachung ermöglichen die bedarfsgerechte Bewässerung von Kulturen13. Landwirte nutzen KI-gestützte Datenanalysen, um Muster zu erkennen, die Qualität und Quantität der Ernte zu verbessern und Schädlingsausbrüche vorherzusagen14. Dies spart Wasser und fördert das Pflanzenwachstum15. Trotz dieser vielversprechenden Fortschritte sind digitale landwirtschaftliche Technologien begrenzt, insbesondere in Entwicklungsländern16. Geringe digitale Kompetenz, infrastrukturelle Einschränkungen, hohe Anfangsinvestitionen und schwache gesetzliche Rahmenbedingungen behindern die Einführung17. Zudem ist es schwierig, eine optimale Ressourceneffizienz oder Umweltschonung zu erreichen, da gegenwärtige landwirtschaftliche Tätigkeiten größtenteils auf menschlichen Eingaben und feststehenden Daten basieren.

Dieser Artikel stellt einen integrierten Rahmen für die präzise Landwirtschaft, der von dem Internet der Dinge (IoT-PA) angetrieben wird, vor. Diese Technologie verbindet Echtzeit-Sensordaten mit automatisierten Bewässerungssystemen, um Ineffizienzen bei der Wassernutzung und beim Pflanzenanbau zu beheben. Indem sie geeignete Leitlinien für die digitale Transformation der Landwirtschaft bietet, sollte die vorgestellte Architektur skalierbar, flexibel und den Landwirten gegenüber förderlich sein. Zudem eröffnet sie Möglichkeiten für die digitale Transformation. Auf der Grundlage von Echtzeitdaten zum Boden und zum Klima versucht das Konzept der Präzisionslandwirtschaft in Verbindung mit dem Internet der Dinge, die Bewässerungspläne zu optimieren, wodurch Wasser gespart, die Pflanzengesundheit verbessert und letztendlich die Nahrungsmittelproduktion gesteigert wird.

Eine höhere Produktion durch erhöhte Nahrungsmittelverfügbarkeit trägt zum Erreichen des Ziels für nachhaltige Entwicklung 2 (Null Hunger) bei und fördert gleichzeitig das Ziel für nachhaltige Entwicklung 12 (Verantwortungsvolle Konsum- und Produktionsmuster) durch eine effiziente Ressourcennutzung. Digitale Innovationen können die Widerstandsfähigkeit und Nachhaltigkeit in Agrar- und Ernährungssystemen durch empirische Validierung erhöhen und so zu einer nachhaltigeren Zukunft beitragen.

Die globale Landwirtschaft muss sich verändern, um die Ernährungsbedürfnisse zu decken und Nachhaltigkeit zu gewährleisten. Der Klimawandel und begrenzte Ressourcen erfordern kreative Ansätze, um die Produktivität zu steigern und die Umweltbelastung zu verringern. Digitale Technologien, insbesondere IoT-basierte Systeme, könnten die Landwirtschaft verändern. Dieser Artikel beschäftigt sich mit der Nutzung solcher Technologien für eine profitablere und nachhaltigere Landwirtschaft.

Die traditionelle Landwirtschaft verschwendet Ressourcen, verfügt über keine Echtzeitüberwachung und beschränkt datengestützte Entscheidungsfindung. Diese Probleme führen zu Wasserverschwendung, schädigen die Umwelt und beeinträchtigen die landwirtschaftliche Ertragsleistung. Digitale Technologien in der Landwirtschaft, insbesondere die präzise Bewässerung, sind bisher begrenzt. Das Internet der Dinge (IoT) nutzt Echtzeitdaten und Automatisierung, um Skalierbarkeit und Integration zu ermöglichen. Das System soll die Produktion maximieren und gleichzeitig den Wasserverbrauch optimieren. Aktuelle Studien haben die Anwendung von IoT, KI und Datenanalytik in der Präzisionslandwirtschaft untersucht, konzentrieren sich dabei jedoch meist auf die Bodenfeuchtemessung, automatisierte Bewässerung, Pflanzenüberwachung und Ertragsprognose. Diese Lösungen arbeiten oft isoliert, was ihre Fähigkeit einschränkt, eine nachhaltige Entscheidungsfindung im landwirtschaftlichen Management zu unterstützen. Die Integration heterogener Umweltdaten in Echtzeit, eine adaptive Bewässerungssteuerung und die Ausrichtung auf Nachhaltigkeit fehlen in vielen Systemen. Diese Studie stellt das IoT-PA-System vor, das diese Einschränkungen durch verteilte IoT-Sensoren, Echtzeit-Umweltüberwachung, intelligente Bewässerungsplanung und kontinuierliche Entscheidungsunterstützung überwindet. Im Gegensatz zu bestehenden Ansätzen optimiert das Framework den Wasserverbrauch, die landwirtschaftliche Produktion, die Ressourcenverschwendung sowie die Ziele für nachhaltige Entwicklung (SDG) 2 (Kein Hunger) und 12 (Verantwortungsvolle Konsum- und Produktionsweisen). Die bahnbrechende, skalierbare Sensorik, Kommunikation, Datenanalyse und nachhaltigkeitsorientierte Ressourcenverwaltung von IoT-PA ermöglicht datengestützte, betrieblich effiziente und ökologisch nachhaltige Entscheidungen in der Landwirtschaft. Ziel dieses Projekts ist es, ein IoT-PA-Framework zu entwickeln und zu evaluieren, das die Präzisionslandwirtschaft durch Echtzeit-Umweltüberwachung, cloudbasierte Datenspeicherung und automatisierte Bewässerungsplanung unterstützt. Das vorgeschlagene Framework nutzt IoT-fähige Sensoren, um kontinuierlich Bodenfeuchte, Lufttemperatur, relative Luftfeuchtigkeit, Niederschlag und Lichtintensität zu überwachen, um Bewässerungsentscheidungen in Echtzeit zu optimieren. Die Studie zielt zudem darauf ab, die Leistung des vorgeschlagenen Frameworks anhand quantitativer Kennzahlen wie Wassernutzungseffizienz, Ertragssteigerung, Reaktionszeit der Bewässerung, Systemeffizienz, Kommunikationszuverlässigkeit und Energieverbrauch im Vergleich zu konventionellen Bewässerungsverfahren zu bewerten. Darüber hinaus soll gezeigt werden, wie die Integration von IoT-Technologien die Ressourcennutzung verbessern, übermäßigen Wasserverbrauch reduzieren und die landwirtschaftliche Produktivität steigern kann, wobei gleichzeitig durch ein nachhaltiges Management landwirtschaftlicher Ressourcen zu den Zielen für nachhaltige Entwicklung (SDG) 2 (Kein Hunger) und SDG 12 (Verantwortungsvolle Konsum- und Produktionsweisen) beigetragen wird.

