Análisis de Fiabilidad entre Capas y Estrategias de Optimización Multiobjetivo Adaptativas a Edge-Edge para el Modelado Físico de Redes en la Gestión Inteligente de CPS en Agricultura Inteligente

Summary

Este protocolo presenta una estrategia de modelado y optimización ciberfísica multinivel para la gestión inteligente de invernaderos, permitiendo una evaluación reproducible de la fiabilidad y el rendimiento ecológico.

Abstract

El aumento de la demanda de alimentos y las tensiones climáticas impulsan la implementación de una agricultura inteligente, pero los Sistemas Ciberfísicos (CPS) existentes carecen de una integración fiable entre capas y de flexibilidad en tiempo real, lo que limita el rendimiento en entornos dinámicos. Este protocolo tiene como objetivo proporcionar una estrategia de modelado y optimización ciberfísica multinivel para la agricultura inteligente en invernadero. Demuestra su potencial de aplicación para mejorar la fiabilidad y adaptabilidad de los sistemas ciberfísicos agrícolas. El enfoque integra una capa física con el modelo Continuo Suelo-Planta-Atmósfera y la calibración del Filtro Kalman Ensemble (EnKF) para una predicción precisa de la humedad del suelo. Incluye una capa de red que emplea fusión multiprotocolo con modelado de red de Petri estocástica para evaluar la fiabilidad de la comunicación. Una capa de control se basa en un sistema híbrido estocástico para coordinar la toma de decisiones conjunta. La fiabilidad se evalúa además mediante un marco de indicadores funcionales-temporales, mientras que la optimización combina aprendizaje por refuerzo multiobjetivo con restricciones de seguridad y metaaprendizaje bayesiano para permitir una adaptación rápida durante el cambio de cultivos. Un despliegue inteligente en el borde garantiza un control robusto durante interrupciones de comunicación. Los resultados del cultivo de tomate en invernadero en Shouguang, China, muestran un desempeño reproducible y estable en la predicción de rendimiento, eficiencia en el uso del agua y control de la latencia bajo condiciones difíciles. Esta metodología proporciona un flujo de trabajo práctico y replicable para implementar sistemas ciberfísicos agrícolas adaptativos y fiables.

Introduction

La población mundial está creciendo rápidamente y la disponibilidad de recursos está disminuyendo, lo que está transformando la forma en que se desarrolla la agricultura. Los modelos convencionales de agricultura, donde la mano de obra y los insumos materiales son altos y la dependencia de las circunstancias naturales es fuerte, no pueden ofrecer eficiencia ni sostenibilidad. La agricultura inteligente se ha convertido, en este caso, en el enfoque transformador. Permite lograr una percepción completa del campo, tomar decisiones precisas y controlar el campo de forma inteligente mediante la combinación del Internet de las Cosas, el análisis de big data, la inteligencia artificial y los sistemas de información espacial, lo que mejora la eficiencia del uso de los recursos y contribuye a una producción agrícola sostenible ^1,2.

El mercado de la agricultura inteligente está creciendo exponencialmente en todo el mundo, y Estados Unidos crece en tecnologías de agricultura de precisión, Israel en riego que ahorra agua y Japón en el ámbito de sistemas inteligentes de^{invernaderos 3}. En China, el^decimocuarto plan quinquenal nacional de desarrollo de la informatización agrícola y rural ha conducido a la transformación digital de la agricultura, lo que ha dado lugar a avances en la mejora genética digital, maquinaria inteligente y proyectos de agricultura inteligente a gran^{escala 4}. Internet de las Cosas (IoT) se refiere a una red de dispositivos conectados de actuación y detección que recopilan, intercambian y procesan datos. Sin embargo, incluso con estos avances, siguen existiendo problemas con la cobertura de las redes IoT, la precisión y fiabilidad de los sensores, el intercambio de información entre sistemas y el acceso a la comprensión interdisciplinar que limitan una implementación^{extensa 5,6}.

