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).
Forschungsartikel
Nutzung digitaler Technologien im Agrar- und Lebensmittelsektor: Ein IoT-gesteuertes Framework für die Präzisionslandwirtschaft zur Erreichung der Ziele für nachhaltige Entwicklung
In diesem Artikel
Zusammenfassung
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.
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 (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.
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 
; andernfalls bleibt die Bewässerung inaktiv 
. 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.
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.](/files/ftp_upload/73067/73067eq18v2.jpg "figure-protocol-6")
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.
wobei 
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.
wobei G(t) die aus Überwachungsintervallen oder Sensorknoten gewonnene aggregierte Umweltbedingung darstellt und 
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.
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.
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 
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.
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.
wobei 
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 
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.
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 Hintergrundinformation verwendet, um die Entwicklung und Einordnung des vorgeschlagenen Rahmens zu unterstützen. Die Studie umfasst weltweite Statistiken zum Markt für digitale Zwillinge in der Landwirtschaft für den Zeitraum 2019–2034, wobei das Jahr 2025 als Basisjahr und 2026–2034 als Prognosezeitraum festgelegt wurden. Der 260-seitige strukturierte Datensatz zur Marktdatenanalyse enthält quantitative Angaben zur Marktgröße, zur durchschnittlichen jährlichen Wachstumsrate (CAGR), zur regionalen Marktverteilung, zur Segmentierung nach Komponenten (Software, Hardware und Dienstleistungen), zu Anwendungsbereichen (Pflanzenüberwachung, Tierüberwachung, präzise Landwirtschaft, intelligente Gewächshäuser und andere), zu Bereitstellungsmodi (Cloud und lokal), zu Betriebsgrößenkategorien sowie zur Technologieadoption, einschließlich IoT, KI, Big Data und Blockchain. Wir prüften die extrahierten numerischen Daten auf Vollständigkeit und Konsistenz und normalisierten kontinuierliche Variablen mithilfe der Min-Max-Normalisierung vor der Analyse.
Die experimentelle Einheit war eine IoT-fähige Pflanzparzelle, und drei unabhängige Experimente (n = 3) unter ähnlichen Betriebsbedingungen wurden über einen Zeitraum von 90 Tagen durchgeführt. Sensormesswerte wurden alle 10 Minuten mittels MQTT an die Cloud-Plattform übermittelt. Quantitative Daten werden als Mittelwert ± Standardabweichung (SD) angegeben. Mithilfe eines gepaarten Student-t-Tests wurde die statistische Signifikanz des vorgeschlagenen IoT-PA-Frameworks im Vergleich zum standardmäßigen zeitbasierten Bewässerungssystem ermittelt, wobei ein p-Wert < 0,05 als signifikant galt. Die Zuverlässigkeit der Leistungskennzahlen wurde durch Berechnung ihrer 95 %-Konfidenzintervalle (CI) überprüft. Eine auf ESP32 basierende IoT-Plattform mit kapazitiven Bodenfeuchtesensoren, DHT22-Temperatur-Feuchtigkeitssensoren, BH1750-Lichtintensitätssensoren und Niederschlagssensoren diente zur Validierung des IoT-gestützten Präzisionslandbaus (IoT-PA). Umweltdaten wurden kontinuierlich über MQTT an AWS IoT Core gesendet. Unter ähnlichen klimatischen Bedingungen wurde das vorgeschlagene Framework mit einem zeitbasierten Bewässerungssystem verglichen. Wir bewerteten Wasserverbrauch, landwirtschaftliche Produktion, Systemeffizienz, nachhaltige Ressourcenoptimierung und die Übereinstimmung mit den SDGs.