Integriertes Rahmenwerk für digitale Landwirtschaft und Ernährungssysteme (IDAFS)

In diesem Beitrag wird untersucht, wie digitale Technologien die landwirtschaftliche Widerstandsfähigkeit während Pandemien, Ungleichheiten, des Klimawandels und einer globalen Lebensmittelknappheit verbessern können18. Unter Betonung von künstlicher Intelligenz, Big Data und Präzisionslandbau als Mittel zur Steigerung der Produktivität, zur Verringerung der Abfälle um 5 % und zur Kosteneinsparung um 23 % werden zudem Ansätze aufgezeigt. Der Artikel befürwortet die digitale Transformation zur Erreichung der SDGs für 2030 und beleuchtet zukünftige Trends wie Blockchain und individualisierte Ernährung für nachhaltige und effiziente Ernährungssysteme.

Digital-SDG-Wirkungsanalysemodell (DSIAM)

In dieser Arbeit wird mithilfe der digitalen Transformation die Erreichung der mit der Ernährungssicherheit verbundenen nachhaltigen Entwicklungsziele (SDGs) anhand von Daten des Digital Economy and Society Index (DESI) untersucht. Unter Verwendung struktureller Gleichungsmodelle und Clusteranalysen auf Grundlage von EU-Daten (2017–2022) wird analysiert, wie digitale Vernetzung, digitale Kompetenzen und öffentliche Dienstleistungen die Ziele SDG1, SDG2, SDG3 und SDG1019 beeinflussen. Die Studie verdeutlicht, wie entscheidend die Digitalisierung für die Verringerung der Armut, die Förderung der Gleichheit und die Verbesserung der Gesundheit ist.

Digitaler Dorfintegrations- und Revitalisierungsrahmen (DVIRF)

Paneldaten aus dreißig chinesischen Provinzen (2013–2023) ermöglichen es dieser Arbeit, experimentell zu untersuchen, wie die Digitalisierung des ländlichen Raums die integrierte Entwicklung der ländlichen Industrie unterstützt20. Mithilfe einer zweifachen maschinellen Lernmethode werden sowohl direkte (digitale Dienstleistungen, Infrastruktur) als auch indirekte (Faktorumverteilung, strukturelle Veränderungen) Wege der Digitaltransformation aufgezeigt. Insbesondere die östlichen Regionen und Getreide produzierende Gebiete weisen einen stärkeren Einfluss auf. Es wird vorgeschlagen, gesetzliche Maßnahmen zur Förderung digitaler Gemeinschaften und zur Maximierung der Mittel für die Neuentwicklung des ländlichen Raums zu ergreifen.

Modell zur Transformation des kreisförmigen Agrar- und Ernährungssystems (CAFSTM)

Die digitale Transformation verändert den Agrar- und Lebensmittelsektor mit Umweltbewusstsein, Interoperabilität und nutzerzentriertem Design21, wodurch Effizienz und Geschäftsmodelle gesteigert werden. Personalisierte Ernährung und zirkuläre Agrar- und Lebensmittelsysteme verringern Abfälle durch den Einsatz von Feedback-Schleifen. Datenschutz und Interoperabilität werden in dem Bericht behandelt, der einen technologischen, governance- und ökologischen Ansatz für nachhaltige digitale Landwirtschaftssysteme bietet.

