Analisi dell'affidabilità cross-layer e strategie di ottimizzazione multi-obiettivo adattive al margine per la modellazione fisica di rete nella gestione CPS dell'agricoltura intelligente

Summary

Questo protocollo presenta una strategia di modellazione e ottimizzazione ciberfisica cross-layer per la gestione intelligente delle serre a serra, consentendo una valutazione riproducibile dell'affidabilità e delle prestazioni ecologiche.

Abstract

La crescente domanda di cibo e le tensioni climatiche guidano l'implementazione di un'agricoltura intelligente, ma i Sistemi Ciberfisici (CPS) esistenti mancano di un'integrazione affidabile tra strati e di flessibilità in tempo reale, limitando le prestazioni in ambienti dinamici. Questo protocollo mira a fornire una strategia di modellazione e ottimizzazione ciberfisica cross-layer per l'agricoltura intelligente in serra. Dimostra una potenziale applicabilità per migliorare l'affidabilità e l'adattabilità dei sistemi ciberfisici agricoli. L'approccio integra uno strato fisico con il modello Continuum Suolo-Pianta-Atmosfera e la calibrazione Ensemble Kalman Filter (EnKF) per una previsione accurata dell'umidità del suolo. Include uno strato di rete che impiega fusione multi-protocollo con modellazione stocastica di reti di Petri per valutare l'affidabilità della comunicazione. Uno strato di controllo si basa su un sistema ibrido stocastico per coordinare il processo decisionale congiunto. L'affidabilità viene ulteriormente valutata attraverso un quadro di indicatori funzionali-temporali-ecologici, mentre l'ottimizzazione combina reinforcement learning multi-obiettivo con vincoli di sicurezza e meta-apprendimento bayesiano per consentire un rapido adattamento durante il cambio di coltura. Una distribuzione edge-intelligent garantisce un controllo robusto durante le interruzioni delle comunicazioni. I risultati della coltivazione di pomodori in serra a Shouguang, in Cina, mostrano prestazioni riproducibili e stabili nella previsione della resa, nell'efficienza dell'uso dell'acqua e nel controllo della latenza in condizioni difficili. Questa metodologia offre un flusso di lavoro pratico e replicabile per l'implementazione di sistemi ciberfisici agricoli adattivi e affidabili.

Introduction

La popolazione mondiale sta crescendo rapidamente e la disponibilità delle risorse è in calo, il che sta trasformando il modo in cui si sviluppa l'agricoltura. I modelli convenzionali dell'agricoltura, dove il lavoro e l'apporto materiale sono elevati e la forte dipendenza dalle circostanze naturali, non possono offrire efficienza e sostenibilità. L'agricoltura intelligente è, in questo caso, diventata l'approccio trasformativo. Permette di ottenere una percezione completa del campo, prendere decisioni accurate e controllare il campo in modo intelligente grazie alla combinazione di Internet delle Cose, analisi dei big data, intelligenza artificiale e sistemi informativi spaziali, il che migliora l'efficienza dell'uso delle risorse e contribuisce a una produzione agricola sostenibile ^1,2.

Il mercato dell'agricoltura intelligente sta crescendo esponenzialmente in tutto il mondo, mentre gli Stati Uniti stanno crescendo nelle tecnologie dell'agricoltura di precisione, Israele nell'irrigazione a risparmio idrico e il Giappone nell'ambito dei sistemi di serra^{intelligenti 3}. In Cina, il^{quattordicesimo} piano quinquennale nazionale per lo sviluppo dell'agricoltura e dell'informatizzazione rurale ha portato alla trasformazione digitale dell'agricoltura, che ha portato a progressi nel miglioramento digitale, nelle macchine intelligenti e nei progetti di agricoltura intelligente su^{scala 4}. Internet delle Cose (IoT) si riferisce a una rete di dispositivi di attuazione e rilevamento connessi che raccolgono, scambiano e processano dati. Tuttavia, anche con questi sviluppi, persistono problemi nella copertura delle reti IoT, nella precisione e affidabilità dei sensori, nello scambio di informazioni tra sistemi e nell'accesso a una comprensione interdisciplinare che limitano un'implementazione^{estesa 5,6}.