Analyse des Wasserverbrauchs
Abbildung 6 zeigt, dass die kontinuierliche Bodenfeuchtemessung und die automatisierte Bewässerungssteuerung im vorgeschlagenen IoT-gestützten Präzisionslandbau (IoT-PA) den Wasserverbrauch um 24,62 % senkten. Die Echtzeit-Sensorik verringerte unnötige Bewässerung, verbesserte die Wassernutzungseffizienz und trug zu einer nachhaltigen landwirtschaftlichen Produktivität bei.
wobei 
den Prozentsatz der erzielten Wassereinsparung zum Zeitpunkt t angibt, Wconv der gesamte Wasserverbrauch bei Verwendung der herkömmlichen Bewässerungsmethode ist und WIoT der gesamte Wasserverbrauch bei Verwendung des vorgeschlagenen IoT-PA-Frameworks ist. Gleichung (11) berechnet die prozentuale Wassereinsparung durch automatisierte Bewässerungsplanung. Die Testergebnisse zeigten, dass der vorgeschlagene Ansatz 24,62 % mehr Wasser einsparte als die traditionelle Bewässerung.
Analyse der Erträge von Kulturpflanzen
Abbildung 7 zeigt, wie die automatisierte Bewässerung und Umweltüberwachung den landwirtschaftlichen Ertrag mithilfe des vorgeschlagenen IoT-gestützten Präzisionslandbausystems (IoT-PA) auf 95,13 % erhöhte. Die Pflanzengesundheit, der Ernteertrag und der Bedarf an manuellem Eingreifen verbesserten sich durch Echtzeit-Sensordaten zur Wassergabe und zum Erntemanagement.
wobei 
die landwirtschaftliche Produktivität (%) zum Zeitpunkt t bezeichnet, YIoT der mit dem vorgeschlagenen IoT-PA-System erzielte Ertrag ist und Ymax der unter den experimentellen Bedingungen maximal erreichbare Ertrag darstellt. Der Prozentsatz der landwirtschaftlichen Produktivität des vorgeschlagenen Systems wird in Gleichung (12) berechnet. Im experimentellen Vergleich erreichte das IoT-PA-System eine landwirtschaftliche Produktivität von 95,13 %, was darauf hindeutet, dass sensorbasierte Bewässerung und Echtzeit-Überwachung der Umweltbedingungen die Pflanzenleistung verbessern.
Analysе der Systemeffizienz
Abbildung 8 zeigt, dass das IoT-gestützte Präzisionslandbau-Framework (IoT-PA) eine autonome Bewässerung, eine Echtzeit-Erfassung umweltbezogener Daten, eine datenbankbasierte Verarbeitung in der Cloud und eine automatisierte Entscheidungsfindung integriert, um eine Systemeffizienz von 93,85 % zu erreichen. Eine hohe Effizienz bedeutet einen zuverlässigen Systembetrieb mit minimalem Ressourcenverlust und unterstützt so eine nachhaltige Landwirtschaft.
wobei 
die Gesamtsystemeffizienz (%) zum Zeitpunkt t bezeichnet, 
die Anzahl der erfolgreich abgeschlossenen Sensing-, Kommunikations- und Bewässerungsvorgänge darstellt und 
die Gesamtanzahl der geplanten Systemvorgänge während des experimentellen Zeitraums ist. Gleichung (13) berechnet die Erfolgsrate des IoT-PA-Frameworks und zeigt damit die Zuverlässigkeit und Effizienz des Systems an. Die experimentellen Ergebnisse zeigten, dass das vorgeschlagene Framework eine Systemeffizienz von 93,85 % aufwies, was dessen Stabilität und Zuverlässigkeit für kontinuierliche Anwendungen im Smart Farming belegt.
Analysen zur Optimierung nachhaltiger Ressourcen
Der vorgeschlagene IoT-gestützte Rahmen für präzise Landwirtschaft (IoT-PA) erreicht eine nachhaltige Optimierung der Ressourcen von 94,25 %, was mit ökologischer und ökonomischer Nachhaltigkeit übereinstimmt. Abbildung 9 zeigt, wie die Echtzeitüberwachung, die automatisierte Bewässerungsplanung und datengestützte Entscheidungsfindung den Wasserverbrauch und Energieverlust reduzieren und gleichzeitig den landwirtschaftlichen Ertrag steigern. Daher verbessert der Rahmen die Ressourcennutzung und fördert eine nachhaltige Landwirtschaft.
wobei 
die nachhaltige Ressourcenoptimierungsrate (%) zum Zeitpunkt t bezeichnet, 
die Anzahl der Ressourcen (wie Wasser und Energie) darstellt, die effizient durch den vorgeschlagenen IoT-PA-Rahmen genutzt werden, und 
der optimale Ressourcenbedarf unter denselben Anbaubedingungen ist. Gleichung (14) vergleicht effizient genutzte Ressourcen mit den optimalen Ressourcenanforderungen, um die Ressourcennutzung zu bewerten. Die experimentellen Ergebnisse zeigten, dass der IoT-PA-Rahmen Ressourcenverschwendung reduzieren und die landwirtschaftliche Produktivität mit einer nachhaltigen Ressourcenoptimierungsrate von 94,25 % aufrechterhalten kann.
