지능형 농업 CPS 관리에서 네트워크-물리 모델링을 위한 크로스레이어 신뢰성 분석 및 엣지 적응형 다목적 최적화 전략

Summary

이 프로토콜은 지능형 온실 관리를 위한 다층 사이버-물리 모델링 및 최적화 전략을 제시하여 신뢰성과 생태학적 성과를 재현 가능하게 합니다.

Abstract

증가하는 식량 수요와 기후 스트레스는 스마트 농업 도입을 촉진하지만, 기존의 사이버-물리 시스템(CPS)은 신뢰할 수 있는 크로스 레이어 통합과 실시간 유연성이 부족해 역동적인 환경에서 성능을 제한하고 있습니다. 이 프로토콜은 지능형 온실 농업을 위한 크로스레이어 사이버-물리 모델링 및 최적화 전략을 제공하는 것을 목표로 합니다. 이는 농업용 사이버-물리 시스템의 신뢰성과 적응성을 향상시키는 잠재적 적용 가능성을 입증합니다. 이 접근법은 물리적 층과 토양-식물-대기 연속체 모델과 앙상블 칼만 필터(EnKF) 보정을 통합하여 정확한 토양 수분 예측을 수행합니다. 통신 신뢰성을 평가하기 위해 다중 프로토콜 융합과 확률적 페트리 넷 모델링을 사용하는 네트워크 계층을 포함합니다. 제어 계층은 확률적 하이브리드 시스템을 기반으로 하여 공동 의사결정을 조정합니다. 신뢰성은 기능-시간-생태 지표 프레임워크를 통해 추가로 평가되며, 최적화는 다중 목적 강화 학습과 안전 제약 조건, 베이지안 메타 학습을 결합하여 작물 전환 시 신속한 적응을 가능하게 합니다. 엣지 인텔리전트 배포는 통신 중단 시 강력한 제어를 보장합니다. 중국 쇼광에서 온실 토마토 재배 결과는 어려운 조건에서 수확량 예측, 물 사용 효율, 지연 조절에서 재현 가능하고 안정적인 성능을 보여주었습니다. 이 방법론은 적응적이고 신뢰할 수 있는 농업 사이버-물리 시스템을 구현하기 위한 실용적이고 복제 가능한 워크플로우를 제공합니다.

Introduction

세계 인구는 빠르게 증가하고 있으며, 자원의 가용성은 감소하고 있어 농업 개발 방식을 변화시키고 있습니다. 노동과 자재가 많이 투입되고 자연 환경에 강한 의존도를 가진 전통적인 농업 모델은 효율성과 지속 가능성을 제공할 수 없습니다. 이 경우 스마트 농업이 변혁적 접근법이 되었습니다. 이는 사물인터넷, 빅데이터 분석, 인공지능, 공간 정보 시스템의 결합을 통해 완전한 현장 인식을 달성하고, 정확한 의사결정을 내리며, 현장을 지능적으로 제어할 수 있게 하여 자원 사용 효율성을 높이고 지속 가능한 농업 생산에 기여합니다 ^1,2.

스마트 농업 시장은 전 세계적으로 기하급수적으로 성장하고 있으며, 미국은 정밀 농업 기술에서, 이스라엘은 물 절약 관개 기술에서, 일본은 스마트 온^{실 시스템 분야에서} 성장하고 있습니다. 중국에서는 국가 농업 및 농촌 정보화 개발 14^차 5개년 계획이 농업의 디지털 전환을 이끌었으며, 이는 디지털 육종, 지능형 기계, 규모 기반 스마트 농^{업 프로젝트 등} 4. 사물인터넷(IoT)은 데이터를 수집, 교환, 처리하는 연결된 작동 및 감지 장치들의 네트워크를 의미합니다. 그러나 이러한 발전에도 불구하고, IoT 네트워크의 적용 범위, 센서의 정밀도와 신뢰성, 시스템 간 정보 교환, 학제간 이해 접근성 등에서 광범위한 구현이 제한되는 문제들이 여전히 존재합니다 ^5,6.