Los Sistemas Ciberfísicos (CPS) de la agricultura están en el centro de este entorno al conectar la percepción del entorno con el control^{inteligente 7}. CPS combinaba tanto procesos computacionales como físicos conectados con sensores, controladores y redes de comunicación. No obstante, los métodos de modelado existentes suelen basarse en la independencia de las capas física, de red y de control, restringiendo la interacción de las capas y disminuyendo la capacidad predictiva durante las perturbaciones^{dinámicas 8}. Las evaluaciones de fiabilidad existentes también enfatizan las dimensiones funcionales y temporales, mientras que la fiabilidad ecológica, como la eficiencia en el uso del agua y las restricciones de salinidad del suelo, sigue sin^{explorarse 9}. Además, muchas estrategias de optimización dependen del entrenamiento offline, lo que provoca retrasos en la inferencia basada en bordes y dificultades para adaptarse a cambios ambientales o de cultivos^{rápidos 10}.

La monitorización en invernaderos basada en sensores está ganando popularidad, pero sigue enfrentándose a numerosos obstáculos que impiden una mayor aceptación. La escalabilidad y fiabilidad del sistema están limitadas por altos costes de despliegue y una calidad desigual de los sensores. Los métodos de modelización utilizados en la monitorización sensorial de invernaderos se basan en la premisa de condiciones ambientales estables, patrones de crecimiento consistentes de los cultivos y transmisión fiable de información a través de redes de comunicación. Sin embargo, estas suposiciones no son válidas en muchas condiciones que ocurren dentro de los invernaderos. Estas limitaciones indican que es necesario diseñar e implementar un marco capaz de gestionar lecturas ruidosas no constantes de sensores, fluctuaciones en la fuente de alimentación de los sensores durante el uso y periodos de pérdida de comunicación sin comprometer la calidad del rendimiento ni la viabilidad de la implementación.

Para abordar estas limitaciones, este protocolo introduce un flujo de trabajo reproducible de modelado y optimización multicapa que integra procesos físicos, de red y de control en un marco unificado. La capa física emplea un modelo de Continuo Suelo-Planta-Atmósfera con calibración del Filtro de Kalman en conjunto para una predicción precisa de la humedad^{del suelo 11}. La capa de red utiliza fusión multiprotocolo mediante un modelo de red de Petri estocástica para medir la fiabilidad de la comunicación. A nivel de control, un sistema híbrido estocástico permite la toma de decisiones conjuntas entre capas. El sistema de índice funcional-temporal-ecológico se utiliza para medir la fiabilidad, el aprendizaje por refuerzo profundo multiobjetivo se emplea para optimizar ese sistema, con restricciones de seguridad y el metaaprendizaje bayesiano, que se utiliza para adaptarse rápidamente al cambio de cultivos. Un despliegue inteligente en el borde también proporciona robustez del sistema a interrupciones durante la comunicación. Combinando estos elementos, el protocolo ofrece una forma sistemática y replicable de mejorar la estabilidad y flexibilidad de las aplicaciones CPS en la agricultura^{inteligente 12}.

Este protocolo es adecuado para entornos de invernadero de tamaño medio a grande (800-1500 m²) con diversas redes inalámbricas de sensores para el monitoreo del suelo, microclima y CO₂. Para proporcionar control en tiempo real, se recomienda una resolución muestral mínima de 5 minutos, siendo necesaria la comunicación LoRa/NB-IoT para el despliegue multi-nodo (>200 nodos). El flujo de trabajo se ha demostrado para la producción de tomate en invernadero, pero puede aplicarse a cultivos como pepino, pimiento y verduras de hoja mediante reajuste de parámetros y transferencia de meta-aprendizaje.

El protocolo se basa en un ciclo de trabajo secuencial en el que la modelización física determina la humedad del suelo, la capa de red determina la estabilidad de transmisión de datos y las capas de control + optimización producen políticas de riego y fertilización que proporcionan estabilidad ecológica y operativa. La Figura 1 muestra el flujo de trabajo intercapa propuesto entre sistemas cibernéticos y físicos.

Protocol

Se señala que no se realizan experimentos en humanos ni en animales vertebrados en este protocolo. En caso de futuros estudios que impliquen participación humana o muestras biológicas, esto debe ser aprobado por la junta de revisión institucional correspondiente, y el número de aprobación debe registrarse antes de su implementación.