Analyse digitaler Technologien zur Erreichung der SDGs
Abbildung 10 zeigt, dass die IoT-gestützte Präzisionslandwirtschaft (IoT-PA) in dieser Studie eine Übereinstimmungseffizienz von 96,31 % mit den SDGs erreichte. Die automatische Bewässerung und die Echtzeitüberwachung steigern die landwirtschaftliche Produktion und fördern die Ziele SDG 2 (Null Hunger) und SDG 12 (Verantwortungsvolle Konsum- und Produktionsmuster), indem sie den Einsatz von Wasser und Energie optimieren. Die hohe Übereinstimmungseffizienz mit den SDGs zeigt, dass digitale Technologien eine nachhaltige und ressourceneffiziente Landwirtschaft unterstützen.
wobei 
die SDG-Ausrichtungseffizienz (%) zum Zeitpunkt t bezeichnet, 
die Anzahl der nachhaltigen Ziele darstellt, die vom vorgeschlagenen IoT-PA-Framework erfolgreich erreicht wurden, und 
die Gesamtanzahl der für die Bewertung definierten Nachhaltigkeitsziele bezeichnet. Gleichung (15) vergleicht erreichte Nachhaltigkeitsziele mit vorab festgelegten Vorgaben. Laut Versuchsdaten förderte das IoT-PA-Framework nachhaltiges landwirtschaftliches Wachstum durch intelligente Ressourcenverwaltung und digitale Innovation mit einer SDG-Ausrichtungseffizienz von 96,31 %.
Der IOT-gestützte Rahmen für präzise Landwirtschaft (IoT-PA) verbessert das nachhaltige landwirtschaftliche Management durch Echtzeit-Sensoren, cloudbasierte Überwachung und automatisierte Bewässerungssteuerung, wie Experimente zeigen. Im Vergleich zur herkömmlichen Bewässerung reduzierte der Rahmen den Wasserverbrauch um 24,62 % und erreichte eine landwirtschaftliche Produktion von 95,13 %, eine Systemeffizienz von 93,85 %, eine nachhaltige Ressourcenoptimierung von 94,25 % sowie eine Übereinstimmung mit den Entwicklungszielen (SDG) von 96,31 %. Diese Ergebnisse zeigen, dass IOT-Technologien und intelligente Bewässerungssysteme die Ressourcennutzung, die Pflanzenerträge und die nachhaltige Landwirtschaft verbessern. Daher bietet der vorgeschlagene IoT-PA-Rahmen eine praktische und skalierbare Lösung für digitale Landwirtschaft, die die nachhaltigen Entwicklungsziele 2 (Null Hunger) und 12 (Verantwortungsvolle Konsum- und Produktionsweisen) durch datengestütztes landwirtschaftliches Management unterstützt.
Um die Reproduzierbarkeit des IoT-gesteuerten Präzisionslandbaus (IoT-PA) zu überprüfen, wurden alle Experimente dreimal unter identischen Bedingungen wiederholt. Die Ergebnisse der drei Versuchsdurchläufe, einschließlich der Wassereinsparung (24,62 %), der Ertragssteigerung (95,13 %), der Systemeffizienz (93,85 %), der nachhaltigen Ressourcenoptimierung (94,25 %) und der Übereinstimmung mit den SDGs (96,31 %), werden als Mittelwert ± Standardabweichung angegeben. Vor der Vergleichsanalyse wurde die Verteilung der experimentellen Daten mittels des Shapiro-Wilk-Normalitätstests überprüft. Der vorgeschlagene IoT-PA-Ansatz wurde mit der herkömmlichen zeitbasierten Bewässerungsmethode anhand eines gepaarten Student-t-Tests verglichen, wobei die Signifikanz bei p < 0,05 festgelegt wurde. Für alle wesentlichen Leistungsindikatoren wurden 95 %-Konfidenzintervalle (KI) berechnet, um die Unsicherheit der experimentellen Schätzungen zu quantifizieren, und der Variationskoeffizient (CV) wurde ermittelt, um die Wiederholbarkeit und Konsistenz der experimentellen Ergebnisse zu prüfen.
