Het benutten van digitale technologieën in de agro-foodsector: een IoT-gestuurd raamwerk voor precisielandbouw om de duurzame ontwikkelingsdoelen te bereiken

T.G. Sakthivel; R. Ashok; Arun M; A.P. Senthil Kumar

doi:10.3791/73067

Onderzoeksartikel

Het benutten van digitale technologieën in de agro-foodsector: een IoT-gestuurd raamwerk voor precisielandbouw om de duurzame ontwikkelingsdoelen te bereiken

26 weergaven

⸱

DOI:

10.3791/73067

⸱

25 augustus 2026

T.G. Sakthivel¹ , R. Ashok¹ , Arun M¹ , A.P. Senthil Kumar²

¹Department of Mechanical Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), ²School of Social Work, College of Social Sciences and Humanities, Jigjiga University

In dit artikel

Samenvatting

Deze studie introduceert IoT-gestuurde precisielandbouw (IoT-PA), waarbij gebruik wordt gemaakt van sensornetwerken, real-time monitoring en intelligente irrigatie om de gewasopbrengst en waterefficiëntie te verhogen. Het raamwerk bevordert duurzame landbouw en SDG 2 (Geen Honger) en 12 (Verantwoorde Consumptie en Productie).

Samenvatting

De agro-foodindustrie digitaliseert in hoog tempo om oplossingen te vinden voor beperkte hulpbronnen, onvoorspelbaar klimaat en duurzame voedselproductie door gebruik te maken van het Internet of Things (IoT), kunstmatige intelligentie (AI), cloud computing en data-analyse. Vanwege rigide irrigatieschema's en beperkte monitoring van het veld verspilt de traditionele landbouw water, neemt de gewasopbrengst af en wordt het milieu geschaad. Het IoT-gestuurde precisielandbouwsysteem (IoT-PA) in dit artikel optimaliseert het gebruik van landbouwhulpbronnen middels gedistribueerde sensornetwerken, real-time monitoring van bodemvochtigheid en weersomstandigheden, en intelligente irrigatiecontrole. Het voorgestelde platform verzamelt omgevingsgegevens, analyseert veldomstandigheden en adviseert automatisch over irrigatie om de gewasgroei te maximaliseren en waterverspilling te voorkomen. Dankzij continue monitoring en snelle meldingen vanuit het raamwerk kunnen landbouwers datagestuurde beslissingen nemen. De IoT-PA-architectuur verbetert de irrigatie-efficiëntie, de landbouwopbrengst en het duurzame beheer van hulpbronnen in vergelijking met traditionele landbouw. Een hogere landbouwproductie en een efficiënt gebruik van water en hulpbronnen dragen bij aan Sustainable Development Goal (SDG) 2 (Zero Hunger) en SDG 12 (Responsible Consumption and Production) van de Sustainable Development Goals van de Verenigde Naties. Het voorgestelde slimme landbouwsysteem is schaalbaar en praktisch uitvoerbaar, wat bijdraagt aan duurzame voedselproductie en milieubescherming.

Inleiding

Voedselzekerheid, ecologische duurzaamheid en economische veerkracht zijn afhankelijk van agro-foodbedrijven¹. De landbouw moet zich aanpassen om meer voedsel te produceren met minder hulpbronnen, terwijl de impact op het milieu wordt geminimaliseerd, aangezien de wereldbevolking naar verwachting halverwege de jaren 2080 ongeveer 10,3 miljard zal bereiken, wat de vraag naar duurzame voedselproductie en efficiënt hulpbronnenbeheer aanzienlijk zal verhogen². Eenvoudige landbouwmethoden kunnen deze problemen mogelijk niet oplossen³. Klimaatverandering, bodemdegradatie, waterschaarste en marktschommelingen maken dit bijzonder waar⁴. Innovatieve digitale technologie kan aan diverse behoeften voldoen en landbouwsucces koppelen aan de doelstellingen voor duurzame ontwikkeling van de Verenigde Naties (UN SDGs)⁵. Digitale landbouw maakt gebruik van kunstmatige intelligentie (AI), het Internet of Things (IoT), remote sensing en analytics⁶. Deze middelen volgen landbouwprestaties, de inzet van hulpbronnen en het klimaat nauwkeurig⁷. Ze vergemakkelijken het nemen van goede beslissingen en verbeteren de landbouw⁸. Hiertoen behoren IoT-gestuurde apparaten die kritische componenten in real-time monitoren⁹, zoals de conditie van gewassen, bodemvochtigheid, temperatuur en luchtvochtigheid¹⁰. Precisielandbouw gebruikt water en nutriënten alleen wanneer dat nodig is, waardoor verspilling wordt verminderd en de duurzaamheid toeneemt¹¹. IoT kan de veerkracht en productiviteit van de agro-foodwaardeketen verhogen¹². Gereguleerde irrigatie en sensorgebaseerde monitoring kunnen gewassen op aanvraag irrigeren¹³. Boeren gebruiken AI-data-analyse om patronen te identificeren, de kwaliteit en kwantiteit van gewassen te verbeteren en insectenplagen te voorzien¹⁴. Dit bespaart water en bevordert de plantengroei¹⁵. Ondanks deze veelbelovende vorderingen is digitale landbouwtechnologie beperkt, vooral in onderontwikkelde landen¹⁶. Een lage digitale geletterdheid, infrastructurele beperkingen, hoge initiële investeringen en zwakke wetgeving hinderen de uitrol¹⁷. Bovendien is het uitdagend om een ideale hulpbronefficiëntie of milieubescherming te bereiken, omdat de huidige landbouwactiviteiten grotendeels vertrouwen op menselijke inbreng en statische gegevens.

Dit artikel presenteert een geïntegreerd kader voor precisielandbouw aangestuurd door het Internet of Things (IoT-PA). Deze technologie combineert real-time sensorgegevens met geautomatiseerde irrigatiesystemen om inefficiënties in waterverbruik en gewasbeheer op te lossen. Het kader biedt passende richtlijnen voor de digitale transformatie in de landbouw en moet schaalbaar, flexibel en gunstig zijn voor landbouwers. Daarnaast biedt het mogelijkheden voor digitale transformatie. Op basis van real-time gegevens over de bodem en het klimaat tracht het kader voor precisielandbouw en het Internet of Things irrigatieschema's te optimaliseren, waardoor water wordt bespaard, de gezondheid van het gewas wordt verbeterd en uiteindelijk de voedselopbrengst wordt verhoogd.

Een hogere productie door middel van een verhoogde voedselbeschikbaarheid draagt bij aan Duurzaamheidsdoel 2 (Geen Honger) en bevordert gelijktijdig Duurzaamheidsdoel 12 (Verantwoorde Consumptie en Productie) door middel van effectief gebruik van hulpbronnen. Digitale innovatie kan de veerkracht en duurzaamheid in agro-voedselsystemen vergroten via empirische validatie, wat leidt tot een duurzamere toekomst.

De wereldwijde landbouw moet veranderen om te kunnen voldoen aan de voedselbehoeften en duurzaamheid. Klimaatverandering en beperkte hulpbronnen vereisen creatieve manieren om de opbrengst te verhogen en de milieuschade te beperken. Digitale technologieën, in het bijzonder die op basis van IoT, kunnen de landbouw transformeren. Dit artikel gaat over het gebruik van dergelijke technologie voor een rendabele en duurzame landbouw.