I Sistemi Ciber-Fisici (CPS) dell'agricoltura sono al centro di questo paesaggio, collegando la percezione dell'ambiente al controllo^{intelligente 7}. CPS combinava sia processi computazionali che fisici collegati a sensori, controller e reti di comunicazione. Tuttavia, i metodi di modellazione esistenti si basano solitamente sull'indipendenza dei livelli fisico, di rete e di controllo, limitando l'interazione degli strati e diminuendo la capacità predittiva durante disturbi^{dinamici 8}. Le valutazioni di affidabilità esistenti enfatizzano anche le dimensioni funzionali e temporali, mentre l'affidabilità ecologica, come l'efficienza nell'uso dell'acqua e i vincoli di salinità del suolo, rimane poco^{esplorata 9}. Inoltre, molte strategie di ottimizzazione si basano su addestramento offline, causando ritardi nell'inferenza basata sui bordi e difficoltà nell'adattarsi a cambiamenti ambientali rapidi o di^{colture 10}.

Il monitoraggio delle serre basato su sensori sta guadagnando popolarità, ma continua ad affrontare numerosi ostacoli che impediscono una maggiore accettazione. La scalabilità e l'affidabilità del sistema sono limitate dagli elevati costi di implementazione e dalla qualità disomogenea dei sensori. I metodi di modellazione utilizzati nel monitoraggio delle serre basati su sensori si basano sul presupposto di condizioni ambientali stabili, modelli di crescita costanti delle colture e trasmissione affidabile delle informazioni attraverso reti di comunicazione. Tuttavia, queste ipotesi non sono valide in molte condizioni che si verificano all'interno delle serre. Queste limitazioni indicano che è necessario progettare e implementare un framework in grado di gestire letture rumorose non costanti dai sensori, fluttuazioni dell'alimentazione dei sensori durante l'uso e periodi di perdita di comunicazione senza compromettere la qualità delle prestazioni o la fattibilità dell'implementazione.

Per affrontare queste limitazioni, questo protocollo introduce un flusso di lavoro riproducibile di modellazione e ottimizzazione cross-layer che integra processi fisici, di rete e di controllo in un framework unificato. Lo strato fisico impiega un modello di continuum Suolo-Piante-Atmosfera con calibrazione Ensemble Kalman Filter per una previsione accurata dell'umidità^{del suolo 11}. Il livello di rete utilizza la fusione multi-protocollo utilizzando un modello Stocastic Petri Net per misurare l'affidabilità della comunicazione. A livello di controllo, un sistema ibrido stocastico consente decisioni congiunte tra strati trasversali. Il sistema di indice funzionale-temporale-ecologico viene utilizzato per misurare l'affidabilità, il deep reinforcement learning multi-obiettivo viene utilizzato per ottimizzare quel sistema, con vincoli di sicurezza e il meta-apprendimento bayesiano, che viene utilizzato per adattarsi rapidamente al cambio di colpi. Una distribuzione edge-intelligent fornisce anche robustezza del sistema alle interruzioni durante la comunicazione. Combinando questi elementi, il protocollo offre un modo sistematico e replicabile per migliorare la stabilità e la flessibilità delle applicazioni CPS nello smart^{farming 12}.

Questo protocollo è adatto a ambienti serra su medie e grandi dimensioni (800-1500 m²) con diverse reti di sensori wireless per il monitoraggio del suolo, microclima e CO₂. Per fornire controllo in tempo reale, si raccomanda una risoluzione minima del campione di 5 minuti, con la comunicazione LoRa/NB-IoT necessaria per il deployment multi-nodo (>200 nodi). Il flusso di lavoro è dimostrato per la produzione di pomodori in serra, ma può essere applicato a colture come cetriolo, pepe e verdure a foglia tramite retuning dei parametri e trasferimento di meta-apprendimento.

Il protocollo si basa su un ciclo di lavoro sequenziale in cui la modellazione fisica determina l'umidità del suolo, lo strato di rete determina la stabilità nella trasmissione dei dati e i livelli di controllo + ottimizzazione producono politiche di irrigazione e fertilizzazione che forniscono stabilità ecologica e operativa. La Figura 1 mostra il flusso di lavoro cross-layer del sistema cyber-fisico proposto.

Protocol

Si nota che non sono coinvolti esperimenti su esseri umani o animali vertebrati in questo protocollo. Nel caso di futuri studi che coinvolgano l'umanità o campioni biologici, ciò deve essere approvato dal comitato di revisione istituzionale competente e il numero di approvazione deve essere registrato prima dell'implementazione.

