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 aná....

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.

....

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 computacionale.......

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