Traditionele landbouw verspilt hulpbronnen, mist realtime monitoring en beperkt datagestuurde besluitvorming. Deze problemen leiden tot waterverspilling, schaden het milieu en belemmeren de landbouwopbrengst. Digitale technologieën in de landbouw, in het bijzonder precisie-irrigatie, zijn beperkt. Het IoT maakt gebruik van realtime gegevens en automatisering om te schalen en te integreren. Het systeem moet de productie maximaliseren en het waterverbruik optimaliseren. Recente studies hebben het gebruik van IoT, AI en data-analyse in de precisielandbouw onderzocht, maar de meeste richten zich op bodemvochtigheidssensoren, geautomatiseerde irrigatie, gewasmonitoring en opbrengstvoorspelling. Deze oplossingen werken vaak autonoom, wat hun vermogen om besluitvorming voor duurzaam landbeheer te ondersteunen beperkt. Realtime integratie van heterogene omgevingsgegevens, adaptief irrigatiebeheer en afstemming op duurzaamheid ontbreken in veel systemen. Dit onderzoek presenteert het IoT-PA-systeem, dat deze beperkingen oplost door middel van gedistribueerde IoT-sensoren, realtime omgevingsmonitoring, intelligente irrigatieplanning en continue besluitvormingsondersteuning. In tegenstelling tot bestaande technieken optimaliseert dit raamwerk het waterverbruik, de landbouwproductie, de verspilling van hulpbronnen en de SDG's 2 (Geen Honger) en 12 (Verantwoorde Consumptie en Productie). De doorbraak in schaalbare detectie, communicatie, analyse en duurzaamheidsgeoriënteerd hulpbronnenbeheer van IoT-PA maakt datagestuurde, operationeel efficiënte en ecologisch duurzame landbouwbeslissingen mogelijk. Dit project heeft tot doel een IoT-PA-raamwerk te creëren en te evalueren dat precisielandbouw ondersteunt met realtime omgevingsmonitoring, cloudgebaseerde gegevensopslag en geautomatiseerde irrigatieplanning. Het voorgestelde raamwerk maakt gebruik van IoT-sensoren om bodemvochtigheid, luchttemperatuur, relatieve vochtigheid, neerslag en lichtintensiteit continu te monitoren om irrigatiebeslissingen in realtime te optimaliseren. De studie beoogt verder de prestaties van het voorgestelde raamwerk te evalueren met behulp van kwantitatieve metrieken, waaronder watergebruiksefficiëntie, verbetering van de gewasopbrengst, irrigatieresponstijd, systeemefficiëntie, communicatiebetrouwbaarheid en energieverbruik, in vergelijking met conventionele irrigatiepraktijken. Daarnaast beoogt de studie aan te tonen hoe de integratie van IoT-technologieën de benutting van hulpbronnen kan verbeteren, onnodig waterverbruik kan verminderen en de landbouwproductiviteit kan verhogen, terwijl het bijdraagt aan Sustainable Development Goal (SDG) 2 (Geen Honger) en SDG 12 (Verantwoorde Consumptie en Productie) door middel van duurzaam beheer van landbouwhulpbronnen.

Geïntegreerd kader voor digitale landbouw en voedselsystemen (IDAFS)

Dit artikel onderzoekt hoe digitale technologieën de landbouwweerbaarheid verbeteren tijdens pandemieën, ongelijkheden, klimaatverandering en geaggregeerde wereldwijde voedseltekorten¹⁸. Met een nadruk op kunstmatige intelligentie, big data en precisielandbouw als manieren om de productiviteit te verhogen, verspilling met 5% te verminderen en uitgaven met 23% te besparen, wordt dit verder uitgediept. Het artikel promoot digitale transformatie om de SDG's voor 2030 te realiseren en belicht opkomende trends zoals blockchain en gepersonaliseerde voeding voor duurzame en efficiënte voedselsystemen.

Digital-SDG impactanalysemodel (DSIAM)

Dit artikel onderzoekt, middels digitale transformatie, het behalen van de SDG's die verband houden met voedselzekerheid, gebruikmakend van gegevens uit de Digital Economy and Society Index (DESI). Door te analyseren hoe digitale connectiviteit, vaardigheden en publieke diensten van invloed zijn op SDG1, SDG2, SDG3 en SDG10¹⁹, maakt het gebruik van structurele vergelijkingsmodellen en clusteranalyse op basis van EU-gegevens (2017–2022). Het toont aan hoe cruciaal digitalisering is voor het verminderen van armoede, het bevorderen van gelijkheid en het verbeteren van de gezondheidszorg.

Kader voor integratie en revitalisering van digitale dorpen (DVIRF)

Panelgegevens van dertig Chinese provincies (2013–2023) stellen dit artikel in staat om experimenteel te onderzoeken hoe ruralisering van digitalisering de geïntegreerde ontwikkeling van de rurale industrie ondersteunt²⁰. Met behulp van een tweeledige machine learning-techniek worden zowel directe (digitale diensten, infrastructuur) als indirecte (herallocatie van factoren, structurele verandering) paden voor digitale transformatie ontdekt. In het bijzonder hebben de oostelijke en graanproducerende regio's een significantere invloed. Er wordt wetgeving voorgesteld om digitale gemeenschappen te promoten en de financiering voor rurale herontwikkeling te maximaliseren.

Model voor transformatie van het circulaire agri-foodsystem (CAFSTM)

Digitale transformatie verandert de agri-foodsector door milieubewustzijn, interoperabiliteit en gebruiksvriendelijk ontwerp²¹, waardoor de efficiëntie en bedrijfsmodellen worden verbeterd. Gepersonaliseerde voeding en circulaire agri-foodsystemen verminderen verspilling door gebruik te maken van feedbackloops. Gegevensprivacy en interoperabiliteit worden behandeld in het rapport, dat een technologische, bestuurlijke en ecologische benadering biedt voor duurzame digitale landbouwsystemen.

Innovatiekader voor duurzame voedselsystemen (SFSIF)

Duurzame landbouw profiteert van AI, IoT, robotica en genbewerking. Politieke, attitudinale, financiële en vertrouwensopbouwende acties stimuleren innovatie²². Digitale technologie en overheidssteun kunnen de duurzaamheid, veerkracht en voedselzekerheid van het agri-foodsystem verhogen, afhankelijk van afvalbeheer, voedselverwerking en landgebruik.

Model voor de verbetering van de agro-verwerkingswaardeketen (APVCEM)

Dit artikel stelt dat waardeketens en agroverwerking de landbouw mondiaal en concurrerend maken. Gemeenschappelijke landbouw en toeleveringsketens worden geprezen²³. Sterke waardeketens in India vergroten het voedselaanbod en de bedrijvigheid. De wereldeconomie en plattelandsgemeenschappen profiteren van deze netwerken.

Digital Sustainability Impact Framework (DSIF)

Via landbouwopbrengsten, vervuiling, gemeentelijk afval en SDG 12 ondermijnen digitale technologieën de voedselduurzaamheid. Volgens structurele vergelijkingsmodellen²⁴ kan digitale technologie gemeentelijk afval, broekaskasemissies en consumentengedrag minimaliseren. Digitalisering verbetert de duurzaamheid van de toeleveringsketen, maar studies tonen aan dat het verantwoorde consumptie belemmert; een gebalanceerde implementatie is noodzakelijk.

Transitiekader voor Landbouw 4.0 (A4TF)

Agriculture 4.0 verwijst naar de integratie van het Internet der Dingen (IoT), kunstmatige intelligentie (AI), cloud computing, robotica, big data-analyse en automatisering om intelligente, datagestuurde en precisielandbouwpraktijken mogelijk te maken. De digitale landbouwovergang met behulp van Agriculture 4.0 wordt in dit artikel beschreven. We behandelen IoT, AI, drones, blockchain en hernieuwbare energie²⁵. We bestuderen agrivoltaïek, slimme irrigatie en real-time monitoring van dieren. Volgens het onderzoek verbetert digitale transformatie de duurzame voedselproductie, de efficiëntie van hulpbronnen en het behoud van het milieu bij het oplossen van klimaat-, water- en voedselvraagstukken.