Rahmenwerk für die Innovation nachhaltiger Ernährungssysteme (SFSIF)

Die nachhaltige Landwirtschaft profitiert von KI, IoT, Robotik und Genomeditierung. Politische Maßnahmen, Einstellungsänderungen, finanzielle Anreize und das Aufbauen von Vertrauen fördern Innovationen22. Digitale Technologien und staatliche Unterstützung können laut Abfallwirtschaft, Lebensmittelverarbeitung und Landnutzung die Nachhaltigkeit, Widerstandsfähigkeit und Ernährungssicherheit des Agrar- und Ernährungssystems verbessern.

Modell zur Verbesserung der agroindustriellen Wertschöpfungskette (APVCEM)

In diesem Artikel wird vorgeschlagen, dass Wertschöpfungsketten und agroindustrielle Verarbeitung die Landwirtschaft global und wettbewerbsfähig machen. Gemeinschaftliche Landwirtschaft und Lieferketten werden gelobt23. Starke Wertschöpfungsketten in Indien erhöhen die Lebensmittelversorgung und fördern die Wirtschaft. Die globale Wirtschaft und ländliche Gemeinschaften profitieren von diesen Netzwerken.

Rahmenwerk für die digitale Nachhaltigkeitswirkung (DSIF)

Durch landwirtschaftliche Produktion, Umweltverschmutzung, kommunale Abfälle und SDG 12 untergräbt die Digitalisierung die Nachhaltigkeit der Ernährung. Laut Strukturgleichungsmodellierung24 kann digitale Technologie kommunale Abfälle, Treibhausgasemissionen und das Verbraucherverhalten reduzieren. Die Digitalisierung verbessert die Nachhaltigkeit der Lieferkette, doch Studien zeigen, dass sie den verantwortungsvollen Konsum behindert; eine ausgewogene Implementierung ist erforderlich.

Rahmenwerk für den Übergang zur Landwirtschaft 4.0 (A4TF)

Landwirtschaft 4.0 bezeichnet die Integration des Internets der Dinge (IoT), künstlicher Intelligenz (KI), Cloud-Computing, Robotik, Big-Data-Analytik und Automatisierung, um intelligente, datengestützte und präzise landwirtschaftliche Praktiken zu ermöglichen. In diesem Artikel wird der digitale Wandel in der Landwirtschaft anhand von Landwirtschaft 4.0 erläutert. Wir behandeln IoT, KI, Drohnen, Blockchain und erneuerbare Energien25. Wir untersuchen Agri-Photovoltaik, intelligente Bewässerung und die Echtzeit-Überwachung von Tieren. Die Forschung zeigt, dass die digitale Transformation bei der Lösung von Klima-, Wasser- und Ernährungsproblemen die nachhaltige Lebensmittelproduktion, die Ressourceneffizienz und den Umweltschutz verbessert.

Bisherige Studien haben das Potenzial von IoT, künstlicher Intelligenz, Cloud-Computing und digitalen Technologien zur Verbesserung der landwirtschaftlichen Produktivität und Nachhaltigkeit gezeigt18,19,20. Die meisten Studien konzentrieren sich auf konzeptionelle Bewertungen der digitalen Landwirtschaft18, auf politische und wirtschaftliche digitale Transformation19 oder auf die digitale Entwicklung im ländlichen Raum ohne präzise, flächenspezifische landwirtschaftliche Technologien20. Daher wurden Kombinationen aus Echtzeit-Sensoren, Cloud-basierter Analytik, automatischer Bewässerung und Entscheidungsunterstützung bisher wenig beachtet. Mehrere Techniken weisen einen Mangel an wiederholbaren Implementierungsmethoden und umfassenden Ressourcenoptimierungsmechanismen auf. Der vorgeschlagene IoT-gestützte Rahmen für präzise Landwirtschaft (IoT-PA) integriert IoT-Sensoren, Cloud-Computing, Echtzeit-Umweltüberwachung und intelligente Bewässerungssteuerung in einer einzigen Architektur, um die Wassernutzung, die Pflanzenerträge und ein nachhaltiges Management landwirtschaftlicher Ressourcen zu verbessern und gleichzeitig die Ziele SDG 2 und SDG 12 zu unterstützen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die Agrar- und Ernährungswirtschaft entwickelt sich zu einem nachhaltigen, datengetriebenen Ökosystem dank digitaler Technologien. IoT, KI und Blockchain verbessern die Transparenz der Lieferkette, die Lebensmittelsicherheit und die Produktivität. Präzisionslandwirtschaft, Intensivlandwirtschaft und die Resilienz nach der Pandemie unterstützen die Ziele für nachhaltige Entwicklung, insbesondere Null Hunger, Klimaschutzmaßnahmen sowie verantwortungsbewussten Konsum und verantwortungsvolle Produktion.