농업의 사이버-물리 시스템(CPS)은 환경 인식과 지능형 제어를 연결하는 데 있어 이 지형의 중심에 있습니다^. CPS는 센서, 컨트롤러, 통신 네트워크와 연결된 계산 및 물리적 프로세스를 결합했습니다. 그럼에도 불구하고 기존 모델링 방법은 보통 물리, 네트워크, 제어 계층의 독립성을 기반으로 하여, 계층 간 상호작용을 제한하고 동적 교란 시 예측 능력을 감소^{시킵니다.} 기존의 신뢰성 평가는 기능적·시간적 측면도 강조하지만, 물 사용 효율과 토양 염분 제약과 같은 생태학적 신뢰성은 아직 충분히 탐^{구되지 않았습니다}. 더불어, 많은 최적화 전략이 오프라인 학습에 의존하여 엣지 기반 추론에 지연이 발생하고, 급격한 환경이나 작^{물 변화에} 적응하는 데 어려움이 있습니다.

센서 기반 온실 모니터링은 점점 인기를 얻고 있지만, 여전히 수용을 방해하는 여러 장애물에 직면해 있습니다. 시스템 확장성과 신뢰성은 높은 배포 비용과 센서 품질의 불균형에 의해 제한됩니다. 센서 기반 온실 모니터링에 사용되는 모델링 방법은 안정적인 환경 조건, 일관된 작물 성장 패턴, 그리고 통신망을 통한 신뢰할 수 있는 정보 전송을 전제로 합니다. 하지만 이러한 가정은 온실 내부에서 발생하는 많은 조건에서는 타당하지 않습니다. 이러한 한계는 센서의 일정하지 않은 잡음 측정, 사용 중 센서 전원 공급 변동, 통신 손실 시기를 성능 품질이나 구현 가능성을 저해하지 않으면서 처리할 수 있는 프레임워크를 설계하고 구현해야 함을 의미합니다.

이러한 한계를 해결하기 위해 이 프로토콜은 물리, 네트워크, 제어 프로세스를 통합한 통합 프레임워크로 재현 가능한 크로스 레이어 모델링 및 최적화 워크플로우를 도입합니다. 물리적 층은 토양-식물-대기 연속체 모델을 사용하여 정확한 토양 수분 예측을 위해 Ensemble Kalman 필터 보정을 제공합니다¹¹. 네트워크 계층은 확률적 페트리 넷 모델을 이용한 다중 프로토콜 융합을 사용하여 통신 신뢰성을 측정합니다. 제어 수준에서는 확률적 하이브리드 시스템이 공동 크로스 레이어 의사결정을 가능하게 합니다. 기능-시간-생태 지수 시스템이 신뢰성 측정에 사용되며, 다중 목적 심층 강화 학습이 이 시스템을 최적화하고, 안전성 제약과 작물 전환에 빠르게 적응하는 베이지안 메타러닝을 사용합니다. 엣지 인텔리전트 배포는 통신 중 시스템 중단에 대한 시스템의 견고성을 제공합니다. 이 요소들을 결합하여 프로토콜은 스마트^농업에서 CPS 애플리케이션의 안정성과 유연성을 체계적이고 복제 가능하게 개선할 수 있는 방법을 제공합니다.

이 프로토콜은 토양, 미기후, CO₂ 모니터링을 위한 다양한 무선 센서 네트워크를 갖춘 중대형 온실 환경(800-1500 m²)에 적합합니다. 실시간 제어를 위해 최소 5분의 샘플 해상도가 권장되며, 다중 노드 배포(>200 노드)를 위해서는 LoRa/NB-IoT 통신이 필요합니다. 이 워크플로우는 온실 토마토 생산에 시연되었지만, 오이, 후추, 잎채소 같은 작물에도 매개변수 재조정과 메타 학습 전이를 통해 적용할 수 있습니다.