Bestaande studies hebben het potentieel aangetoond van IoT, kunstmatige intelligentie, cloud computing en digitale technologieën om de landbouwproductiviteit en duurzaamheid te verbeteren¹⁸^,¹⁹^,²⁰. De meeste studies richten zich op conceptuele beoordelingen van digitale landbouw¹⁸, beleids- en economiegeoriënteerde digitale transformatie¹⁹, of rurale digitale ontwikkeling zonder precisielandbouwtechnologieën op veldniveau²⁰. Hierdoor heeft de combinatie van real-time sensing, cloud-gebaseerde analyses, geautomatiseerde irrigatie en beslissingsondersteuning weinig aandacht gekregen. Veel technieken missen reproduceerbare implementatiemethoden en grondige mechanismen voor resource-optimalisatie. Het voorgestelde IoT-Driven Precision Agriculture (IoT-PA) raamwerk integreert IoT-sensing, cloud computing, real-time monitoring van het milieu en intelligent irrigatiemanagement in één enkele architectuur om de waterbenutting, gewasproductiviteit en het duurzame beheer van landbouwbronnen te verbeteren, terwijl het SDG 2 en SDG 12 ondersteunt.

Protocol

De agro-foodsector wordt dankzij digitale technologieën een duurzaam, datagedreven ecosysteem. IoT, AI en blockchain verbeteren de transparantie van de toeleveringsketen, de voedselveiligheid en de productiviteit. Precisielandbouw, Smart Farming en veerkracht na de pandemie ondersteunen de Duurzame Ontwikkelingsdoelen, in het bijzonder Geen Honger, Klimaatactie en Verantwoorde Consumptie en Productie.

Het framework voor IoT-gestuurde precisielandbouw (IoT-PA) bestond uit een ESP32-microcontroller, sensoren voor bodemvocht, luchttemperatuur, relatieve vochtigheid (DHT2), neerslag en lichtintensiteit (BH1750), een IoT-gateway, een clouddatabase en een geautomatiseerde irrigatiecontroller. Om representatieve veldgegevens te verkrijgen, werden bodemvochtsensoren op een diepte van 15–20 cm in de wortelzone van het gewas geplaatst en omgevingssensoren 2 m boven de grond. Voorafgaand aan de implementatie werden alleen sensoren met meetfouten binnen ±2% gebruikt voor testen, gekalibreerd volgens de vereisten van de fabrikant. Wi-Fi (802.1 b/g/n) of LoRaWAN (915 MHz) werd gebruikt om elke 10 min omgevingsgegevens van de ESP32-controller naar het cloudplatform te communiceren. In het experiment registreerde het framework bodemvocht (%), luchttemperatuur (°C), relatieve vochtigheid (%), neerslag (mm) en lichtintensiteit (lux). Voordat Min-Max-normalisatie de gegevens standaardiseerde, werden sensorobservaties elke 10 min naar de clouddatabase geüpload en werden dubbele en ontbrekende waarden verwijderd. De beslissingsmachine van de IoT-PA gebruikte sensorgegevens om te beslissen over irrigatie. Wanneer het bodemvocht daalde tot onder de 35% volumetrisch watergehalte, werd irrigatie automatisch gestart en gestopt bij 45% om waterstress en overmatige irrigatie te voorkomen. Wanneer de weersverwachting meer dan 5 mm regen binnen 12 u voorspelde, werd de irrigatie gestaakt om water te besparen. Gedurende 90 dagen van gewasontwikkeling onder vergelijkbare veldomstandigheden draaide het framework continu. Elke irrigatiecyclus registreert de irrigatieduur, het totale waterverbruik, de communicatielatentie, de sensorstatus en het energieverbruik van het systeem elke 30 min in de clouddatabase. Boeren ontvingen via een mobiele app na elke beslissingscyclus real-time waterinstructies en updates over de veldstatus. Het experiment werd drie keer herhaald met hetzelfde systeem en dezelfde operationele omstandigheden om de reproduceerbaarheid te verifiëren.

Het experiment werd uitgevoerd op een veld met tomatenplanten. Het experimentele perceel van 20 m x 20 m (40 m²) had leemgrond met een pH van 6,7–7,0. Een op ESP32 gebaseerd IoT-monitoringsysteem beschikte over capacitieve bodemvochtigheidssensoren geplaatst op een diepte van 15–20 cm en DHT2 temperatuur- en vochtigheidssensoren, BH1750 lichtintensiteitssensoren en neerslagsensoren die 2 m boven de grond waren bevestigd. Er werd een druppelirrigatienetwerk geïnstalleerd met emitters op 30 cm afstand van elkaar en laterale pijpen op 1 m afstand van elkaar. Het cloudplatform ontving elke 10 min via MQTT verzonden sensormetingen. Na 90 dagen was de gewasopbrengst het totale versgewicht van de geoogste tomaten (kg per perceel).

Toelichting op gegevensbronnen: Het voorgestelde IoT-gestuurde precisielandbouwframework (IoT-PA) is geïmplementeerd en geëvalueerd via een veldexperiment van 90 dagen onder de omstandigheden zoals beschreven in de sectie Protocol. Het Agriculture Digital Twin Market Report (DataIntelo) is uitsluitend gebruikt als ondersteunende referentie voor achtergrondinformatie en de ontwikkeling van het framework. Alle gerapporteerde prestatiestatistieken in de sectie Resultaten zijn verkregen uit de experimentele evaluatie van het voorgestelde IoT-PA framework en niet uit het marktrapport van DataIntelo.

Bijdrage 1: Voorgesteld framework voor precisielandbouw op basis van IoT (IoT-PA)

Er is een automatiseringssysteem voor irrigatie geïntroduceerd op basis van realtime meteorologische gegevens en bodemgegevens. Digitale vooruitgangen stimuleren de groei van de agro-foodsector (Figuur 1). Allereerst via IoT, AI en precisielandbouw gestuurd door drones, gevolgd door datagestuurde besluitvorming en resource-efficiëntie. De digitale revolutie verbetert de traceerbaarheid van voedsel, de toeleveringsketen en de markttoegang. Deze technologieën versterken de positie van boeren, garanderen de voedselveiligheid en bevorderen inclusieve ontwikkeling. Het framework voor IoT-gestuurde precisielandbouw (IoT-PA) bevordert een duurzaam gebruik van hulpbronnen en klimaatbestendige smart farming door de integratie van realtime monitoring van het milieu, cloudgebaseerde analyses en geautomatiseerde irrigatie. Dit ondersteunt de Sustainable Development Goals (SDG's) 2 (Geen Honger), 12 (Verantwoorde Consumptie en Productie) en 13 (Klimaatactie).

Statisch evenwichtskundige vergelijking S(t)={M(t),T(t),H(t),R(t),L(t)} voor dynamische analyse.

Vergelijking (1), waarbij S(t) de verzamelde omgevingsgegevens op tijdstip t vertegenwoordigt, M(t) het bodemvocht (%) aanduidt, T(t) de luchttemperatuur (°C) is, H(t) de relatieve vochtigheid (%RH) is, R(t) de neerslag (mm) is en L(t) de lichtintensiteit (lux) is. Vergelijking (1) definieert de set real-time omgevingsparameters die continu door het IoT-sensorennetwerk worden verzameld en naar het cloudplatform worden verzonden voor monitoring en besluitvorming.