1. Preparazione del sito e dell'hardware

NOTA: Questo passaggio costruisce una rete di sensori standardizzata, che fornisce informazioni precise e sincronizzate sull'ambiente da utilizzare nella successiva modellazione fisica e nel controllo.

1. Stabilisci la posizione della serra inserendo le coordinate GPS nel software di monitoraggio. Seleziona le specie coltivate dalla biblioteca di colture fornita e stabilisci gli obiettivi ambientali (temperatura: 20-28 °C, umidità relativa: 50%-70%).
2. Registrare le dimensioni della serra, i sistemi di ventilazione e la configurazione delle ombreggiate.
3. Sincronizza tutti i dispositivi con un clock unificato utilizzando il Network Time Protocol (NTP)¹³.
4. Installa_sensori di umidità, temperatura, umidità, luce e CO 2 del terreno secondo le specifiche del produttore.
   1. Installare 60 sensori wireless di umidità e temperatura del suolo (precisione ±2%), 10 sensori di umidità e CO₂ (± 30 ppm di precisione CO₂ ) e 4 sensori di luce multispettrali. Utilizzare una distanza a griglia di 6 m x 5 m per posizionare i sensori del suolo a profondità di 10, 20 e 30 cm. A seconda della loro funzione, tutti i sensori utilizzano ricetrasmettitori LoRa e moduli NB-IoT per la comunicazione wireless. Sincronizza il gateway e i sensori meteorologici usando NTP per ottenere la precisione temporale di ±1 s.
5. Installa i sensori fissi alle profondità e posizioni indicate per assicurarti che la misurazione sia corretta.
6. Imposta la frequenza di campionamento dei dati a 5 mph e attiva l'allineamento dei timestamp al gateway.
7. Registra tutti i nodi sensore con ID unici e verifica la connettività del gateway. Effettuare un test di 24 ore per valutare la perdita di pacchetti e la deriva di clock.
8. Tieni il registro di base per usarlo in futuro. La Tabella 1 rappresenta la configurazione e le impostazioni dei parametri per i passaggi di modellazione.

2. Modellazione degli strati fisici (Continuum Suolo-Pianta-Atmosfera (SPAC) e Ensemble Kalman Filter (EnKF))

NOTA: Questa fase approssima le interazioni tra suolo, pianta e atmosfera per produrre stime corrette dell'umidità del suolo utilizzate per controllare l'irrigazione.

1. Dati di input pronti nel modello SPAC perché richiede quanto segue: la texture del suolo, la capacità del campo, la distribuzione delle radici, i fattori meteorologici e l'indice dell'area fogliare della chioma.
2. Tutti i dataset di input sono stati ricampionati a un indice temporale uniforme di 5 minuti in Python 3.10 utilizzando la funzione Pandas resample('5min').mean(). I valori mancanti sono stati imputati utilizzando CubicSpline di SciPy, mentre i gap di >5 minuti sono stati ricostruiti propagando le previsioni del modello SPAC attraverso la fase di previsione EnKF. I flag di incertezza sono stati conservati per l'analisi dell'affidabilità.
   1. Riempire i valori mancanti usando interpolazione cubic^{spline 14}. Ricostruisci i gap più lunghi (> 5 min) utilizzando la fase di previsione EnKF basata sull'umidità del suolo e sulle previsioni meteorologiche. Segna tutti i valori ricostruiti per il tracciamento dell'incertezza.
3. Stabilire l'equazione di Richards per modellare il flusso d'acqua insaturo.
    
   Dove è la variazione del contenuto volumetrico d'acqua θ (m³) rispetto al tempo t, h è la testa di pressione (cm) e K(θ) è la conducibilità idraulica. L'operatore ∇ indica il gradiente spaziale, mentre l'espressione (∇h+1) rappresenta il gradiente idraulico totale.
4. Stima dei parametri idraulici del suolo utilizzando il modello di van Genuchten:
   