1. Preparación del sitio y hardware

NOTA: Este paso construye una red de sensores estandarizada, que proporciona información precisa y sincronizada sobre el entorno que se utilizará en modelados físicos y controles posteriores.

1. Establece la ubicación del invernadero introduciendo las coordenadas GPS en el software de monitorización. Selecciona las especies de cultivos de la biblioteca proporcionada y establece los objetivos ambientales (temperatura: 20-28 °C, humedad relativa: 50%-70%).
2. Registrar las dimensiones del invernadero, los sistemas de ventilación y la configuración de sombreado.
3. Sincroniza todos los dispositivos con un reloj unificado usando el Protocolo de Tiempo de Red (NTP)¹³.
4. Instala_sensores de humedad, temperatura, humedad, luz y CO 2 del suelo según las especificaciones del fabricante.
   1. Instala 60 sensores inalámbricos de humedad y temperatura del suelo (precisión ±2%), 10 sensores de humedad y CO₂ (± 30 ppm de precisión de CO₂ ) y 4 sensores de luz multiespectrales. Utiliza un espaciado de rejilla de 6 m x 5 m para posicionar los sensores de suelo a profundidades de 10, 20 y 30 cm. Dependiendo de su función, todos los sensores utilizan transceptores LoRa y módulos NB-IoT para la comunicación inalámbrica. Sincroniza la puerta de entrada y los sensores meteorológicos usando NTP para lograr una precisión de ±1 s.
5. Instala los sensores fijos en las profundidades y posiciones indicadas para asegurarte de que la medición es correcta.
6. Configura la tasa de muestreo de datos a 5 mph y activa la alineación de las marcas de tiempo en la puerta de entrada.
7. Registra todos los nodos sensores con IDs únicos y comprueba la conectividad del gateway. Realizar una prueba de 24 horas para evaluar la pérdida de paquetes y la deriva del reloj.
8. Guarda el registro base para poder usarlo en el futuro. La Tabla 1 representa la configuración y la configuración de parámetros para los pasos de modelado.

2. Modelado físico de capas (Continuo suelo-planta-atmósfera (SPAC) y filtro de Kalman en conjunto (EnKF))

NOTA: Esta fase aproxima las interacciones entre suelo, planta y atmósfera para producir estimaciones correctas de la humedad del suelo que se utilizan para controlar el riego.

1. Datos de entrada listos en el modelo SPAC porque requiere lo siguiente: la textura del suelo, la capacidad del campo, la distribución de las raíces, los factores meteorológicos y el índice de área foliar del dosel.
2. Todos los conjuntos de datos de entrada se remuestrearon a un índice de tiempo uniforme de 5 minutos en Python 3.10 usando la función Pandas resample('5min').mean(). Los valores faltantes se imputaron usando CubicSpline de SciPy, mientras que los intervalos de >5 minutos se reconstruyeron propagando las previsiones del modelo SPAC a través de la fase de predicción de EnKF. Se conservaron las banderas de incertidumbre para el análisis de fiabilidad.
   1. Rellenar los valores faltantes usando interpolación spline^{cúbica 14}. Reconstruir los huecos más largos (> 5 min) utilizando la fase de predicción EnKF basada en la humedad del suelo y la previsión meteorológica. Marca todos los valores reconstruidos para el seguimiento de incertidumbre.
3. Establecer la ecuación de Richards para modelar el flujo de agua insaturada.
    
   Donde es la tasa de cambio del contenido volumétrico de agua θ (m³) respecto al tiempo t, h es la altura de presión (cm) y K(θ) es la conductividad hidráulica. El operador ∇ indica el gradiente espacial, y la expresión (∇h+1) representa el gradiente hidráulico total.
4. Estimar los parámetros hidráulicos del suelo utilizando el modelo de van Genuchten:
   