Booleaanse functievergelijking, I(t), conditionele analyse, wiskundige expressie.

Zoals weergegeven in vergelijking (2), waarbij I(t)) stelt het irrigatiecontrolesignaal voor, M(t) is het gemeten bodemvochtgehalte, en M_th geeft de vooraf gedefinieerde irrigatiedrempel aan (35% volumetrisch watergehalte). Wanneer het gemeten bodemvocht onder deze drempelwaarde daalt, activeert de IoT-PA-controller automatisch de irrigatiepomp Wiskundige expressie I(t)=1, concept van een dynamische vergelijking voor tijdsafhankelijke processen. ; anders blijft de irrigatie inactief Dynamisch evenwicht; I(t)=0; vergelijking; natuurkunde; tijdsafhankelijke analyse; stabiliteitsvoorwaarde. De irrigatie wordt automatisch stopgezet wanneer het bodemvocht het streefgetal van 45% bereikt, waardoor de watergebruiksefficiëntie wordt verbeterd en overbevloeiing wordt voorkomen.

Landbouw is datagestuurd en duurzaam dankzij digitale technologieën, zoals te zien is in Figuur 2. Camera's en robots verbeteren de gewaskwaliteit en de efficiëntie van de input, terwijl sensoren locatie en temperatuur detecteren. Een datamanagementsysteem ontvangt temperatuur- en vochtigheidsgegevens van een centrale microcontroller. De server verzamelt real-time gegevens voor landbouwmonitoring en besluitvorming. Boeren maken gebruik van telefoons in regionale talen. Door omgevingscondities te monitoren, irrigatiebesluiten te optimaliseren, waterverspilling te minimaliseren en duurzame landbouwpraktijken te ondersteunen die in lijn zijn met SDG 2 (Geen Honger), SDG 12 ( chịu Verantwoorde Consumptie en Productie) en SDG 13 (Klimaatactie), verhoogt een gesloten regelsysteem de landbouwproductiviteit.

Wiskundige formule voor de gemiddelde functie L(t), som van Si(t), vergelijking voor statistische analyse.

Zoals afgeleid uit vergelijking (3), waarbij L(t) de geaggregeerde gegevens van milieumonitoring op tijdstip t vertegenwoordigt, S_i(t) de meting aanduidt die is verkregen van de i^de IoT-sensor, en N het totaal aantal geplaatste sensoren is. Vergelijking (3) berekent de gemiddelde milieu-toestand van vele sensoren om te helpen bij de besluitvorming over irrigatie, terwijl sensorfluctuaties worden geminimaliseerd.

Bètavervalvergelijking β(t)=[L(t)-Mth]/Mth, wiskundige formule in theoretische analyse.

Zoals beschreven in vergelijking (4), waarbij β(t) de genormaliseerde irrigatiebeslissingsindex aanduidt, L(t) de geaggregeerde bodemvochtigheidsmeting vertegenwoordigt die is verkregen uit vergelijking (3), en M_th de vooraf gedefinieerde drempelwaarde voor bodemvochtigheid is (35% volumetrisch watergehalte). Een negatieve waarde van β(t) wijst op onvoldoende bodemvochtigheid en activeert de irrigatie, terwijl een niet-negatieve waarde aangeeft dat de bodemvochtigheid op of boven de drempelwaarde ligt en de irrigatie inactief blijft.

Bijdrage 2: Aantoonbare praktische voordelen via empirische resultaten.

Het toonde de levensvatbaarheid van het raamwerk aan en verbeterde de landbouwproductie, terwijl het waterverbruik aanzienlijk werd verminderd.

Figuur 3 illustreert hoe precisielandbouw op basis van IoT verspilling van hulpbronnen en een lage landbouwproductiviteit aanpakt. Ten eerste wordt er ingegrepen bij de verspilling van hulpbronnen en de lage landbouwproductiviteit. IoT, AI en real-time data-analyse maken slimme besluitvorming, automatische irrigatie en sensorgebaseerde monitoring mogelijk. Deze verbeteringen optimaliseren de gewasgezondheid en het waterverbruik. Het voorgestelde raamwerk voor IoT-gestuurde precisielandbouw (IoT-PA) bevordert Sustainable Development Goal (SDG) 2 (Geen Honger) en SDG 12 ( chịu Verantwoorde Consumptie en Productie) door real-time monitoring van het milieu, geautomatiseerde irrigatiecontrole en efficiënt beheer van hulpbronnen te integreren om de landbouwproductiviteit te verhogen en tegelijkertijd het waterverbruik te minimaliseren.

Vergelijking van de formule voor de berekening van het gemiddelde in de wiskundige analyse; formule v1(t)=(M+T+H+R+L)/5.

waar Formule voor statisch evenwicht, v₁(t)-vergelijking, diagram voor natuurkundestudie. staat voor de samengestelde index voor milieumonitoring op tijdstip t, M(t) is het bodemvocht (%), T(t) is de luchttemperatuur (°C), H(t) is de relatieve vochtigheid (%RH), R(t) is de neerslag (mm), en L(t) is de lichtintensiteit (lux). Vergelijking (5) combineert de genormaliseerde omgevingsparameters tot één enkele monitoringsindex die de algehele veldomstandigheid vertegenwoordigt die door het IoT-PA-framework wordt gebruikt.

Vergelijking van de gemiddelde functie G(t) met reeks-sommatie; educatieve wiskundige vergelijking.

waar G(t) stelt de geaggregeerde omgevingsconditie voor die is verkregen uit monitoringsintervallen of sensorknooppunten, en v(t) wiskundige functieformule, tijdsafhankelijke analyse, educatief gebruik wordt de samengestelde index voor milieumonitoring berekend met behulp van vergelijking (5) voor de Omdat u geen brontekst heeft opgegeven, kan ik geen vertaling maken. Voer alstublieft de Engelse tekst in die u naar het Nederlands vertaald wilt hebben.^th waarneming. Vergelijking (6) middelt verschillende metingen om de toestand van het veld te voorspellen, waardoor meetfluctuaties worden geëlimineerd en een betrouwbare input wordt geleverd voor automatische irrigatieplanning.

Figuur 4 beeldt uit hoe elke industriële revolutie de wereldwijde industrie heeft beïnvloed, van stoom tot digitaal. Ten slotte veranderen AI, blockchain en precisielandbouw de agro-foodsector in Industrie 4.0. Deze bevindingen bevorderen de landbouw, de efficiëntie van hulpbronnen en de duurzaamheid. Het voorgestelde IoT-gestuurde precisielandbouw-framework (IoT-PA) laat zien hoe digitale sensoren, cloudgebaseerde analyses en geautomatiseerde irrigatie de landbouwproductiviteit en het gebruik van hulpbronnen verbeteren om SDG 2 (Geen Honger) en SDG 12 (Verantwoorde Consumptie en Productie) te ondersteunen.

Vergelijking die het middelingproces weergeeft V(t)=1/N∑Gi(t); formule voor signaalverwerkingsanalyse.

waarbij V(t) de algehele veldtoestand op tijdstip t aanduidt, G_i(t) de milieubewakingsindex vertegenwoordigt die is verkregen van de i^de sensornode, en N het totaal aantal ingezette IoT-sensornodes is. Vergelijking (7) schat de gemiddelde veldtoestand door metingen van alle meetlocaties te aggregeren, waardoor de betrouwbaarheid van irrigebeslissingen wordt verbeterd.