   Dove K_è la conducibilità idraulica saturata, S_e (θ-θ_r )/(θ_s -_{θ r}) è la saturazione effettiva con θ_s e θ_x i contenuti d'acqua satura e residua. l è il parametro di connettività dei pori, m e n , e sono parametri di forma collegati da ( con n>1). indica la saturazione effettiva aumentata al parametro di connettività dei pori l. Basandosi sulla saturazione effettiva S_e, il termine funzione idraulica di van Genuchten descrive il comportamento non lineare di ritenzione idrica del suolo e il parametro di forma m.
5. Accoppia l'equazione di Richards con il modello di fotosintesi di Farquhar. Integrare il modello di traspirazione di Penman-Monteith per tenere conto degli effetti di luce, temperatura e_CO2.
6. Inizializzare i priori dei parametri e i vettori di stato per EnKF.
   NOTA: L'EnKF è un metodo di assimilazione dati di Monte Carlo che aggiorna le stime dello stato di umidità del suolo integrando le previsioni del modello con osservazioni in tempo reale dai sensori e stimando statisticamente la covarianza^{dell'errore 15}.
7. Esegui cicli di previsione-aggiornamento EnKF finché l'errore quadratico medio (RMSE) delle previsioni di umidità del suolo non scende sotto il 2%, o fino a raggiungere un massimo di 50 iterazioni.
8. Archiviare tutti i parametri calibrati per l'analisi successiva. La Figura 2 mostra la curva di stabilizzazione dell'umidità del suolo prodotta dopo la calibrazione SPAC-EnKF.
9. Esegui la procedura di simulazione numerica per SPAC-EnKF. Usa MATLAB R2023b per calcolare SPAC-EnKF. Impostare il passo temporale Δt = 300 s, la dimensione dell'insieme N = 100 e le variabili di stato θ, h e K(θ) ai loro valori iniziali. Utilizzare il risolutore di equazioni di Richards per eseguire la fase di previsione e utilizzare dati osservativi sull'umidità del suolo per la fase di aggiornamento. Fino a quando non si raggiunge la soglia di convergenza del RMSE < 2%, si ripetono i cicli di previsione-aggiornamento.

3. Modellazione a livello di rete (Reti eterogenee e rete di Petri stocastica (SPN))

NOTA: Questa sezione valuta la dipendenza nelle comunicazioni per consentire una consegna tempestiva e continua dei dati per le decisioni di controllo.

1. Implementare moduli di comunicazione eterogenei, tra cui LoRa per dati meteorologici a lungo raggio, NB-IoT per sensori del suolo e 5G per telecamere di fenotipizzazione ad alta frequenza.
   1. Alloca dati meteorologici a lungo raggio e a bassa larghezza di banda (vento, radiazioni, precipitazioni) ai moduli LoRa. Abilita moduli NB-IoT per nodi sensori del suolo che richiedono una larghezza di banda moderata e un funzionamento a basso consumo. Abilitare la fenotipizzazione dei dati delle telecamere ad alta frequenza utilizzando moduli 5G NR per il trasferimento video ad alta velocità. Collega un edge gateway basato su Raspberry Pi che supporti la gestione multi-protocollo a ogni nodo di comunicazione.
2. Configura il sistema per supportare oltre 200 nodi per gateway con una frequenza di campionamento di 5 minuti.
3. Registra continuamente l'Indicatore di Intensità del Segnale Ricevuto (RSSI), il Rapporto Segnale/Rumore (SNR) e lo stato della batteria. Calcola i tassi di ricezione dei pacchetti a intervalli di 5 minuti.
4. Se viene rilevata una ricezione anomala, si ispeziona l'allineamento dell'antenna e si verifica la presenza di potenziali fonti di interferenza. Definire e risolvere il modello di affidabilità della comunicazione Stocastic Petri Net (SPN)
   1. Implementa SPN usando Mobius 2.0. Definisci tre luoghi: normale (>95% di ricezione), ritardo (80-95%) e interruzione (<80%). Configurare le velocità di transizione λ_nd, λ_di e λ_in funzione del SNR e dell'energia residua della batteria:
      
   2. Calcola la distribuzione in stato stazionario usando l'equazione di bilancio lineare πQ = 0 per ottenere la probabilità di interruzione della comunicazione P_int = π_interruzione.
5. Definisci un modello SPN con tre stati di comunicazione: N normale (>95% di ricezione), ritardo D (80-95%) e interruzione I (<80%). Q indica la matrice generatrice della catena di Markov in tempo continuo.
   
   Le transizioni di stato sono governate dai parametri di velocità λ_X→Y, dove X,Y∈ {N,D,I}. Per garantire che ogni riga di Q sia sommata a zero, ogni elemento diagonale è la somma negativa dei tassi di transizione in uscita da quello stato.
6. Stima i tassi di transizione basandosi su SNR e metriche di energia residua utilizzando.
   