VERFÜGBARKEIT VON DATEN:
Die experimentellen Daten, die die Ergebnisse dieser Studie unterstützen, wurden während der 90-tägigen Feldbewertung des im Manuskript beschriebenen IoT-gestützten Rahmens für präzise Landwirtschaft (IoT-PA) generiert. Der Bericht zum Markt für digitale Zwillinge in der Landwirtschaft (DataIntelo), der als Hintergrundreferenz für die konzeptionelle Entwicklung des Rahmens und zur Einordnung digitaler Landwirtschaftstechnologien herangezogen wurde, ist verfügbar unter: https://dataintelo.com/report/agriculture-digital-twin-market.
Abbildung 1. Digitale Wurzeln: Nachhaltigkeit entlang der Agrar- und Lebensmittelkette fördern. Übersicht über die Wertschöpfungskette der Agrar- und Ernährungswirtschaft, die die Integration digitaler Technologien – einschließlich Internet der Dinge (IoT), Cloud-Computing, künstliche Intelligenz und Datenanalytik – veranschaulicht, um die landwirtschaftliche Produktivität zu steigern, die Ressourcennutzung zu optimieren und eine nachhaltige Lebensmittelproduktion zu unterstützen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 2. Intelligenter Agrar-Regelkreis: Von Feldsensoren bis in die Hände der Landwirte. Arbeitsablauf des vorgeschlagenen, vom Internet der Dinge gesteuerten Rahmens für Präzisionslandwirtschaft (IoT-PA), der die Echtzeit-Erfassung umweltbezogener Daten, die drahtlose Datenübertragung, die Analyse in der Cloud, die automatisierte Bewässerungssteuerung sowie die Entscheidungsunterstützung für Landwirte im Bereich der Präzisionslandwirtschaft zeigt. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 3. Vom Boden zum Ziel: Ein Blaupause für intelligenten Landbau zur nachhaltigen Entwicklung. Konzeptioneller Überblick über den vorgeschlagenen IoT-gestützten Präzisionslandbau (IoT-PA), der die Integration digitaler Technologien für ein intelligentes landwirtschaftliches Management veranschaulicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 4. Vom Dampf zu intelligenten Farmen: Die Entwicklung hin zu agrartechnologischen Zukunftslösungen. Entwicklung der landwirtschaftlichen Technologien von konventionellen Anbaumethoden hin zur modernen digitalen Landwirtschaft durch Mechanisierung, Präzisionslandbau, Internet der Dinge, IoT-gestützte Überwachung, Cloud-Computing und intelligente Entscheidungssysteme. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 5. Intelligente Ketten für sichere Getreideprodukte: Ein digitaler Weg hin zu nachhaltigen Ernährungszukünften. Konzeptionelle Darstellung digitaler Technologien zur Unterstützung der landwirtschaftlichen Lieferkette, einschließlich Pflanzenüberwachung, präziser Bewässerung, Ressourcenoptimierung, Lebensmittelqualitätskontrolle und Nachhaltigkeitsbewertung, um die Ernährungssicherheit und ökologische Leistung zu verbessern. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 6. Analyse des Wasserverbrauchs. Vergleich des Wasserverbrauchs zwischen der herkömmlichen Bewässerungsmethode und dem vorgeschlagenen IoT-PA-System. Der Wasserverbrauch wurde über den gesamten Versuchszeitraum ausgewertet und die Werte als Mittelwert ± Standardabweichung angegeben (n = 3 unabhängige Versuche). Die statistische Signifikanz wurde mittels eines gepaarten Student-t-Tests mit p < 0,05 ermittelt. Das vorgeschlagene IoT-PA-System (Internet of Things-gestützte Präzisionslandwirtschaft) erzielte eine Reduktion des Wasserverbrauchs um 24,62 % im Vergleich zur herkömmlichen Bewässerung. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 7. Analyse des Ertrags pro Flächeneinheit. Vergleich der landwirtschaftlichen Produktivität, erzielt mit der herkömmlichen Bewässerungsmethode und dem vorgeschlagenen IoT-PA-(Internet of Things-gestützte Präzisionslandwirtschaft)-Rahmenwerk unter identischen Anbaubedingungen. Die Ertragswerte werden als Mittelwert ± Standardabweichung angegeben (n = 3 unabhängige Versuche). Die statistische Signifikanz wurde mittels eines gepaarten Student-t-Tests bewertet (p < 0,05). Das vorgeschlagene Rahmenwerk erreichte eine landwirtschaftliche Produktivität von 95,13 %. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 8. Analyse der Systemeffizienz. Leistungsbewertung des IoT-PA-(Internet of Things-gestützte Präzisionslandwirtschaft)-Frameworks basierend auf erfolgreicher Sensorik, Kommunikation, Cloud-Verarbeitung und automatisierter Bewässerung. Die Ergebnisse werden als Mittelwert ± Standardabweichung angegeben (n = 3 unabhängige Versuche). Die statistische Analyse erfolgte mittels gepaartem Student-t-Test mit p < 0,05. Das vorgeschlagene System erreichte eine Gesamtsystemeffizienz von 93,85 %. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 9. Analyse der nachhaltigen Ressourcenoptimierung. Bewertung der durch den vorgeschlagenen IoT-PA-Ansatz mittels effizientem Wasser- und Ressourcenmanagement erreichten nachhaltigen Ressourcenoptimierung. Die Ergebnisse werden als Mittelwert ± Standardabweichung (n = 3 unabhängige Versuche) dargestellt. Die statistische Signifikanz wurde mittels gepaartem Student-t-Test ermittelt (p < 0,05). Der vorgeschlagene Ansatz erreichte eine nachhaltige Ressourcenoptimierungsrate von 94,25 %. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.
Abbildung 10. Analyse digitaler Technologien bei der Erreichung der SDGs. Bewertung des Beitrags des vorgeschlagenen IoT-PA-(Internet-of-Things-gestützte Präzisionslandwirtschaft)-Rahmenwerks zu den Zielen für nachhaltige Entwicklung (SDGs) durch Verbesserungen der Wassernutzungseffizienz, landwirtschaftlichen Produktivität, intelligenten Bewässerung und nachhaltigen Ressourcenbewirtschaftung. Die Ergebnisse werden als Mittelwert ± Standardabweichung (n = 3 unabhängige Versuche) dargestellt. Die statistische Signifikanz wurde mittels eines gepaarten Student-t-Tests mit p < 0,05 bewertet. Das vorgeschlagene Rahmenwerk erreichte eine SDG-Abstimmungseffizienz von 96,31 %. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
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 Systemeffizienz von 93,85 % erreicht. Das System erreichte eine Übereinstimmungseffizienz mit den Nachhaltigkeitszielen von 96,31 %. Intelligente Automatisierung ersetzt ressourcenintensive Alternativen, um die Ernährungssicherheit und die Umwelt zu verbessern. Die Studie unterstreicht, wie Sensoren, Cloud-Computing und Automatisierung replizierbare landwirtschaftliche Modelle schaffen können. Solche Technologien sind aufgrund des Bevölkerungswachstums und des Klimawandels für die Landwirtschaft notwendig. Die digitale Revolution könnte laut diesem Aufsatz die Effizienz, Widerstandsfähigkeit und Nachhaltigkeit der Landwirtschaft erhöhen. Die IoT-PA-Architektur wird in zukünftigen Studien auf verschiedene Kulturen und Regionen angewendet werden. Künstliche Intelligenz wird Meteorologie, prädiktive Analysen und Schädlingsidentifikation verbessern. Um den Zugang für Landwirte zu erhöhen, sollte der Fokus auf kostengünstige Technologien und mobile Anwendungen gelegt werden. Akzeptanz, Qualität des Datenerhalts sowie globale Ziele für Nachhaltigkeit und Ernährungssicherheit werden definiert werden.