   Donde K_es la conductividad hidráulica saturada, S_e (θ-θ_r )/(θ_s -_{θ r}) es la saturación efectiva con θ_s y θ_x los contenidos saturados y residuales de agua. l es el parámetro de conectividad de poros, m y n , y son parámetros de forma relacionados por ( con n>1). denota la saturación efectiva aumentada al parámetro de conectividad de poros l. Basado en la saturación efectiva S_e, el término función hidráulica de van Genuchten describe el comportamiento no lineal de retención de agua del suelo y el parámetro de forma m.
5. Combina la ecuación de Richards con el modelo de fotosíntesis de Farquhar. Integra el modelo de transpiración de Penman-Monteith para tener en cuenta los efectos de la luz, la temperatura y el CO₂.
6. Inicializar los priors de parámetros y vectores de estado para EnKF.
   NOTA: El EnKF es un método de asimilación de datos de Monte Carlo que actualiza las estimaciones del estado de humedad del suelo integrando predicciones del modelo con observaciones en tiempo real de sensores y estimando estadísticamente la covarianza de error¹⁵.
7. Ejecuta ciclos de predicción-actualización de EnKF hasta que el error cuadrático medio de raíz (RMSE) de las predicciones de humedad del suelo caiga por debajo del 2%, o hasta que se alcance un máximo de 50 iteraciones.
8. Archivar todos los parámetros calibrados para análisis posteriores. La Figura 2 muestra la curva de estabilización de humedad del suelo producida tras la calibración SPAC-EnKF.
9. Ejecuta el procedimiento de simulación numérica para SPAC-EnKF. Utiliza MATLAB R2023b para calcular SPAC-EnKF. Establece el paso de tiempo Δt = 300 s, el tamaño del conjunto N = 100, y las variables de estado θ, h y K(θ) a sus valores iniciales. Utiliza el solucionador de ecuaciones de Richards para realizar la fase de previsión y utiliza datos observacionales de humedad del suelo para la fase de actualización. Hasta que se alcance el umbral de convergencia del RMSE < 2%, se repiten los ciclos de predicción-actualización.

3. Modelado en capa de red (Red heterogénea y red de Petri estocástica (SPN))

NOTA: Esta sección evalúa la fiabilidad de la comunicación para permitir la entrega de datos oportuna y continua para las decisiones de control.

1. Desplegar módulos de comunicación heterogéneos, incluyendo LoRa para datos meteorológicos de largo alcance, NB-IoT para sensores de suelo y 5G para cámaras de fenotipado de alta frecuencia.
   1. Asigna datos meteorológicos de largo alcance y bajo ancho de banda (viento, radiación, precipitaciones) a módulos LoRa. Habilitar módulos NB-IoT para nodos sensores de suelo que requieren un ancho de banda moderado y bajo consumo de energía. Habilitar el fenotipado de datos de cámara de alta frecuencia usando módulos 5G NR para transferencia de vídeo a alta velocidad. Adjunta un gateway de borde basado en Raspberry Pi que soporte gestión multiprotocolo a cada nodo de comunicación.
2. Configura el sistema para que soporte más de 200 nodos por gateway con una frecuencia de muestreo de 5 minutos.
3. Registrar continuamente el Indicador de Intensidad de Señal Recibida (RSSI), la Relación Señal-Ruido (SNR) y el estado de la batería. Calcula las tasas de recepción de paquetes a intervalos de 5 minutos.
4. Si se detecta una recepción anormal, inspeccionar la alineación de la antena y comprobar posibles fuentes de interferencia. Definir y resolver el modelo de fiabilidad de la comunicación Estocástica de la Red de Petri (SPN)
   1. Implementa SPN usando Mobius 2.0. Define tres lugares: normal (>95% de recepción), retraso (80-95%) e interrupción (<80%). Configura las velocidades de transición λ_nd,_{λ di} y_{λ in} como función de la SNR y la energía restante de la batería:
      
   2. Calcular la distribución en estado estacionario usando la ecuación de balance lineal πQ = 0 para obtener la probabilidad de interrupción de comunicación P_int = π_{interrupción}.
5. Definamos un modelo SPN con tres estados de comunicación: N normal (>95% de recepción), retardo D (80-95%) e interrupción I (<80%). Q indica la matriz generadora de la cadena de Markov en tiempo continuo.
   
   Las transiciones de estado están gobernadas por parámetros de tasa λ_X→Y, donde X,Y∈ {N,D,I}. Para asegurar que cada fila de Q suma cero, cada elemento diagonal es la suma negativa de las tasas de transición salientes de ese estado.
6. Estima las tasas de transición basándose en la SNR y las métricas de energía restante usando.
   