   Dove E è l'energia residua normalizzata (0-1), e SNR è il rapporto segnale-rumore osservato in decibel. k_XY è una costante di scala per la velocità di transizione tra lo stato X e lo stato Y, mentre k_s regola la ripendenza della risposta dipendente dalla SNR. La soglia SNR per la transizione X→Y è _{SNR XY}. Bassi livelli della batteria aumentano la possibilità di una transizione, come mostrato da c_XY e p_XY.  ∈_XY è un tasso di base basso che garantisce una probabilità di transizione diversa da zero. La funzione logistica che regola la sensibilità SNR è
   
   Dove σ(u) indica la funzione sigmoide logistica, e il termine esponenziale ^e-u controlla la velocità con cui la funzione transita da 0 a 1.
7. Risolvere la distribuzione in stato stazionario per ottenere la probabilità di interruzione. Definiamo 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 probabilità di interruzione in regime stazionario è:
   
   dove π_I mostra la probabilità a lungo termine (in stato stazionario) che il sistema rimanga nella condizione di interruzione. I sei tassi di transizione tra i tre stati sono rappresentati dai parametri α, β, γ, δ, ε e ζ. Il denominatore mostra l'equilibrio complessivo del flusso su tutte le transizioni, mentre il numeratore compila tutti i percorsi di transizione efficienti che conducono allo stato di Interrupt. La probabilità stazionaria di interruzione della comunicazione secondo la struttura di tasso specificata è fornita dal valore risultante. La Tabella 2 mostra le transizioni procedurali tra i livelli di modellazione nel CPS proposto.

4. Modellazione del livello di controllo (MPC all'interno di SHS)

NOTA: Questo processo massimizza l'alternativa di irrigazione e fertilizzazione, oltre a gestire le questioni di comunicazione.

1. Costruire un sistema di Controllo Predittivo Modello (MPC), con l'obiettivo di ottimizzare la resa delle colture entro 24 ore. Eseguire una pianificazione dell'irrigazione basata sul Controllo Predittivo Modello (MPC). Implementa MPC in Python 3.10 / libreria CasADi. Definire l'orizzonte di previsione Hp = 24 passi, l'orizzonte di controllo Hc = 6 e l'input di controllo u(t) (flusso di irrigazione). Ottimizza la funzione di costo:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   usando un risolutore IPOPT con limiti di vincolo 0 ≤ u(t) ≤ 6 mm/h.
2. Definire le variabili decisionali riguardanti i processi di irrigazione e fertilizzazione.
3. Usa restrizioni sull'intervallo di umidità del terreno, sulla conduttività della zona radicale e sul controllo della latenza.
4. Aggiungi le probabilità di interruzione di rete al risolutore MPC come incertezza temporale.
5. Usa il vincolo morbido nella funzione di costeggio usando i pesi. Q (input)= 0,5-1,0; Q (output)= 0,3-0,7. I pesi di regolazione dipendono dai test preliminari di accordatura in modo da garantire la stabilità predittiva del MPC.
6. Quando si verifica la perdita di pacchetti, si prevede un'umidità del suolo di 1 ora con il modello SPAC e si calcola l'irrigazione per compensazione.
7. Sincronizza lo stato di controllo immediatamente dopo il recupero della comunicazione per evitare azioni duplicate.
8. Combinare un sistema fisico continuo, un sistema di rete discreta e azioni di controllo in un modello di transizione Stocastic Hybrid System (SHS).

5. Quantificazione dell'affidabilità

NOTA: Per valutare la robustezza dei sistemi in risposta alle perturbazioni, questa parte valuta sia la affidabilità funzionale, temporale ed ecologica.