Statische evenwichtsgleiching: α_eq = λV(t) + (1-λ)M(t), wiskundige expressie voor onderzoeksanalyse.

waarbij α_eq geeft de equivalente beslissingsindex aan die wordt gebruikt voor de irrigatieplanning, V(t) is de geaggregeerde milieuconditie verkregen uit Vergelijking (7), M(t) is het gemeten bodemvocht, en Statisch evenwicht; λ-vergelijking (0 ≤ λ ≤ 1); formule voor mathematische analyse; onderzoeksmethode. is een wegingscoëfficiënt die de invloed van de algemene veldomstandigheden en de huidige bodemvochtigheidsmeting in evenwicht brengt. Vergelijking (8) berekent de uiteindelijke beslissingsindex die door het IoT-PA-framework wordt gebruikt om geautomatiseerde irrigatie en efficiënt waterbeheer te ondersteunen.

Bijdrage 3: De agenda voor duurzame landbouw verder bevorderd

Overeenkomstig de SDG's 2 en 12 maakte dit digitale transformatie mogelijk om de voedselzekerheid in de landbouw en de resource-efficiëntie te verbeteren.

Figuur 5 illustreert post-pandemische veerkracht en duurzame ontwikkeling via de transitie naar een digitaal agro-voedselsysteem. Sensoren vervangen traditionele instrumenten in IoT-gestuurde landbouw om resources te maximaliseren. Blockchain en automatisering maken veilige, open voedsellevering mogelijk; AI zorgt voor efficiënte, hygiënische productie en verwerking. Waarschuwingen over voedselveiligheid en real-time monitoring helpen consumenten. Cycli verbeteren de wereldwijde voedselzekerheid, gezondheid en efficiëntie. Een consistente aanpak van digitale landbouw maakt gebruik van real-time sensing, cloud computing en automatische irrigatie om de gewasproductiviteit, waterbenutting en duurzame landbouwpraktijken te verbeteren ter ondersteuning van de Sustainable Development Goals (SDGs) 2 (Geen Honger), 3 (Goede Gezondheid en Welzijn) en 12 (Verantwoorde Consumptie en Productie).

Vergelijking voor foutmeting, R(t), met behulp van de sommatieformule; mathematische analyse.

waarbij R(t) de irrigatiebehoefte-index op tijdstip t aanduidt, M_i(t) het bodemvocht is gemeten door de i^de sensornode, M^th de vooraf gedefinieerde drempelwaarde voor het bodemvocht is, en N het totale aantal sensingnodes is. Vergelijking (9) berekent de irrigatiebehoefte van het gemonitorde veld door de gemiddelde variatie van het bodemvocht ten opzichte van de beoogde drempelwaarde te schatten.

Vergelijking voor dynamische respons, ν_sh(t)=ηR(t)+(1−η)V(t); wiskundige formule.

waar $Natuurkundige vergelijking $v_{sh}(t)$, formulefragment, snelheid-tijdrelatie, wiskundige expressie.$ staat voor de index voor slimme irrigatiebeheersing, R(U hebt geen brontekst opgegeven om te vertalen. Voer alstublieft de Engelse tekst in die u naar het Nederlands vertaald wilt hebben.) is de irrigatiebehoefte-index verkregen uit Vergelijking (9), V(t) is de geaggregeerde milieubewakingsindex verkregen uit vergelijking (7), en Vergelijking voor dynamische viscositeit η(0 ≤ η ≤ 1), weergave van de formule, principes van de vloeistofmechanica. is een wegingscoëfficiënt. De uiteindelijke regelwaarde voor de geautomatiseerde irrigatieplanning in het voorgestelde IoT-PA-systeem wordt berekend op basis van de irrigatiebehoefte en de omgevingscondities met behulp van vergelijking (10).

Resultaten

Prestatiematrices van de IoT-PA-architectuur omvatten waterverbruik, landbouopbrengst, systeemefficiëntie, duurzame resource-optimalisatie en bijdrage aan de SDG's. Slimme technologische keuzes verbeteren de landbouwproductie, duurzaamheid en het resourcebeheer.

Datasetbeschrijving: Het Agriculture Digital Twin Market Report van DataIntelo²⁶ werd gebruikt als achtergrondinformatie om de ontwikkeling en contextualisering van het voorgestelde framework te ondersteunen. De studie omvat wereldwijde statistieken van de markt voor landbouw-digitale tweelingen voor de periode 2019–2034, waarbij 2025 als basisjaar en 2026–2034 als prognoseperiode dienen. De gestructureerde marktintelligentie-dataset van 260 pagina's bevat kwantitatieve gegevens over de marktomvang, het samengestelde jaarlijkse groeipercentage (CAGR), de regionale marktverdeling, componentsegmentatie (software, hardware en diensten), toepassingsgebieden (gewasmonitoring, veemonitoring, precisielandbouw, slimme kassen en overige), implementatiemodi (cloud en on-premises), categorieën voor boerderijgrootte en technologische adoptie, waaronder IoT, AI, Big Data en Blockchain. We hebben de opgehaalde numerieke gegevens op volledigheid en consistentie gecontroleerd en continue variabelen vóór de analyse genormaliseerd met behulp van Min-Max-normalisatie.

De experimentele eenheid was één IoT-geënableerd gewasperceel, en er werden drie afzonderlijke experimenten (n = 3) onder vergelijkbare operationele omstandigheden uitgevoerd gedurende 90 dagen. Sensormetingen werden elke 10 min via MQTT naar het cloudplatform verzonden. Kwantitatieve gegevens worden weergegeven als gemiddelde ± SD. Met een gepaarde Student's t-test werd de statistische significantie van het voorgestelde IoT-PA-framework gemeten ten opzichte van het standaard tijdgebaseerde irrigatiesysteem, waarbij p < 0,05 als significant werd beschouwd. De betrouwbaarheid van de prestatiemaatstaven werd beoordeeld door hun 95% betrouwbaarheidsintervallen (CI) te berekenen. Een op ESP32 gebaseerd IoT-platform met capacitieve bodemvochtigheidssensoren, DHT2 temperatuur-vochtigheidssensoren, BH1750 lichtintensiteitssensoren en regensoren valideerde het IoT-Driven Precision Agriculture (IoT-PA) paradigma. Milieumetingen werden continu via MQTT naar AWS IoT Core verzonden. Onder vergelijkbare klimatologische omstandigheden werd het voorgestelde framework vergeleken met een tijdgebaseerd irrigatiesysteem. We evalueerden het waterverbruik, de landbouwproductie, de systeemefficiëntie, de duurzame resource-optimalisatie en de afstemming op de SDG's.

Analyse van het waterverbruik

Figuur 6 laat zien dat continue monitoring van het bodemvocht en geautomatiseerd irrigatiemanagement het waterverbruik met 24,62% verminderden in de voorgestelde architectuur voor precisielandbouw aangestuurd door IoT (IoT-PA). Real-time sensing verminderde onnodige irrigatie, verbeterde de efficiëntie van het watergebruik en ondersteunde een duurzame agrarische productiviteit.

Statisch evenwicht; formule v_c(t)=(W_conv-W_IoT)/W_conv×10; mathematische analyse.

waar Analyse van elektrische circuits, formule, vc(t), tijdsafhankelijke spanning, technische vergelijking, diagram. geeft het percentage aan van de waterbesparing dat op tijdstip is behaald U hebt geen tekst opgegeven om te vertalen. Voer aub de brontekst in die u naar het Nederlands vertaald wilt hebben., W_conversatie is de totale hoeveelheid water die verbruikt wordt met de conventionele irrigatiemethode, en W_{IoT (Internet of Things)} is het totale waterverbruik met behulp van het voorgestelde IoT-PA-framework. Vergelijking (1) berekent de procentuele waterbesparing via geautomatiseerde irrigatieplanning. De resultaten van de tests toonden aan dat het voorgestelde framework 24,62% meer water bespaarde dan traditionele irrigatie.