Im Vergleich zum von Sridhar et al.18 vorgeschlagenen Integrierten Digitalen Rahmenwerk für Landwirtschaft und Ernährungssysteme (Integrated Digital Agriculture & Food Systems Framework, IDAFS), das einen umfassenden Überblick über digitale Technologien wie das Internet der Dinge (IoT), künstliche Intelligenz (KI), Blockchain, Robotik und Big Data für nachhaltige Agrar-Food-Systeme bietet, stellt der vorgeschlagene IoT-PA-Rahmen eine praktische Umsetzung für die Präzisionslandwirtschaft dar. Während IDAFS hauptsächlich die Technologieeinführung und Strategien der digitalen Transformation auf konzeptioneller Ebene diskutiert, integriert IoT-PA die Echtzeit-Erfassung umweltbezogener Daten, cloudbasierte Datenverarbeitung, automatisierte Bewässerungssteuerung und Benachrichtigungen für Landwirte in einen einheitlichen operationellen Rahmen. Diese Integration ermöglicht eine kontinuierliche Feldüberwachung und automatisierte Entscheidungsfindung, wodurch die Plattform für die präzise Bewässerung und Ressourcenverwaltung geeignet ist18. Varăzarus Digitales SDG-Wirkungsanalyse-Modell (Digital-SDG Impact Analysis Model, DSIAM)19 unterstreicht die Rolle der digitalen Transformation für die Ernährungssicherheit und die Umsetzung der Ziele für nachhaltige Entwicklung anhand von politischen und regionalwirtschaftlichen Analysen. Für die praktische Umsetzung nutzt die IoT-PA-Architektur IoT-fähige Sensoren, automatisierte Bewässerungssteuerung und Cloud-Kommunikation. Die digitale Transformation wird in der Landwirtschaft eingesetzt, um die Wassernutzung und die Erzeugung von Nutzpflanzen zu verbessern19. DVIRF von Zhang und Zhang20 fördert die nachhaltige ländliche Entwicklung durch digitale Infrastruktur, die Integration ländlicher Industrien und technologische Innovation. DVIRF unterstützt die regionale digitale Transformation, bietet jedoch keine Entscheidungsunterstützung für die präzise Bewässerung. Um die intelligente Landwirtschaft zu ermöglichen, kombiniert der IoT-PA-Rahmen eine kontinuierliche Sensorüberwachung, intelligente Bewässerungsplanung, cloudbasierte Analysen und automatisierte Ressourcenverwaltung20. Die vorgeschlagene IoT-PA-Architektur verbindet Umweltsensorik, Konnektivität, Cloud-Computing und automatisierte Bewässerung, um Echtzeit-Entscheidungen und eine effiziente Wasserbewirtschaftung zu ermöglichen. Im Vergleich zu konzeptionellen digitalen landwirtschaftlichen Rahmenwerken18,19,20 verbessert das Design die betriebliche Effizienz, reduziert den menschlichen Aufwand und fördert eine nachhaltige Landwirtschaft. Der Rahmen weist jedoch erhebliche Nachteile auf. Die experimentelle Bewertung erfolgte unter normalen landwirtschaftlichen Bedingungen und wurde bisher nicht über verschiedene Pflanzenarten, Bodentypen, Klimazonen oder großflächige kommerzielle Landwirtschaft hinweg validiert. In dieser Implementierung werden vordefinierte Bodenfeuchte-Schwellenwerte verwendet, wobei keine künstliche Intelligenz für die vorausschauende Bewässerungsplanung, Ertragsprognosen, Schädlings- und Krankheitserkennung oder simulationsbasierte digitale Abbildungen von Pflanzen (Digital Twins) genutzt wird. Zukünftige Forschungsarbeiten werden maschinelles Lernen, digitale Zwillinge, Fernerkundung und erklärbare KI nutzen, um die landwirtschaftliche Vorhersagegenauigkeit, Skalierbarkeit und Flexibilität zu verbessern.