   Donde E es la energía residual normalizada (0-1), y SNR es la relación señal-ruido observada en decibelios. k_XY es una constante de escala para la tasa de transición entre el estado X y el estado Y, mientras que k_s regula la inclinación de la respuesta dependiente de la SNR. El umbral SNR para la transición X→Y es _{SNR XY}. Los bajos niveles de batería aumentan la posibilidad de una transición, como capturan c_XY y p_XY.  ∈_XY es una tasa base pequeña que garantiza una probabilidad no nula de transiciones. La función logística que regula la sensibilidad a la SNR es
   
   Donde σ(u) denota la función sigmoide logística, y el término exponencial ^e-u controla la velocidad a la que la función transita entre 0 y 1.
7. Resuelve la distribución en estado estacionario para obtener la probabilidad de interrupción. Definamos α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D. La probabilidad de interrupción en estado estacionario es:
   
   donde π_I muestra la probabilidad a largo plazo (estado estacionario) de que el sistema permanezca en la condición de interrupción. Las seis tasas de transición entre los tres estados se representan por los parámetros α, β, γ, δ, ε y ζ. El denominador muestra el balance general del flujo en todas las transiciones, mientras que el numerador compila todas las rutas de transición eficientes que conducen al estado de Interrupción. La probabilidad estacionaria de interrupción de la comunicación bajo la estructura de tasas especificada se proporciona mediante el valor resultante. La Tabla 2 muestra las transiciones procedurales entre las capas de modelado en el CPS propuesto.

4. Modelado de la capa de control (MPC dentro de SHS)

NOTA: Este proceso maximiza la alternativa de riego y fertilización, además de acomodar los problemas de comunicación.

1. Construir un sistema de Control Predictivo por Modelo (MPC), con el objetivo de optimizar el rendimiento de los cultivos al final de las 24 horas. Ejecutar la programación de riego basada en Control Predictivo por Modelo (MPC). Implementa MPC en Python 3.10 / biblioteca CasADi. Defina horizonte de predicción Hp = 24 pasos, horizonte de control Hc = 6 y entrada de control u(t) (flujo de riego). Optimizar la función de costes:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   usando un solucionador IPOPT con cotas de restricción 0 ≤ u(t) ≤ 6 mm/h.
2. Define las variables de decisión respecto a los procesos de riego y fertilización.
3. Utiliza sujeciones en el rango de humedad del suelo, la conductividad de la zona radicular y el control de la latencia.
4. Añadir probabilidades de interrupción de red al solucionador MPC como tiempo incierto.
5. Utiliza la restricción suave en la función de costeo usando pesos. Q (entrada)= 0,5-1,0; Q (salida) = 0,3-0,7. Los pesos de ajuste dependen de las pruebas preliminares de ajuste para garantizar la estabilidad predictiva del MPC.
6. Cuando ocurra una pérdida de paquetes, se pronostica la humedad del suelo de 1 h con el modelo SPAC y calcula el riego por compensación.
7. Sincroniza el estado de control inmediatamente después de la recuperación de la comunicación para evitar acciones duplicadas.
8. Combinar un sistema físico continuo, un sistema de red discreta y acciones de control en un modelo de transición de Sistema Híbrido Estocástico (SHS).

5. Cuantificación de fiabilidad

NOTA: Para evaluar la robustez de los sistemas en respuesta a las perturbaciones, esta parte evalúa tanto la fiabilidad funcional, temporal como ecológica.