이 프로토콜은 순차적인 작업 주기를 기반으로 하며, 물리적 모델링이 토양 수분을 결정하고, 네트워크 계층이 데이터 전송 안정성을 결정하며, 제어 + 최적화 계층이 생태학적 및 운영 안정성을 제공하는 관개 및 비료 정책을 생성합니다. 그림 1 은 제안된 사이버-물리 시스템 크로스 레이어 워크플로우를 보여줍니다.

Protocol

이 프로토콜에는 인간이나 척추동물을 대상으로 한 실험이 포함되지 않는다는 점이 언급됩니다. 향후 인간 참여나 생물학적 샘플이 포함된 연구가 있을 경우, 해당 기관 심사 위원회의 승인을 받아야 하며, 승인 번호는 실행 전에 기록되어야 합니다.

1. 현장 및 하드웨어 준비

참고: 이 단계는 표준화된 센서 네트워크를 구축하여 이후 물리적 모델링 및 제어에 사용할 환경에 대한 정확하고 동기화된 정보를 제공합니다.

1. 모니터링 소프트웨어에 GPS 좌표를 입력하여 온실의 위치를 확인하세요. 제공된 작물 라이브러리에서 작물 종을 선택하고 환경 목표(기온: 20-28 °C, 상대 습도: 50%-70%)를 설정하세요.
2. 온실 크기, 환기 시스템, 그늘 구성을 기록하세요.
3. 모든 장치를 네트워크 시간 프로토콜(NTP)¹³을 사용하여 통합 클럭에 동기화합니다.
4. 제조사 규격에 따라 토양 수분, 온도, 습도, 빛,_CO2 센서를 설치하세요.
   1. 무선 토양 수분 및 온도 센서 60개(정확도±2%), 습도 및_CO2 센서 10개(± 30 ppm_CO2 정확도), 그리고 4개의 다중광광 센서를 설치하세요. 6m x 5m 격자 간격을 사용하여 10, 20, 30cm 깊이에 토양 센서를 배치하세요. 기능에 따라 모든 센서는 무선 통신을 위해 LoRa 트랜시버와 NB-IoT 모듈을 사용합니다. NTP를 사용해 게이트웨이와 기상 센서를 동기화하여 ±초 타임스탬프 정확도를 달성합니다.
5. 정해진 깊이와 위치에 고정 센서를 설치하여 측정이 정확한지 확인하세요.
6. 데이터 샘플링 속도를 5mph로 설정하고 게이트웨이에서 타임스탬프 정렬을 켜세요.
7. 모든 센서 노드를 고유 ID로 등록하고 게이트웨이 연결성을 점검하세요. 패킷 손실과 클럭 드리프트를 평가하기 위해 24시간 테스트 진행을 실시하세요.
8. 기준 기록을 보관해 두세요. 표 1은 모델링 단계의 구성 및 매개변수 설정을 나타냅니다.

2. 물리 층 모델링(토양-식물-대기 연속체(SPAC) 및 앙상블 칼만 필터(EnKF))

참고: 이 단계는 토양, 식물, 대기 간의 상호작용을 근사하여 관개 조절에 사용되는 토양 수분의 정확한 추정치를 산출합니다.

1. SPAC 모델에서는 토양 질감, 밭 용량, 뿌리 분포, 기상 요인, 그리고 수관층 잎 면적 지수를 요구하므로 즉시 입력된 데이터가 필요합니다.
2. 모든 입력 데이터셋은 Pandas resample('5min').mean() 함수를 사용해 Python 3.10에서 균일한 5분 시간 인덱스로 재샘플링되었습니다. 누락 값은 SciPy의 CubicSpline을 사용하여 추정했으며, 5분 > 간격은 SPAC 모델 예보를 EnKF 예측 단계에 전파하여 재구성했습니다. 신뢰성 분석을 위해 불확실성 플래그가 보존되었습니다.
   1. 세브릭 스플라인 보간으로 누락 값을 채우세요¹⁴. 토양 수분과 기상 예보를 기반으로 한 EnKF 예측 단계를 사용하여 더 긴 간격(> 5분)을 재구성합니다. 불확실성 추적을 위해 재구성된 모든 값을 표시하세요.
3. 불포화 물 흐름을 모델링하기 위한 리처즈 방정식을 설정하세요.
    