Analyse van de gewasopbrengst

Figuur 7 laat zien hoe geautomatiseerde irrigatie en omgevingsmonitoring de landbouwobrengst hebben verhoogd tot 95,13% met behulp van het voorgestelde IoT-gestuurde precisielandbouwsysteem (IoT-PA). De plantgezondheid, de gewasopbrengst en de handmatige interventie verbeterden door real-time sensorgegevens voor de watertoediening en het gewasbeheer.

$Vergelijking voor snelheid over tijd, $ v_0(t) $, ratioformule in wiskundig schema.$

waar Formule voor snelheidsfunctie v0(t), kinematische vergelijking, snelheid-tijdanalyse. staat voor de landbouwkundige productiviteit (%) op tijdstip t, Y_{IoT (Internet of Things)} is de gewasopbrengst verkregen met behulp van het voorgestelde IoT-PA-framework, en Y_max is de maximaal haalbare gewasopbrengst onder de experimentele omstandigheden. Het percentage landbouwproductiviteit van het voorgestelde raamwerk wordt berekend in vergelijking (12). Het IoT-PA-systeem behaalde een landbouwproductiviteit van 95,13% in de experimentele beoordeling, wat suggereert dat sensorgestuurde irrigatie en real-time monitoring van de omgeving de gewasprestaties verbeteren.

Analyse van de systeemefficiëntie

Figuur 8 laat zien dat het IoT-Driven Precision Agriculture (IoT-PA) framework autonome irrigatie, real-time omgevingsdetectie, cloudgebaseerde gegevensverwerking en geautomatiseerde besluitvorming integreerde om een systeemefficiëntie van 93,85% te bereiken. Een hoge efficiëntie betekent een betrouwbare werking van het systeem met minimale verspilling van hulpbronnen, wat bijdraagt aan een duurzame landbouw.

$Formule voor de berekening van het percentage in statistische analyse, vergelijking $c_m(t)=\frac{N_{succes}}{N_{totaal}}\times10$.$

waar Vergelijking van het dynamische systeem, c_m(t)-functie, wiskundige expressie, tijdsafhankelijke analyse. geeft de algehele systeemefficiëntie (%) aan op tijdstip t, Vergelijking: N<sub>succes</sub>, statistische analyse, weergave van wiskundige variabelen. staat voor het aantal succesvol voltooide detectie-, communicatie- en irrigatiebewerkingen, en De vergelijking voor statisch evenwicht, ΣFx=0, toont een natuurkundig diagram voor balans en krachtanalyse. is het totale aantal geplande systeembewerkingen tijdens de experimentele periode. Vergelijking (13) berekent de succesrate van het IoT-PA-framework, wat een indicatie is van de betrouwbaarheid en efficiëntie van het systeem. Experimentele resultaten toonden aan dat het voorgestelde framework een systeemefficiëntie van 93,85% had, wat bewijst dat het stabiel en betrouwbaar is voor continue toepassingen binnen de smart farming.

Analyse van duurzame optimalisatie van hulpbronnen

Het voorgestelde framework voor IoT-gestuurde precisielandbouw (IoT-PA) behaalt een duurzame resource-optimalisatie van 94,25%, wat in overeenstemming is met ecologische en economische duurzaamheid. Figuur 9 laat zien hoe real-time monitoring, geautomatiseerde irrigatieplanning en datagestuurde besluitvorming de verspilling van water en energie verminderen terwijl de landbouwopbrengst toeneemt. Daarom verbetert het framework de benutting van hulpbronnen en bevordert het een duurzame landbouw.

Vergelijking voor efficiëntieberekening, q(t) = (Rused/Ropt)×10; formulediagram.

waar q(t) tijdsafhankelijke lading; vergelijking; elektrische analyse; tijdsfunctie; studie van dynamische systemen. duidt de duurzame hulpbronoptimalisatiesnelheid (%) aan op tijdstip t, Diagram van de statische evenwichtsgleiching ΣFx=0, dat de krachtbalans bij de analyse van mechanische systemen weergeeft. vertegenwoordigt het aantal hulpbronnen (zoals water en energie) dat efficiënt wordt benut door het voorgestelde IoT-PA-framework, en R_opt-formule, wiskundig symbool in de theoretische natuurkunde, concept van de optimalisatievergelijking. is de optimale hulpbronbehoefte onder dezelfde teeltomstandigheden. Vergelijking (14) vergelijkt efficiënt gebruikte hulpbronnen met de optimale hulpbronbehoeften om de benutting van hulpbronnen te beoordelen. De experimentele resultaten toonden aan dat het IoT-PA-framework hulpbronnenverspilling kon verminderen en de landbouwproductiviteit kon handhaven met een duurzame hulpbronoptimalisatiesnelheid van 94,25%.

Analyse van digitale technologieën bij het behalen van de SDG's

Figuur 10 laat zien dat de architectuur voor IoT-gestuurde precisielandbouw (IoT-PA) in dit onderzoek een SDG-uitlijningsefficiëntie van 96,31% bereikte. Automatische irrigatie en real-time monitoring verhogen de landbouwopbrengst en bevorderen SDG 2 (Geen Honger) en SDG 12 (Verantwoorde Consumptie en Productie) door het water- en energieverbruik te optimaliseren. De hoge SDG-uitlijningsefficiëntie toont aan dat digitale technologieën bijdragen aan een duurzame en grondstoffenefficiënte landbouw.

Vergelijking voor het berekenen van het behaalde percentage in experimenten. Formule: Q(t) = S_behaald/S_doel × 100.

waar Concept van de kwantummechanica, Q(t)-vergelijking; dynamische systeemanalyse, formuleweergave. geeft de SDG-uitlijningsefficiëntie (%) aan op tijdstip Het lijkt erop dat u alleen de letter 't' heeft ingevoerd. Voer alstublieft de Engelse brontekst in die u vertaald wilt hebben naar het Nederlands., Diagram van statisch evenwicht ΣFx=0; krachtenevenwicht, mechanische analyse, educatief gebruik. staat voor het aantal duurzaamheidsdoelstellingen dat succesvol is behaald door het voorgestelde IoT-PA-framework, en Statisch evenwicht; formule S_target; diagram; educatief; onderzoek; natuurkundig concept. staat voor de totale duurzaamheidsdoelstellingen die voor de evaluatie zijn gedefinieerd. Vergelijking (15) vergelijkt de behaalde duurzaamheidsdoelen met vooraf vastgestelde targets. Het IoT-PA-raamwerk ondersteunde een duurzame landbouwgroei via intelligent resourcemanagement en digitale innovatie met een SDG-afstemmingsefficiëntie van 96,31%, volgens de proefgegevens.

Het IoT-gestuurde precisielandbouw-framework (IoT-PA) verbetert het duurzame landbeheer door middel van real-time detectie, cloudgebaseerde monitoring en geautomatiseerde irrigatiecontrole, volgens de experimenten. Het framework verminderde het waterverbruik met 24,62% en behaalde een landbouwproductie van 95,13%, een systeemefficiëntie van 93,85%, een duurzame resource-optimalisatie van 94,25% en een SDG-afstemmingsefficiëntie van 96,31% vergeleken met traditionele irrigatie. Deze bevindingen tonen aan dat IoT-technologieën en intelligente irrigatie de benutting van hulpbronnen, de gewasproductiviteit en de duurzame landbouw verbeteren. Bijgevolg biedt het voorgestelde IoT-PA-framework een praktische en schaalbare digitale landbouwoplossing die de Sustainable Development Goals 2 (Geen Honger) en 12 (Verantwoorde Consumptie en Productie) ondersteunt via datagestuurd landbeheer.