1. Se utilizaron tres indicadores de fiabilidad: (1) fiabilidad funcional cuantificada por error de predicción de rendimiento (E_γ, %) y estimación de humedad suelo-RMSE; (2) fiabilidad temporal medida por la latencia de control de extremo a extremo (L_e₋_e, s); y (3) fiabilidad ecológica evaluada utilizando eficiencia en el uso del agua (WUE, g·kg⁻¹) y la proporción de tiempo en que la conductividad eléctrica de la zona radicular superó el umbral de seguridad (_{T e}c>2,5dS/m, %).
2. Construye un modelo de juego estocástico, donde participan tres agentes: sensor (minimizando la probabilidad de fallo), atacante (maximizando la posibilidad de fallo) y entorno (añadiendo perturbaciones aleatorias) al modelo.
3. Definir funciones de pago y resolver equilibrios de Nash para identificar límites de fiabilidad. Realizar un análisis de sensibilidad global usando índices Sobol para clasificar las contribuciones de parámetros¹⁶.
4. La contribución de parámetros se cuantificó utilizando la media de efectos elementales absolutos (EE, índice de sensibilidad de Morris), se calculó a partir de trayectorias de muestreo perturbadas y se evaluó conjuntamente con la varianza de EE para capturar la intensidad de interacción y la no linealidad; parámetros con la media más alta|EE| y la varianza elevada de EE fueron identificados como contribuyentes dominantes y seleccionados para su posterior optimización.

6. Estrategia de optimización

NOTA: Esta parte maximiza las decisiones de control para lograr una productividad, costes y estabilidad ecológica óptimas, y aun así, una rápida adaptabilidad al cambiar de cultivo.

1. Especificar el espacio de estados, que incluye el índice de área foliar, la humedad estimada del suelo SPAC–EnKF y el retardo de control registrado en el controlador de borde.
2. Establecer el espacio de acciones definiendo la cantidad de riego, la tasa de fertilización y la frecuencia de muestreo del sensor como acciones de control discretas y acotadas implementadas en el controlador de borde.
3. Construye una función de recompensa multiobjetivo integrando fiabilidad, coste económico y rendimiento medioambiental mediante optimización ponderada.
4. Observar las políticas óptimas de Pareto usando el algoritmo NSGA-III (Tabla 3).
5. Establecer limitaciones de seguridad con funciones de barrera de control (CBF) haciendo cumplir límites inferiores para la humedad del suelo en la zona radicular y límites superiores para la salinidad del suelo para prevenir sequías y estrés salino.
6. Proporciona una condición de estabilidad de Lyapunov definiendo una función de Lyapunov definida positiva sobre el vector de estado de crecimiento y imponiendo que su derivada temporal sea definida negativa dentro de los límites de operación seguros.
7. Utiliza el metaaprendizaje bayesiano para permitir la actualización rápida de parámetros en caso de cambio de cultivo.
   NOTA: Tras este paso, el flujo de trabajo puede pausar para validar las actualizaciones del modelo fuera de línea. Reanuda recargando el último punto de control.
8. Adaptarse a los últimos 7 días y tener un tiempo de reentrenamiento inferior a 5 minutos. Entrena un modelo de refuerzo comprimido aplicando poda y cuantización post-entrenamiento, y luego ajusta finamente en el dispositivo de borde usando datos de interacción recogidos localmente.
9. Utiliza el mecanismo de degradación siempre que haya fallos en la comunicación para asegurar que la latencia de control se mantenga por debajo de 30 s. Sincroniza las nubes de reanudación con la recuperación de comunicaciones.

Results

La humedad del suelo y la SNR tienen la mayor influencia positiva de las explanaciones aditivas SHAPapley (SHAP) en las decisiones de riego, según el gráfico resumen SHAP (Figura 3). La alta latencia orienta la política hacia opciones de respaldo conservadoras, demostrando conformidad con la arquitectura de control consciente de la fiabilidad. La Tabla 4 muestra instrucciones operativas y detalles de configuración para módulos computacionales

Discussion

La evidencia experimental muestra que el marco de CPS propuesto y las estrategias de optimización destacan en las tres dimensiones: fiabilidad, seguridad y eficiencia computacional. El modelado de acoplamiento entre capas supera con éxito la separación histórica entre las representaciones físicas y las de red. Al integrar SPAC y SPN dentro de un marco SHS unificado, el sistema redujo el error de predicción de rendimiento en un 32,7% y acortó los retrasos en un 45% bajo temperaturas extre...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Cámara multiespectral	MicaSense	RedEdge-MX	Captura la reflectancia del dosel para la estimación de LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Dispositivo de borde para inferencia local de IA
Sensor de humedad del suelo	Dispositivos Decagon	EC-5	Mide el contenido volumétrico de agua en el suelo
Estación meteorológica	Campbell Scientific	CR300	Registra temperatura, humedad y precipitaciones