   여기서 는 시간 t에 따른 체적 수분 함량 θ(m³)의 변화율, h는 압력 수두(cm), K(θ)는 수력 전도도입니다. 연산자 ∇는 공간 구배를 나타내며, 식(∇h+1)은 전체 수력 구배를 나타냅니다.
4. van Genuchten 모델을 사용하여 토양 수학적 매개변수를 추정합니다:
   
   여기서 K_s는 포화 수력 전도도, S_e (θ-θ_r )/(θ_s -θ_r)는 θ_s와 θ_x 포화 및 잔류 수분 함량을 포함하는 유효 포화값이다. L 은 기공 연결성 매개변수, m 과 n , 그리고 ( n>1과 관련된) 형태 매개변수이다. 는 기공 연결 매개변수 L로 증가한 유효 포화를 나타낸다. 유효 포화 S_e를 기반으로 van Genuchten 수력 함수 항 은 비선형 토양 수분 보유 거동과 형태 매개변수 m을 설명합니다.
5. 리처즈 방정식과 파커 광합성 모델을 결합해 보세요. 빛, 온도,_CO2의 영향을 설명하기 위해 펜맨-몬티스 증산 모델을 통합합니다.
6. EnKF의 파라미터 사전과 상태 벡터를 초기화합니다.
   참고: EnKF는 모델 예측과 센서의 실시간 관측을 통합하고 오차 공분산¹⁵를 통계적으로 추정하여 토양 수분 상태 추정을 업데이트하는 몬테카를로 데이터 동화 방법입니다.
7. 토양 수분 예측의 평균평균근 오차(RMSE)가 2% 미만으로 떨어지거나 최대 50회 반복에 도달할 때까지 EnKF 예측-업데이트 사이클을 실행합니다.
8. 모든 보정된 매개변수를 후속 분석을 위해 아카이브합니다. 그림 2 는 SPAC-EnKF 교정 후 생성된 토양 수분 안정화 곡선을 보여줍니다.
9. SPAC-EnKF의 수치 시뮬레이션 절차를 실행하세요. MATLAB R2023b를 사용해 SPAC-EnKF를 계산하세요. 시간 단계 Δt = 300초, 앙상블 크기 N = 100, 상태 변수 θ, h, K(θ)를 초기 값으로 설정합니다. 리처즈 방정식 해법기를 사용해 예측 단계를 수행하고, 업데이트 단계에는 관측 토양 수분 데이터를 사용하세요. RMSE < 2%의 수렴 임계값에 도달할 때까지 예측-업데이트 사이클을 반복합니다.

3. 네트워크 계층 모델링(이기종 네트워크 및 확률 페트리 넷(SPN))

참고: 이 섹션은 통제 결정을 위한 적시적이고 지속적인 데이터 전달을 가능하게 하기 위해 통신 신뢰성을 평가합니다.

1. 장거리 기상 데이터를 위한 LoRa, 토양 센서용 NB-IoT, 고주파 표현형 측정 카메라를 위한 5G를 포함한 이기종 통신 모듈을 배치합니다.
   1. 장거리 저대역폭 기상 데이터(바람, 방사선, 강수량)를 LoRa 모듈에 할당합니다. 중간 대역폭과 저전력 동작이 필요한 토양 센서 노드용 NB-IoT 모듈을 활성화합니다. 고속 비디오 전송을 위해 5G NR 모듈을 사용하여 고주파 표현형 카메라 데이터를 활성화합니다. 각 통신 노드에 라즈베리 파이 기반 엣지 게이트웨이를 연결하여 다중 프로토콜 관리를 지원합니다.
2. 시스템을 5분 샘플링 빈도로 게이트웨이당 200개 이상의 노드를 지원하도록 설정하세요.
3. 수신 신호 세기 표시기(RSSI), 신호 대 잡음비(SNR), 배터리 상태를 지속적으로 기록합니다. 5분 간격으로 패킷 수신 속도를 계산합니다.
4. 비정상적인 수신이 감지되면 안테나 정렬을 점검하고 잠재적 간섭원을 확인하세요. 확률적 페트리넷(SPN) 통신 신뢰성 모델을 정의하고 해결합니다
   1. Mobius 2.0을 사용해 SPN을 구현하세요. 세 가지 위치를 정의하세요: 정상(>95% 수신), 지연(80-95%), 그리고 중단(<80%). 전이율 λ_nd, λ_di, λ를 SNR과 남은 배터리_{에너지의 함수}로 구성하세요:
      