Om de reproduceerbaarheid van het IoT-Driven Precision Agriculture (IoT-PA) framework te testen, werden alle experimenten drie keer herhaald onder identieke omstandigheden. De resultaten van drie experimentele proeven, waaronder waterreductie (24,62%), verbetering van de gewasopbrengst (95,13%), systeemefficiëntie (93,85%), duurzame optimalisatie van hulpbronnen (94,25%) en SDG-afstemming (96,31%), worden weergegeven als gemiddelde ± SD. Voorafgaand aan de vergelijkende analyse is de verdeling van de experimentele gegevens geanalyseerd met de Shapiro–Wilk normaliteitstoets. Het voorgestelde IoT-PA framework werd vergeleken met de standaard tijdgebaseerde irrigatietechniek met behulp van een gepaarde Student's t-toets, waarbij de significantie werd vastgesteld op p < 0,05. Voor alle belangrijkste prestatie-indicatoren zijn 95% betrouwbaarheidsintervallen (CI) berekend om de onzekerheid van de experimentele schatting te kwantificeren, en is de variatiecoëfficiënt (CV) berekend om de herhaalbaarheid en consistentie van de experimentele bevindingen te onderzoeken.

DATABESCHIKBAARHEID:

De experimentele gegevens die de bevindingen van deze studie ondersteunen, werden gegenereerd tijdens de 90-daagse veldevaluatie van het voorgestelde IoT-Driven Precision Agriculture (IoT-PA) framework dat in het manuscript wordt beschreven. Het Agriculture Digital Twin Market Report (DataIntelo), dat is gebruikt als referentiekader voor de conceptuele ontwikkeling van het framework en om context te bieden over digitale landbouwtechnologieën, is beschikbaar via: https://dataintelo.com/report/agriculture-digital-twin-market.

Diagram van digitale landbouw; IoT, AI voor verbeterde efficiëntie, toeleveringsketen, klimaatslimme landbouw.
Figuur 1Digitale Wortels: Het bevorderen van duurzaamheid in de agro-foodketen. Overzicht van de agro-food-waardeketen ter illustratie van de integratie van digitale technologieën, waaronder IoT, cloud computing, kunstmatige intelligentie en data-analyse, om de landbouwproductiviteit te verbeteren, het gebruik van hulpbronnen te optimaliseren en duurzame voedselproductie te ondersteunen. Klik hier om een grotere versie van deze figuur te bekijken.

Procesdiagram voor smart farming met sensoren, robots, datamanagement, gewasbewaking, serververbinding.
Figuur 2Smart Agri-Loop: Van veldsensoren naar de handen van de landbouwer. Workflow van het voorgestelde raamwerk voor precisielandbouw gestuurd door het Internet der Dingen (IoT-PA), met weergave van real-time omgevingssensoren, draadloze gegevensoverdracht, cloudgebaseerde analyses, geautomatiseerde irrigatiecontrole en beslissingsondersteuning voor de landbouwer voor precisielandbouw. Klik hier om een grotere versie van deze figuur te bekijken.

Diagram van het IoT-precisielandbouwframework: digitale technologie, bodemsensoren, klimaatgegevens, impact op SDG.
Figuur 3Van bodem tot doel: een blauwdruk voor smart farming voor duurzame groei. Conceptueel overzicht van het voorgestelde IoT-gestuurde precisielandbouw-framework (IoT-PA), waarin de integratie van digitale technologieën voor slim agrarisch beheer wordt geïllustreerd. Klik hier om een grotere versie van deze figuur te bekijken.

Industriële evolutiediagram: van het tijdperk van stoom en elektriciteit naar de tijdperken van informatie en digitalisering.
Figuur 4Van stoom naar slimme boerderijen: de evolutie naar de toekomst van agri-tech. Evolutie van landbouwtechnologieën van conventionele landbouwmethoden naar moderne digitale landbouw via mechanisatie, precisielandbouw, het Internet of Things, IoT-gestuurde monitoring, cloud computing en intelligente beslissingssystemen. Klik hier om een grotere versie van deze figuur te bekijken.

Diagram van digitale voedselsystemen; van landbouw tot consumenten; IoT, blockchain waarborgen duurzaamheid en veiligheid.
Figuur 5Slimme ketens voor veilige granen: een digitaal pad naar duurzame voedseltoekomsten. Conceptuele weergave van digitale technologieën ter ondersteuning van de agrarische toeleveringsketen, inclusief gewasmonitoring, precisie-irrigatie, resource-optimalisatie, monitoring van voedselkwaliteit en duurzaamheidsbeoordeling om de voedselzekerheid en de milieuprestaties te verbeteren. Klik hier om een grotere versie van deze figuur te bekijken.

Boxplot-grafiek die het waterverbruik analyseert; vergelijkt steekproefgegevens van IDAFS, DSIAM, DVIRF en IoT-PA.
Figuur 6Analyse van het waterverbruik. Vergelijking van het waterverbruik tussen de conventionele irrigatiemethode en het voorgestelde IoT-PA-raamwerk. Het waterverbruik werd geëvalueerd over de experimentele periode, en de waarden worden weergegeven als gemiddelde ± standaarddeviatie (n = 3 onafhankelijke proeven). De statistische significantie werd beoordeeld met een gepaarde Student's t-toets met p < 0,05. Het voorgestelde IoT-PA-framework (Internet of Things-gestuurde precisielandbouw) realiseerde een vermindering van 24,62% in het waterverbruik vergeleken met conventionele irrigatie. Klik hier om een grotere versie van deze figuur te bekijken.

Staafdiagram waarin analysemethoden voor gewasopbrengst worden vergeleken: IDAFS, DSIAM, DVIRF, IoT-PA, aantal monsters.
Figuur 7Analyse van de gewasopbrengst. Vergelijking van de landbouwproductiviteit behaald met de conventionele irrigatiemethode en het voorgestelde IoT-PA (Internet of Things-Driven Precision Agriculture) raamwerk onder identieke teeltomstandigheden. De waarden van de oogstopbrengst zijn weergegeven als gemiddelde ± standaarddeviatie (n = 3 onafhankelijke proeven). De statistische significantie werd geëvalueerd met een gepaarde Student's t-test (p < 0,05). Het voorgestelde raamwerk bereikte een agrarische productiviteit van 95,13%. Klik hier om een grotere versie van deze figuur te bekijken.

3D-staafdiagram van de systeemefficiëntieverhouding op basis van het monsteraantal; vergelijkt methoden IDAFS, DSIAM, DVIRF, IoT-PA.
Figuur 8Analyse van de systeefficientie. Prestatie-evaluatie van het IoT-PA (Internet of Things-Driven Precision Agriculture) framework op basis van succesvolle detectie, communicatie, cloudverwerking en geautomatiseerde irrigatiebewerkingen. Resultaten worden uitgedrukt als gemiddelde ± standaarddeviatie (n = 3 onafhankelijke experimenten). Statistische analyse is uitgevoerd met een gepaarde Student's t-toets met p < 0,05. Het voorgestelde systeem behaalde een totale systeemefficiëntie van 93,85%. Klik hier om een grotere versie van deze figuur te bekijken.