Das durch das Internet der Dinge (IoT) gesteuerte Präzisionslandbausystem (IoT-PA) umfasste einen ESP32-Mikrocontroller, Sensoren für Bodenfeuchte, Lufttemperatur, relative Luftfeuchte (DHT22), Niederschlag und Lichtintensität (BH1750), ein IoT-Gateway, eine Cloud-Datenbank und einen automatisierten Bewässerungsregler. Um repräsentative Felddaten zu erhalten, wurden die Bodenfeuchtesensoren 15–20 cm tief in der Wurzelzone der Pflanzen und die Umweltsensoren in 2 m Höhe über dem Boden platziert. Vor der Inbetriebnahme wurden nur Sensoren mit Messfehlern innerhalb von ±2 % verwendet und gemäß den Herstellervorgaben kalibriert. Die Übertragung der Umweltdaten vom ESP32-Controller an die Cloud-Plattform erfolgte alle 10 Minuten über Wi-Fi (802.11 b/g/n) oder LoRaWAN (915 MHz). Im Experiment erfasste das System Bodenfeuchte (%), Lufttemperatur (°C), relative Luftfeuchte (%), Niederschlag (mm) und Lichtintensität (lux). Vor der Min-Max-Normalisierung der Daten wurden die Sensorwerte alle 10 Minuten in die Cloud-Datenbank hochgeladen, wobei doppelte und fehlende Werte entfernt wurden. Die Entscheidungslogik des IoT-PA-Systems nutzte die Sensordaten, um Bewässerungsmaßnahmen zu steuern. Wenn die Bodenfeuchte unter 35 % volumetrischer Wassergehalt fiel, wurde die Bewässerung automatisch gestartet und bei Erreichen von 45 % wieder beendet, um Wassermangel und übermäßige Bewässerung zu vermeiden. Wenn die Wettervorhersage innerhalb der nächsten 12 Stunden mehr als 5 mm Niederschlag prognostizierte, wurde die Bewässerung gestoppt, um Wasser zu sparen. Über einen Zeitraum von 90 Tagen lief das System kontinuierlich während der Pflanzenentwicklung unter vergleichbaren Feldbedingungen. Jeder Bewässerungszyklus wurde alle 30 Minuten in der Cloud-Datenbank mit Dauer der Bewässerung, Gesamtwasserverbrauch, Kommunikationslatenz, Sensorstatus und Energieverbrauch des Systems dokumentiert. Landwirte erhielten nach jedem Entscheidungszyklus über eine mobile App Echtzeit-Anweisungen zur Bewässerung sowie Aktualisierungen zum Feldstatus. Das Experiment wurde dreimal unter identischen System- und Betriebsbedingungen wiederholt, um die Reproduzierbarkeit zu überprüfen.

Das Experiment wurde auf einem mit Tomaten bepflanzten Feld durchgeführt. Das 20 m x 20 m (400 m2) große Versuchsfeld hatte lehmigen Boden mit einem pH-Wert von 6,7–7,0. Ein auf ESP32 basierendes IoT-Überwachungssystem verfügte über kapazitive Bodenfeuchtesensoren in einer Tiefe von 15–20 cm sowie über DHT22-Temperatur-Feuchtigkeits-, BH1750-Lichtintensitäts- und Niederschlagssensoren, die 2 m über dem Boden angebracht waren. Ein Tropfbewässerungssystem wurde installiert, bei dem die Tropfer im Abstand von 30 cm und die Seitenleitungen im Abstand von 1 m angeordnet waren. Die Cloud-Plattform erhielt alle 10 Minuten per MQTT übertragene Sensordaten. Nach 90 Tagen wurde die Ernteertrag als Gesamtfrischgewicht der geernteten Tomaten (kg pro Parzelle) ermittelt.

Klärung zur Datenquelle: Der vorgeschlagene IoT-gestützte Rahmen für präzise Landwirtschaft (IoT-PA) wurde mithilfe eines 90-tägigen Feldexperiments unter den in der Protokoll-Sektion beschriebenen Bedingungen implementiert und evaluiert. Der Bericht zum Markt für digitale Zwillinge in der Landwirtschaft (DataIntelo) diente ausschließlich als unterstützende Referenz für Hintergrundinformationen und die Entwicklung des Rahmens. Alle in der Ergebnisse-Sektion angegebenen Leistungskennzahlen wurden aus der experimentellen Bewertung des vorgeschlagenen IoT-PA-Rahmens gewonnen und nicht aus dem DataIntelo-Marktbericht.

Beitrag 1: Vorgeschlagener IoT-gestützter Rahmen für präzise Landwirtschaft (IoT-PA)

Ein Bewässerungsautomatisierungssystem auf der Grundlage von Echtzeit-Meteorologie- und Bodendaten wurde vorgestellt. Digitale Fortschritte beschleunigen das Wachstum der Agrar- und Ernährungswirtschaft (Abbildung 1). Zunächst die präzise Landwirtschaft mithilfe von IoT, KI und Drohnen, dann datengestützte Entscheidungsfindung und Ressourceneffizienz. Die digitale Revolution verbessert die Rückverfolgbarkeit von Lebensmitteln, die Lieferkette sowie den Marktzugang. Diese Technologien stärken die Landwirte, gewährleisten Lebensmittelsicherheit und fördern eine integrative Entwicklung. Der auf IoT basierende Rahmen für präzise Landwirtschaft (IoT-PA) fördert eine nachhaltige Ressourcennutzung und klimaresiliente intelligente Landwirtschaft durch die Integration von Echtzeit-Umweltüberwachung, cloudbasierter Analytik und automatisierter Bewässerung. Dies unterstützt die Ziele für nachhaltige Entwicklung (SDGs) 2 (Null Hunger), 12 (Verantwortungsvolle Konsum- und Produktionsmuster) und 13 (Klimaschutz).