   2. 선형 균형 방정식 πQ = 0을 사용하여 정상 상태 분포를 계산하여 통신 중단 확률 P_int = π_인터럽트를 구합니다.
5. 세 가지 통신 상태를 가진 SPN 모델을 정의합니다: N 정상(>95% 수신), 지연 D (80-95%), 인터럽트 I (<80%). Q 는 연속 시간 마르코프 사슬의 생성 행렬을 나타낸다.
   
   상태 전이는 속도 매개변수 λ_X→Y에 의해 지배되며, 여기서 X,Y∈ {N,D,I}이다. Q의 모든 행이 합이 0이 되도록 하기 위해, 각 대각선 원소는 해당 상태에서 나가는 전이율의 음의 합이 됩니다.
6. SNR과 남은 에너지 지표를 기반으로 전이율을 추정합니다.
   
   여기서 E는 정규화된 잔류 에너지(0-1), SNR은 관측된 신호 대 잡음비(데시벨 단위)입니다. k_XY는 상태 X에서 상태 Y로의 전이율에 대한 스케일링 상수이며, k_s는 SNR 의존 응답의 가파름을 조절합니다. 전이 X→Y의 SNR 임계값은 _{SNR XY}입니다. 배터리 잔량이 낮으면 전이 가능성이 높아지며, 이는 c_XY 와 p_XY로 포착됩니다.  ∈_XY는 전이의 가능성을 0이 아닌 작은 기준선 비율로 보장합니다. SNR 민감도를 조절하는 로지스틱 함수는 다음과 같습니다.
   
   여기서 σ(u)는 로지스틱 시그모이드 함수를 나타내고, 지수 항 ^e-u는 함수가 0에서 1 사이에서 전이 속도를 조절합니다.
7. 정상 상태 분포를 풀어 중단 확률을 구합니다. α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D를 정의합니다. 정상 상태 중단 확률은 다음과 같습니다:
   
   여기서_{π I} 는 시스템이 중단된 상태에 머무를 장기(정상 상태) 확률을 나타냅니다. 세 상태 사이의 여섯 가지 전이율은 α, β, γ, δ, ε, ζ 매개변수로 표현됩니다. 분모는 모든 전이의 전체 흐름 균형을 나타내며, 분자는 인터럽트 상태로 이어지는 모든 효율적인 전이 경로를 합산합니다. 지정된 속도 구조 하에서 통신 중단의 정상 확률은 결과 값에 의해 제공된다. 표 2는 제안된 CPS에서 모델링 계층 간 절차적 데이터 흐름 전환을 보여줍니다.

4. 제어 계층 모델링(SHS 내의 MPC)

참고: 이 과정은 관개와 비료 공급의 대안을 극대화하고, 소통 문제도 수용합니다.