1. Sono stati utilizzati tre indicatori di affidabilità: (1) affidabilità funzionale quantificata tramite errore di previsione della resa (E_γ, %) e stima dell'umidità del suolo RMSE; (2) affidabilità temporale misurata dalla latenza end-to-end dei controlli (L_e₋_e, s); e (3) affidabilità ecologica valutata utilizzando l'efficienza nell'uso dell'acqua (WUE, g·kg⁻¹) e la proporzione di tempo in cui la conducibilità elettrica della zona radicale superava la soglia di sicurezza (T_ec>2,5dS/m, %).
2. Costruire un modello di gioco stocastico, in cui sono coinvolti tre agenti: sensore (minimizzando la probabilità di guasto), attaccante (massimizzando la possibilità di guasto) e ambiente (aggiungendo disturbi casuali) al modello.
3. Definire le funzioni di guadagno e risolvere gli equilibri di Nash per identificare i confini di affidabilità. Eseguire un'analisi di sensibilità globale utilizzando indici Sobol per classificare i contributi ai parametri¹⁶.
4. Il contributo dei parametri è stato quantificato utilizzando la media degli effetti elementari assoluti (EE, indice di sensibilità di Morris), calcolato a partire da traiettorie di campionamento perturbate e valutato congiuntamente con la varianza di EE per catturare la forza dell'interazione e la non linearità; parametri con la media più alta|EE| e varianza EE elevata sono stati identificati come contributori dominanti e selezionati per una successiva ottimizzazione.

6. Strategia di ottimizzazione

NOTA: Questa parte massimizza le decisioni di controllo per raggiungere produttività, costi e stabilità ecologica ottimali, e allo stesso tempo, una rapida adattabilità nel cambio di colture.

1. Specificare lo spazio di stato, che include l'indice dell'area fogliare, l'umidità stimata del suolo SPAC–EnKF e il ritardo di controllo registrato al regolatore di bordo.
2. Stabilire lo spazio delle azioni definendo quantità di irrigazione, tasso di fertilizzazione e frequenza di campionamento del sensore come azioni di controllo discrete e limitate implementate al controller di bordo.
3. Costruisci una funzione multi-obiettivo integrando affidabilità, costi economici e prestazioni ambientali attraverso l'ottimizzazione ponderata.
4. Osservare le politiche ottimali di Pareto utilizzando l'algoritmo NSGA-III (Tabella 3).
5. Fornire limitazioni di sicurezza con funzioni di controllo delle barriere (CBF) applicando limiti inferiori all'umidità della zona radicale del suolo e limiti superiori alla salinità del suolo per prevenire siccità e stress salino.
6. Fornire una condizione di stabilità di Lyapunov definendo una funzione di Lyapunov definita positiva sul vettore dello stato di crescita e imponendo che la sua derivata temporale sia negativa definita entro i limiti operativi sicuri.
7. Usa il meta-apprendimento bayesiano per permettere un aggiornamento rapido dei parametri in caso di cambio colture.
   NOTA: Dopo questo passaggio, il flusso di lavoro può essere messo in pausa per validare gli aggiornamenti del modello offline. Riprendi ricaricando l'ultimo checkpoint.
8. Adattati agli ultimi 7 giorni e hai un tempo di rieducazione inferiore a 5 minuti. Addestrare un modello di rinforzo compresso applicando potatura e quantizzazione post-addestramento, poi affinarlo sul dispositivo edge utilizzando dati di interazione raccolti localmente.
9. Utilizzare il meccanismo di downgrade ogni volta che ci sono intoppi nella comunicazione per garantire che la latenza di controllo rimanga sotto i 30 s. Sincronizza le nuvole del riprendimento con il recupero delle comunicazioni.

Results

L'umidità del suolo e il SNR hanno la maggiore influenza positiva delle SHAPapley Additive ExPlanations (SHAP) nelle decisioni di irrigazione, secondo il grafico riassuntivo SHAP (Figura 3). L'elevata latenza spinge la politica verso opzioni di riserva conservative, dimostrando la conformità con l'architettura di controllo affidabile. La Tabella 4 mostra le istruzioni operative e i dettagli di configurazione per i moduli computazionali

Con...

Discussion

Le evidenze sperimentali mostrano che il framework CPS proposto e le strategie di ottimizzazione eccellono nelle tre dimensioni: affidabilità, sicurezza ed efficienza computazionale. La modellazione a strati trasversali supera con successo la separazione storica tra rappresentazioni fisiche e di rete. Incorporando SPAC e SPN all'interno di un framework SHS unificato, il sistema riduceva l'errore di previsione della resa del 32,7% e accorciava i ritardi del 45% a temperature estremamente ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Telecamera multispettrale	MicaSense	RedEdge-MX	Cattura la riflettanza della chioma per la stima LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Dispositivo edge per l'inferenza AI locale
Sensore di umidità del suolo	Dispositivi Decagon	EC-5	Misura il contenuto volumetrico d'acqua nel suolo
Stazione meteorologica	Campbell Scientific	CR300	Registra temperatura, umidità e precipitazioni