Gleichung für das statische Gleichgewicht S(t)={M(t),T(t),H(t),R(t),L(t)} für die dynamische Analyse.

Gleichung (1), wobei S(t) die zum Zeitpunkt t erfassten Umweltdaten darstellt, M(t) die Bodenfeuchte (%) bezeichnet, T(t) die Lufttemperatur (°C) ist, H(t) die relative Luftfeuchte (%RH) angibt, R(t) den Niederschlag (mm) repräsentiert und L(t) die Lichtintensität (lux) beschreibt. Gleichung (1) definiert den Satz von Echtzeit-Umweltparametern, die kontinuierlich vom IoT-Sensornetzwerk erfasst und zur Überwachung und Entscheidungsfindung an die Cloud-Plattform übermittelt werden.

Boolesche Funktionsgleichung, I(t), bedingte Analyse, mathematischer Ausdruck.

Wie in Gleichung (2) gezeigt, wobei I(t) das Bewässerungssteuersignal, M(t)) die gemessene Bodenfeuchte und Mth die vordefinierte Bewässerungsschwelle (35 % volumetrischer Wasseranteil) bezeichnet. Wenn die gemessene Bodenfeuchte unter die Schwelle fällt, aktiviert der IoT-PA-Regler automatisch die Bewässerungspumpe Mathematischer Ausdruck I(t)=1, dynamisches Gleichungskonzept für zeitabhängige Prozesse.; andernfalls bleibt die Bewässerung inaktiv Dynamisches Gleichgewicht; I(t)=0; Gleichung; Physik; zeitabhängige Analyse; Stabilitätsbedingung.. Die Bewässerung wird automatisch beendet, sobald die Bodenfeuchte den Zielwert von 45 % erreicht, wodurch die Wassernutzungseffizienz verbessert und Überbewässerung verhindert wird.

Die Landwirtschaft ist datengesteuert und nachhaltig durch digitale Technologien, wie in Abbildung 2 dargestellt. Kameras und Roboter erhöhen die Qualität der Ernte und die Effizienz von Inputs, während Sensoren Standort und Temperatur erfassen. Ein Datenmanagementsystem empfängt Temperatur- und Feuchtigkeitsdaten von einem zentralen Mikrocontroller. Der Server sammelt Echtzeitdaten zur landwirtschaftlichen Überwachung und Entscheidungsfindung. Landwirte nutzen Mobiltelefone in regionalen Sprachen. Durch die Überwachung von Umweltbedingungen, die Optimierung von Bewässerungsentscheidungen, die Minimierung von Wasserverschwendung und die Unterstützung nachhaltiger Anbaupraktiken, die mit den Zielen für nachhaltige Entwicklung 2 (Null Hunger), 12 (Verantwortungsvolle Konsum- und Produktionsmuster) und 13 (Klimaschutz) übereinstimmen, steigert die Regelkreissteuerung die landwirtschaftliche Produktivität.

Mathematische Formel für die Durchschnittsfunktion L(t), Summe von Si(t), Gleichung zur statistischen Analyse.

Wie aus Gleichung (3) hervorgeht, wobei L(t) die aggregierten Umweltdaten zum Zeitpunkt t darstellt, Si(t) die Messung des iten IoT-Sensors bezeichnet und N die Gesamtanzahl der eingesetzten Sensoren ist. Gleichung (3) berechnet den durchschnittlichen Umweltzustand aus mehreren Sensoren, um die Bewässerungsentscheidung zu unterstützen und gleichzeitig Schwankungen der Sensoren zu minimieren.

Gleichung zum Betazerfall β(t)=[L(t)-Mth]/Mth, mathematische Formel in der theoretischen Analyse.

Wie in Gleichung (4) dargestellt, wobei β(t) den normalisierten Bewässerungsentscheidungsindex bezeichnet, L(t) die aggregierte Bodenfeuchtemessung aus Gleichung (3) darstellt und Mth die vordefinierte Bodenfeuchteschwelle ist (35 % volumetrischer Wasseranteil). Ein negativer Wert von β(t) weist auf unzureichende Bodenfeuchte hin und löst eine Bewässerung aus, während ein nicht-negativer Wert anzeigt, dass die Bodenfeuchte an oder über der Schwelle liegt und die Bewässerung deaktiviert bleibt.

Beitrag 2: Praktische Vorteile anhand empirischer Ergebnisse belegt.

Es zeigte die Machbarkeit des Frameworks und eine verbesserte landwirtschaftliche Produktion bei gleichzeitiger erheblicher Verringerung des Wasserverbrauchs auf.