1. 24시간 말 작물 수확량을 최적화하는 것을 목표로 모델 예측 제어(MPC) 시스템을 구축합니다. 모델 예측 제어(MPC) 기반 관개 일정을 실행합니다. Python 3.10 / CasADi 라이브러리에서 MPC를 구현하세요. 예측 지평선 Hp = 24단계, 제어 지평선 Hc = 6, 입력 u(t) 제어(관개 플럭스)를 정의합니다. 비용 함수 최적화:
   J = Σ (θ_target − θ(t)² + λu(t)²,
   제약 경계 0≤ u(t) ≤ 6 mm/h IPOPT 솔버를 사용한다.
2. 관개 및 비료 주기 과정에 관한 결정 변수를 정의하세요.
3. 토양의 수분 범위, 뿌리 구역 전도도, 그리고 잠복 시간을 조절하는 제한 장치를 사용하세요.
4. MPC 솔버에 네트워크 중단 확률을 시간 불확실성으로 추가하세요.
5. 비용 계산 함수에서 가중치를 이용한 소프트 제약을 사용하세요. Q (입력)= 0.5-1.0; Q (출력)= 0.3-0.7. MPC의 예측 안정성을 보장하기 위해 튜닝 시 예비 테스트에 따라 가중치를 조정하세요.
6. 패킷 손실이 발생하면 SPAC 모델로 1시간 토양 수분을 예측하고 보상 관개량을 계산합니다.
7. 통신 복구 직후 제어 상태를 동기화하여 중복 작업을 방지하세요.
8. 연속적인 물리 시스템, 이산 네트워크 시스템, 제어 동작을 결합하여 확률적 하이브리드 시스템(SHS) 전이 모델을 만듭니다.

5. 신뢰성 정량화

참고: 교란에 대한 시스템의 견고성을 평가하기 위해, 이 부분에서는 기능적, 시간적, 생태학적 신뢰성을 모두 평가합니다.

1. 세 가지 신뢰성 지표가 사용되었습니다: (1) 수확량 예측 오차(E_γ, %)와 토양-수분 추정 RMSE로 정량화된 기능적 신뢰성; (2) 종단 간 제어 지연 시간(L_e₋_e, s)으로 측정되는 시간적 신뢰성; 그리고 (3) 물 사용 효율(WUE, g·kg⁻¹)을 이용해 평가한 생태학적 신뢰성과 뿌리대 전기 전도도율이 안전 임계값을 초과한 시간의 비율(T_ec>2.5dS/m, %).
2. 모델에 세 가지 에이전트가 참여하는 확률적 게임 모델을 구축합니다: 센서(실패 확률 최소화), 공격자(실패 가능성 극대화), 환경(무작위 교란 추가).
3. 보상 함수를 정의하고 내쉬 균형을 풀어 신뢰성 경계를 식별합니다. Sobol 지수를 사용하여 매개변수 기여도를 순위 매기기 위한 전역 민감도 분석을 수행한다.¹⁶.
4. 매개변수 기여는 절대 기본 효과의 평균(EE, 모리스 민감도지수)을 사용하여 정량화되었으며, 교란된 샘플링 궤적에서 계산되었으며, 상호작용 강도와 비선형성을 포착하기 위해 EE의 분산과 함께 평가되었습니다; 가장 높은 평균을 가진 매개변수|EE| 그리고 EE 분산 증가가 우세한 기여자로 식별되어 이후 최적화를 위해 선정되었습니다.

6. 최적화 전략

참고: 이 부분은 최적의 생산성, 비용, 생태 안정성을 달성하기 위한 방제 결정을 극대화하며, 작물 변경 시 빠른 적응성을 유지합니다.