Bei der Interpretation der Ergebnisse der IoT-gestützten Präzisionslandwirtschaft (IoT-PA) müssen Einschränkungen berücksichtigt werden. Im Allgemeinen wurde das Framework nicht über verschiedene Pflanzenarten, Bodenmerkmale, klimatische Bedingungen oder großflächige landwirtschaftliche Kontexte hinweg getestet. Für eine optimale Leistung unter unterschiedlichen Anbaupraktiken verwendet das Bewässerungsmanagement Feuchteschwellenwerte des Bodens, die eine pflanzenspezifische Kalibrierung erfordern können. Diese Anwendung nutzt die Umweltüberwachung auf IoT-Basis und die automatisierte Bewässerungssteuerung, nicht jedoch die künstliche Intelligenz-basierte vorausschauende Bewässerung, Schadens- und Krankheitsdiagnose, Nährstoffmanagement oder multispektrale Fernerkundung. Netzwerkkonnektivität, Genauigkeit der Sensorkalibrierung und klimatische Faktoren, die die Echtzeit-Datenübertragung beeinträchtigen, können die Leistung des Frameworks in abgelegenen landwirtschaftlichen Gebieten beeinträchtigen.
Offenlegungen
Die Autoren geben an, keine Interessenkonflikte zu haben.
Danksagungen
Diese Forschung erhielt keine spezifische Förderung durch eine öffentliche, kommerzielle oder gemeinnützige Einrichtung.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Arduino IDE | Arduino | Version 2.x https://www.arduino.cc/en/software | Integrierte Entwicklungsumgebung, Firmware-Entwicklung für ESP32 |
| Kapazitiver Bodenfeuchtesensor | DFRobot | SEN0193 | Misst die volumetrische Bodenfeuchte; Betriebsspannung 3,3–5,5 V |
| Cloud-basierte IoT-Plattform | Amazon Web Services | AWS IoT Core https://aws.amazon.com/iot-core | Cloud-basierte IoT-Plattform zur Datenspeicherung, Visualisierung und Fernüberwachung |
| DC-Netzteil | Mean Well | / | Versorgt Controller und Pumpe mit Strom; 12 V DC geregelte Ausgangsspannung, Modell: LRS-50-12 |
| DC-Wasserpumpe | Im Handel erhältlich | / | Automatisierte Bewässerung; 12-V-DC-Pumpe |
| Digitaler Lichtintensitätssensor | Rohm Semiconductor | BH1750FVI | Misst die Umgebungslichtintensität; 1–65535 Lux |
| ESP32-Entwicklungsboard | Espressif Systems | ESP32-DEVKITC-32D | Dual-Core-240-MHz-MCU, Wi-Fi/Bluetooth; Hauptcontroller für die Sensordatenerfassung und Bewässerungssteuerung |
| Microsoft Excel | Microsoft Corporation | Microsoft 365 https://www.microsoft.com/microsoft-365/excel | Tabellenkalkulationssoftware zur Datenorganisation und -visualisierung |
| MQTT-Broker | Eclipse Foundation | Mosquitto v2.x https://mosquitto.org | Kommunikation von IoT-Nachrichten; MQTT-Protokoll |
| Python | Python Software Foundation | Version 3.x https://www.python.org | Programmiersprache für die Datenvorverarbeitung und statistische Analyse |
| Regensensormodul | DFRobot | / | Analoge/digitale Ausgabe; erkennt Regenereignisse; Modell: SEN0308 |
| Einkanal-Relaismodul | Songle | SRD-05VDC-SL-C | Schaltet die Bewässerungspumpe EIN/AUS; 5-V-Relais |
| Temperatur- und Feuchtigkeitssensor | Adafruit Industries | DHT22 (AM2302) | Umweltüberwachung; Temperatur ±0,5 °C; Luftfeuchtigkeit ±2 % r.F. |
| Webbrowser | Google LLC | Google Chrome (aktuelle stabile Version) https://www.google.com/chrome | Zugriff auf das AWS-IoT-Dashboard |
| WLAN-Router | TP-Link Technologies | / | Drahtlose Kommunikation zwischen ESP32 und Cloud; IEEE 802.11 b/g/n/ac; Modell: Archer C6 |
Referenzen
- Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
- 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.
- 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.
- 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.
- Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
- 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.
- Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
- 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.
- 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.
- 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.
- 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.
- Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
- 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.
- 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.
- Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
- Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
- 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.
- 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.
- 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.
- Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
- Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
- Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
- 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.
- 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.
- Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
- DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.