Abbildung 3 veranschaulicht, wie die IoT-gestützte Präzisionslandwirtschaft Ressourcenverschwendung und geringe landwirtschaftliche Produktivität bekämpft. Zunächst werden Ressourcenverschwendung und geringe landwirtschaftliche Produktivität adressiert. IoT, KI und Echtzeit-Datenanalytik ermöglichen intelligente Entscheidungsfindung, automatische Bewässerung und sensorbasierte Überwachung. Diese Verbesserungen fördern die Pflanzengesundheit und die Effizienz der Wassernutzung. Der vorgeschlagene IoT-gesteuerte Rahmen für Präzisionslandwirtschaft (IoT-PA) unterstützt die Ziele für nachhaltige Entwicklung (SDG) 2 (Kein Hunger) und SDG 12 (Verantwortungsvolle Konsum- und Produktionsmuster), indem er die Echtzeit-Überwachung der Umweltbedingungen, die automatisierte Bewässerungssteuerung und ein effizientes Ressourcenmanagement integriert, um die landwirtschaftliche Produktivität zu steigern und gleichzeitig den Wasserverbrauch zu minimieren.

Gleichung der Mittelwertberechnung in der mathematischen Analyse; Formel v1(t)=(M+T+H+R+L)/5.

wobei Formel für das statische Gleichgewicht, Gleichung für v₁(t), Diagramm für das Physikstudium den zusammengesetzten Umweltüberwachungsindex zum Zeitpunkt t bezeichnet, M(t) die Bodenfeuchtigkeit (%) ist, T(t) die Lufttemperatur (°C), H(t) die relative Luftfeuchtigkeit (%RH), R(t) der Niederschlag (mm) und L(t) die Lichtintensität (lux). Gleichung (5) kombiniert die normalisierten Umweltparameter zu einem einzigen Überwachungsindex, der die gesamte Feldbedingung darstellt, die im IoT-PA-Framework verwendet wird.

Gleichung der Durchschnittsfunktion G(t) mit Reihensummation; didaktische mathematische Gleichung.

wobei G(t) die aus Überwachungsintervallen oder Sensorknoten gewonnene aggregierte Umweltbedingung darstellt und v(t) mathematische Funktion Formel, zeitabhängige Analyse, pädagogische Nutzung der zusammengesetzte Umweltüberwachungsindex ist, der mithilfe von Gleichung (5) für die kte Beobachtung berechnet wird. Gleichung (6) mittelt mehrere Messungen, um den Feldzustand vorherzusagen, eliminiert Messschwankungen und liefert eine zuverlässige Eingangsgröße für die automatische Bewässerungsplanung.

Abbildung 4 zeigt, wie jede industrielle Revolution die globale Industrie vom Dampfzeitalter bis ins digitale Zeitalter beeinflusst hat. Schließlich verändern KI, Blockchain und präzise Landwirtschaft die Agrar- und Lebensmittelbranche im Rahmen von Industrie 4.0. Diese Erkenntnisse tragen zur Steigerung der landwirtschaftlichen Produktion, Ressourceneffizienz und Nachhaltigkeit bei. Der vorgeschlagene IoT-gestützte Rahmen für präzise Landwirtschaft (IoT-PA) verdeutlicht, wie digitale Sensoren, Cloud-basierte Analysen und automatisierte Bewässerung die landwirtschaftliche Produktivität und die Nutzung von Ressourcen verbessern, um die SDG 2 (Kein Hunger) und SDG 12 (Verantwortungsvolle Konsum- und Produktionsmuster) zu unterstützen.

Gleichung zur Darstellung des Mittelungsprozesses V(t)=1/N∑Gi(t); Formel zur Signalverarbeitungsanalyse.

wobei V(t) den gesamten Feldzustand zum Zeitpunkt t bezeichnet, Gi(t) den aus dem iten Sensorknoten gewonnenen Umweltüberwachungsindex darstellt und N die Gesamtanzahl der eingesetzten IoT-Sensorknoten ist. Gleichung (7) schätzt den durchschnittlichen Feldzustand durch Aggregation der Messungen aller Messstandorte, wodurch die Zuverlässigkeit der Bewässerungsentscheidungen verbessert wird.

Gleichung des statischen Gleichgewichts: α_eq = λV(t) + (1-λ)M(t), mathematischer Ausdruck für die Forschungsanalyse.

wobei αgleich bezeichnet den äquivalenten Entscheidungsindex, der für die Bewässerungsplanung verwendet wird, V(t) ist die aus Gleichung (7) ermittelte aggregierte Umweltbedingung, M(t) ist die gemessene Bodenfeuchte, und Statisches Gleichgewicht; λ-Gleichung (0 ≤ λ ≤ 1); mathematische Analyseformel; Forschungsmethode. ist ein Gewichtungskoeffizient, der den Einfluss der allgemeinen Feldbedingungen und der aktuellen Bodenfeuchtemessung ausgleicht. Gleichung (8) berechnet den endgültigen Entscheidungsindex, der im IoT-PA-Framework zur Unterstützung der automatisierten Bewässerung und einer effizienten Wasserressourcenverwaltung verwendet wird.