1. 상태 공간을 지정하는데, 여기에는 잎 면적 지수, SPAC–EnKF 추정 토양 수분, 엣지 컨트롤러에 기록된 제어 지연이 포함됩니다.
2. 관개량, 비료 주기, 센서 샘플링 주파수를 엣지 컨트롤러에서 구현한 이산적이고 유한한 제어 동작으로 정의하여 액션 공간을 확립합니다.
3. 신뢰성, 경제적 비용, 환경 성능을 가중 최적화를 통합하여 다목적 보상 함수를 구축합니다.
4. NSGA-III 알고리즘을 사용하여 파레토 최적 정책을 관찰합니다(표 3).
5. 가뭄과 염분 스트레스를 방지하기 위해 뿌리대 토양 수분 하한과 토양 염분 상한을 강제하여 통제 장벽 기능(CBF)에 안전 제한을 제공합니다.
6. 성장 상태 벡터에 양의 명분이 있는 리야푸노프 함수를 정의하고, 그 시간 미분을 안전 작동 범위 내에서 음의 확정으로 강제하여 리아푸노프 안정성 조건을 제공한다.
7. 작물을 전환할 때 매개변수를 빠르게 업데이트할 수 있도록 베이지안 메타러닝을 활용하세요.
   참고: 이 단계 이후에는 오프라인에서 모델 업데이트를 검증하기 위해 워크플로우를 일시정지할 수 있습니다. 최신 체크포인트를 불러와서 재개하세요.
8. 최신 7일에 적응하고 재훈련 시간은 5분 미만으로 설정하세요. 가지치기와 훈련 후 양자화를 적용하여 압축 강화 모델을 훈련시키고, 국소에서 수집된 상호작용 데이터를 사용해 엣지 장치에서 미세 조정합니다.
9. 통신에 문제가 있을 때마다 다운그레이드 메커니즘을 사용하여 제어 지연 시간을 30초 미만으로 유지하도록 하세요. 이력서 클라우드와 통신 복구를 동기화하세요.

Results

SHAP 요약 그래프(그림 3)에 따르면, 토양 수분과 SNR이 관개 결정에 가장 큰 긍정적 영향을 미친다(SHAP). 높은 지연은 정책을 보수적인 후퇴 옵션으로 유도하며, 신뢰성 인식 제어 아키텍처와의 일치를 보여줍니다. 표 4는 계산 모듈의 운영 명령어와 구성 세부사항을 보여줍니다

실험 장치

제안된 농업 CPS 네트워크 물리 모델링 구조와 신뢰성 최적화 정책의 효율성을 확인하기 위해 쇼광에서 온실 토마토 실험이 수행되었습니다. 이 설계는 통제된 시험을 포함한 극한 환경 시뮬레이션을 포함하여, 전통적 및 주류 지능형 제어 접근법과의 비교를 가능하게 했습니다. 신뢰성, 안전성, 계산 효율성 관점을 바탕으로 평가되었으며, 코어 모듈의 메커니즘을 밝히기 위한 소작 실험도 수행되었습니다. 전체 연구는 시나리오 재구성, 데이...

Discussion

실험적 증거는 제안된 CPS 프레임워크와 최적화 전략이 신뢰성, 안전성, 계산 효율성의 세 가지 차원에서 우수함을 보여줍니다. 크로스 레이어 결합 모델링은 물리적 표현과 네트워크 표현 간의 역사적 분리를 성공적으로 극복합니다. SPAC과 SPN을 통합된 SHS 프레임워크 내에 내장함으로써, 시스템은 극한 고온에서 수율 예측 오차를 32.7% 줄이고 지연을 45% 단축시켰습니다. 안전 제약으로 인해 생태학적 성능이 저해되지 않았으며, WUE는 19% 개선된 반면 근대 EC 초과는 2.1%에 머물렀습니다. 베이지안 메타러닝과 엣지 인텔리전스 다운그레이딩의 도입은 새로운 작물 품종에 대한 신속한 적응과 통신 중단 시 안정적인 운영을 가능하게 하여, 역동적인 농업 환경에 대한 실용적인 견고성을 입증했습니다²³.

결정적인 프로토콜 단계는 시스템의 성공을 정의하는 데 매우 중요합니다. 구...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
다중분광 카메라	미카센스	레드엣지-MX	CAI 추정을 위한 캐노피 반사율 포착
엔비디아 젯슨 나노	엔비디아	945-13450-0000-100	로컬 AI 추론을 위한 엣지 장치
토양 수분 센서	데카곤 디바이스	EC-5	토양 내 수분 함량 측정
기상 관측소	캠벨 사이언티픽	CR300	기록된 온도, 습도, 강수량