Beitrag 3: Voranbringung der Agenda für nachhaltige Landwirtschaft

Gemäß den SDG 2 und 12 ermöglichte es die digitale Transformation, um die Ernährungssicherheit in der Landwirtschaft und die Ressourceneffizienz zu verbessern.

Abbildung 5 veranschaulicht die Resilienz nach der Pandemie und die nachhaltige Entwicklung durch den digitalen Wandel des Agrar- und Ernährungssystems. Sensoren ersetzen traditionelle Messgeräte in der IoT-gestützten Landwirtschaft, um Ressourcen optimal zu nutzen. Blockchain und Automatisierung ermöglichen eine sichere und transparente Lebensmittellieferung; Künstliche Intelligenz sorgt für effiziente und hygienische Herstellung sowie Verarbeitung. Warnungen zur Lebensmittelsicherheit und Echtzeitüberwachung unterstützen die Verbraucher. Kreisläufe verbessern die globale Ernährungssicherheit, die Gesundheit und die Effizienz. Ein konsistenter Ansatz der digitalen Landwirtschaft nutzt Echtzeiterfassung, Cloud-Computing und automatisierte Bewässerung, um die Pflanzenerträge, die Wassernutzung und nachhaltige Anbaupraktiken zu verbessern, um so die Ziele für nachhaltige Entwicklung (SDGs) 2 (Kein Hunger), 3 (Gesundheit und Wohlergehen) und 12 (Verantwortungsvolle Konsum- und Produktionsweisen) zu unterstützen.

Gleichung zur Fehlermessung, R(t), unter Verwendung der Summenformel; mathematische Analyse.

wobei R(t) den Bewässerungsbedarf-Index zum Zeitpunkt t bezeichnet, Mi(t) die durch den iten Sensor-Knoten gemessene Bodenfeuchte ist, Mth die vorgegebene Schwellenwert für die Bodenfeuchte darstellt und N die Gesamtanzahl der Sensorknoten ist. Gleichung (9) berechnet den Bewässerungsbedarf des überwachten Feldes, indem die durchschnittliche Abweichung der Bodenfeuchte vom vorgegebenen Schwellenwert geschätzt wird.

Gleichung der dynamischen Antwort, ν_sh(t)=ηR(t)+(1−η)V(t); mathematische Formel.

wobei Physikalische Gleichung \(v_{sh}(t)\), Formelfragment, Geschwindigkeits-Zeit-Beziehung, mathematischer Ausdruck den Index für intelligente Bewässerungssteuerung darstellt, R(t) der aus Gleichung (9) ermittelte Bewässerungsbedarf-Index ist, V(t) der aus Gleichung (7) erhaltene aggregierte Umweltüberwachungs-Index ist und Dynamische Viskositätsgleichung η(0 ≤ η ≤ 1), Formeldarstellung, Prinzipien der Strömungsmechanik ein Gewichtungskoeffizient ist. Der endgültige Steuerwert für die automatisierte Bewässerung im vorgeschlagenen IoT-PA-System wird anhand des Bewässerungsbedarfs und der Umweltbedingungen mithilfe von Gleichung (10) berechnet.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Zu den Leistungskennzahlen der IoT-PA-Architektur gehören der Wasserverbrauch, der landwirtschaftliche Ertrag, die Systemeffizienz, die nachhaltige Ressourcenoptimierung und der Beitrag zu den SDG. Intelligente technologische Entscheidungen verbessern die landwirtschaftliche Produktion, Nachhaltigkeit und das Ressourcenmanagement.

Datensatzbeschreibung: Der Bericht zum Markt für digitale Zwillinge in der Landwirtschaft von DataIntelo26 wurde als Hinterg...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Mit dem IoT-PA könnte die digitale Landwirtschaft gegenwärtige Probleme lösen. Für Ressourcenökonomie und landwirtschaftliche Produktion schlägt dieses Papier Echtzeitüberwachung, sensorbasierte Bewässerung und datengestützte Entscheidungsfindung vor. Der Wasserverbrauch sank um 24,62 %, und die landwirtschaftliche Produktion stieg um 95,13 %, was das revolutionäre Nachhaltigkeitspotenzial des Internets der Dinge belegt. SDG 2 (Kein Hunger) und SDG 12 (Verantwortungsvolle Konsum- und Produktionsweisen) werden mit einer S...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren geben an, keine Interessenkonflikte zu haben.

Danksagungen

Diese Forschung erhielt keine spezifische Förderung durch eine öffentliche, kommerzielle oder gemeinnützige Einrichtung.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Arduino IDEArduinoVersion 2.x
https://www.arduino.cc/en/software		Integrierte Entwicklungsumgebung, Firmware-Entwicklung für ESP32
Kapazitiver BodenfeuchtesensorDFRobotSEN0193Misst die volumetrische Bodenfeuchte; Betriebsspannung 3,3–5,5 V
Cloud-basierte IoT-PlattformAmazon Web ServicesAWS IoT Core
https://aws.amazon.com/iot-core		Cloud-basierte IoT-Plattform zur Datenspeicherung, Visualisierung und Fernüberwachung
DC-NetzteilMean Well/Versorgt Controller und Pumpe mit Strom; 12 V DC geregelte Ausgangsspannung, Modell: LRS-50-12
DC-WasserpumpeIm Handel erhältlich/Automatisierte Bewässerung; 12-V-DC-Pumpe
Digitaler LichtintensitätssensorRohm SemiconductorBH1750FVIMisst die Umgebungslichtintensität; 1–65535 Lux
ESP32-EntwicklungsboardEspressif SystemsESP32-DEVKITC-32DDual-Core-240-MHz-MCU, Wi-Fi/Bluetooth; Hauptcontroller für die Sensordatenerfassung und Bewässerungssteuerung
Microsoft ExcelMicrosoft CorporationMicrosoft 365
https://www.microsoft.com/microsoft-365/excel		Tabellenkalkulationssoftware zur Datenorganisation und -visualisierung
MQTT-BrokerEclipse FoundationMosquitto v2.x
https://mosquitto.org		Kommunikation von IoT-Nachrichten; MQTT-Protokoll
PythonPython Software FoundationVersion 3.x
https://www.python.org		Programmiersprache für die Datenvorverarbeitung und statistische Analyse
RegensensormodulDFRobot/Analoge/digitale Ausgabe; erkennt Regenereignisse; Modell: SEN0308
Einkanal-RelaismodulSongleSRD-05VDC-SL-CSchaltet die Bewässerungspumpe EIN/AUS; 5-V-Relais
Temperatur- und FeuchtigkeitssensorAdafruit IndustriesDHT22 (AM2302)Umweltüberwachung; Temperatur ±0,5 °C; Luftfeuchtigkeit ±2 % r.F.
WebbrowserGoogle LLCGoogle Chrome (aktuelle stabile Version)
https://www.google.com/chrome		Zugriff auf das AWS-IoT-Dashboard
WLAN-RouterTP-Link Technologies/Drahtlose Kommunikation zwischen ESP32 und Cloud; IEEE 802.11 b/g/n/ac; Modell: Archer C6

Referenzen

  1. Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
  2. Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
  3. Ajaj R, Buheji M, Hassoun A. Optimizing the readiness for industry 4.0 in fulfilling the Sustainable Development Goal 1: Focus on poverty elimination in Africa. Front Sustain Food Syst. 2024;8:1393935.
  4. Hiywotu AM. Advancing sustainable agriculture for goal 2: zero hunger-a comprehensive overview of practices, policies, and technologies. Agroecol Sustain Food Syst. 2025;49(7):1027–55.
  5. Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
  6. Arun M, et al. Integrated renewable energy supply architecture for advancing hydrogen symbiosis and eco synergistic smart grid interactions with next generation combustion technologies. Sci Rep. 2025;15(1):25619.
  7. Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
  8. Jayakrishnan R, Johnpaul V, Balasundaram N, Senthilkumar S. Stabilization of black cotton soil in Chittur region in Palakkad using lime, rice husk ash, coir fibre. Indian J Eng. 2026;23:e3ije1709.
  9. Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low-Carbon Technol. 2025;20:820–33.
  10. Arun M, Barik D, Sridhar KP, Vignesh G. Experimental and CFD analysis of plain and dimples tube at application of solar water heater. Mater Today Proc. 2021;42:804–9.
  11. Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low-Carbon Technol. 2024;19:2420–30.
  12. Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
  13. Giganti P, Borrello M, Falcone PM, Cembalo L. The impact of blockchain technology on enhancing sustainability in the agri-food sector: A scoping review. J Clean Prod. 2024;456:142379.
  14. Rinesh S, Arun M, Kumar SN, Prajitha C, Kumar AS. Evaluating the type 2 fuzzy logic controller with multilayer perceptrons for optimal tracking of solar photovoltaic systems. Int J Low-Carbon Technol. 2025;20:394–403.
  15. Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
  16. Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
  17. Hong Z, Xiao K. Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Sci Rep. 2024;14(1):3912.
  18. Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO2 nanofluid. Int J Photoenergy. 2022;2022(1):8595591.
  19. Vărzaru AA. Unveiling digital transformation: a catalyst for enhancing food security and achieving sustainable development goals at the European Union level. Foods. 2024;13(8):1226.
  20. Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
  21. Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
  22. Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
  23. Singh V, Borisagar D, Singh OP, Verma SK. Enhancing agricultural competitiveness: harnessing value chains and agro-processing for sustainable growth. In: Sustaining the Global Agriculture Supply Chain. IGI Global Scientific Publishing; 2025. p. 37–72.
  24. Bocean CG. A longitudinal analysis of the impact of digital technologies on sustainable food production and consumption in the European Union. Foods. 2024;13(8):1281.
  25. Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
  26. DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Weitere Artikel entdecken

IoT-Landwirtschaftintelligente Bewässerungnachhaltige LebensmittelproduktionSensornetzwerkeBodenfeuchteüberwachunglandwirtschaftliche DatenanalytikKlimaanpassungRessourcenmanagement
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.