Grafiek voor duurzame optimalisatie van hulpbronnen, methoden: IDAFS, DSIAM, DVIRF, IoT-PA, aantal monsters.
Figuur 9Analyse van duurzame optimalisatie van hulpbronnen. Evaluatie van de duurzame resource-optimalisatie behaald door het voorgestelde IoT-PA-framework via efficiënt water- en resourcebeheer. Resultaten worden weergegeven als gemiddelde ± standaarddeviatie (n = 3 onafhankelijke proeven). Statistische significantie werd bepaald met behulp van een gepaarde Student's t-toets (p < 0,05). Het voorgestelde raamwerk behaalde een optimalisatiegraad van duurzame hulpbronnen van 94,25%. Klik hier om een grotere versie van deze figuur te bekijken.

Grafiek van digitale technologieën die de SDG's bereiken (%) per steekproefomvang, vergeleken over vier methoden.
Figuur 10Analyse van digitale technologieën bij het bereiken van de SDG's. Beoordeling van de bijdrage van het voorgestelde IoT-PA-framework (Internet of Things-gestuurde precisielandbouw) aan de duurzame ontwikkelingsdoelstellingen (SDG's) door middel van verbeteringen in het watergebruiksefficiëntie, de landbouwproductiviteit, intelligente irrigatie en duurzaam resourcemanagement. Resultaten worden gepresenteerd als gemiddelde ± standaarddeviatie (n = 3 onafhankelijke proeven). Statistische significantie werd geëvalueerd met behulp van een gepaarde Student'st-toets met p < 0,05. Het voorgestelde raamwerk behaalde een SDG-uitlijningsefficiëntie van 96,31%. Klik hier om een grotere versie van deze figuur te bekijken.

Discussie

Met de IoT-PA kan digitale landbouw huidige problemen oplossen. Voor hulpbroneconomieën en landbouwproductie stelt dit artikel real-time monitoring, sensorgestuurde irrigatie en datagestuurde besluitvorming voor. Het waterverbruik daalde met 24,62% en de landbouwopbrengst steeg met 95,13% door het gebruik van het Internet of Things, wat het revolutionaire potentieel voor duurzaamheid aantoont. SDG 2 (Geen Honger) en SDG 12 (Responsible Consumption and Production) worden behaald met een systeefficiëntie van 93,85%. Het systeem bereikte een SDG-afstemmings-/efficiëntie van 96,31%. Slimme automatisering vervangt hulpbronintensieve alternatieven om de voedselzekerheid en het milieu te verbeteren. De studie benadrukt hoe sensoren, cloud computing en automatisering repliceerbare landbouwmodellen kunnen vormen. De landbouw heeft dergelijke technologieën nodig vanwege de bevolkingsgroei en klimaatverandering. Volgens dit essay kan de digitale revolutie de efficiëntie, veerkracht en duurzaamheid van de landbouw vergroten. De IoT-PA-architectuur zal in toekomstige studies worden toegepast op gewassen en regio's. AI zal de meteorologie, voorspellende analyses en plaagidentificatie verbeteren. Om de toegang voor boeren te vergroten, moet de nadruk worden gelegd op goedkope technologie en mobiele applicaties. Acceptatie, de kwaliteit van de datareceptie en wereldwijde duurzaamheids- en voedselzekerheidsdoelstellingen zullen worden gedefinieerd.

In vergelijking met het Integrated Digital Agriculture & Food Systems Framework (IDAFS) voorgesteld door Sridhar et al.¹⁸, dat een uitgebreid overzicht geeft van digitale technologieën, waaronder IoT, kunstmatige intelligentie (AI), blockchain, robotica en big data voor duurzame agro-voedselstelsels, biedt het voorgestelde IoT-PA-framework een praktische implementatie voor precisielandbouw. Terwijl IDAFS zich voornamelijk richt op technologie-adoptie en strategieën voor digitale transformatie op conceptueel niveau, integreert IoT-PA real-time omgevingssensoren, cloudgebaseerde gegevensverwerking, geautomatiseerde irrigatiebesturing en meldingen aan de landbouwer in één uniform operationeel framework. Deze integratie maakt continue veldmonitoring en geautomatiseerde besluitvorming mogelijk, waardoor het platform geschikt is voor precisie-irrigatie en hulpbronnenbeheer¹⁸. Het Digital-SDG Impact Analysis Model (DSIAM) van Vărzaru¹⁹ benadrukt de rol van digitale transformatie bij voedselzekerheid en het behalen van de Sustainable Development Goals via analyses op beleidsniveau en regionale economische analyse. Voor de implementatie in het veld maakt de IoT-PA-architectuur gebruik van IoT-sensoren, geautomatiseerde irrigatiebesturing en cloudcommunicatie. Digitale transformatie wordt in de landbouw ingezet om het watergebruik en de gewasproductie te verbeteren¹⁹. Het DVIRF van Zhang en Zhang²⁰ bevordert duurzame rurale ontwikkeling via digitale infrastructuur, rurale industriële integratie en technologische innovatie. DVIRF ondersteunt regionale digitale transformatie zonder beslissingsondersteuning voor precisie-irrigatie. Om slimme landbouw mogelijk te maken, combineert het IoT-PA-framework continue sensorbewaking, intelligente irrigatieplanning, cloudgebaseerde analyses en geautomatiseerd hulpbronnenbeheer²⁰. De voorgestelde IoT-PA-architectuur combineert omgevingssensoren, connectiviteit, cloudcomputing en geautomatiseerde irrigatie voor real-time besluitvorming en waterbeheer. In vergelijking met conceptuele digitale landbouwkaders¹⁸^,¹⁹^,²⁰, verbetert dit ontwerp de operationele efficiëntie, vermindert het de menselijke tussenkomst en bevordert het duurzame landbouwmethoden. Het framework kent echter belangrijke tekortkomingen. Deze experimentele evaluatie is uitgevoerd onder normale landbouvomstandigheden en is nog niet bevestigd voor verschillende gewassoorten, bodemtypes, klimatologische regio's of grootschalige commerciële landbouw. In deze implementatie worden vooraf bepaalde drempelwaarden voor bodemvochtigheid gebruikt, waardoor er geen gebruik wordt gemaakt van AI voor voorspellende irrigatieplanning, opbrengstvoorspelling van gewassen, detectie van plagen en ziekten of gewassing-simulaties op basis van digitale tweelingen. Toekomstig onderzoek zal gebruikmaken van machine learning, digitale tweelingen, remote sensing en explainable AI om de landbouwpredictie, schaalbaarheid en flexibiliteit te verbeteren.

Beperkingen moeten in overweging worden genomen bij het interpreteren van de resultaten van IoT-gestuurde precisielandbouw (IoT-PA). In het algemeen is het raamwerk niet getest voor verschillende gewastypes, bodemkenmerken, klimatologische omstandigheden of grootschalige landbouwcontexten. Voor optimale prestaties onder uiteenlopende teeltpraktijken maakt het irrigatiemanagement gebruik van bodemvochtigheidsdrempelwaarden die mogelijk gewasspecifieke kalibratie vereisen. Deze toepassing maakt gebruik van IoT-gebaseerde milieumonitoren en geautomatiseerd irrigatiemanagement, en niet van AI-gestuurde voorspellende irrigatie, diagnose van plagen en ziekten, nutriëntenbeheer of multispectrale teledetectie. Netwerkconnectiviteit, de nauwkeurigheid van sensorkalibratie en klimatologische factoren die de real-time gegevensoverdracht beïnvloeden, kunnen de prestaties van het raamwerk in afgelegen landbouwgebieden belemmeren.

Openbaarmakingen

De auteurs hebben geen belangenverstrengeling.

Dankbetuigingen

Dit onderzoek heeft geen specifieke subsidie ontvangen van enige financieringsinstantie in de publieke, commerciële of non-profitsector.

Materialen

Lijst van materialen gebruikt in dit artikel
Naam	Bedrijf	Catalogusnummer	Opmerkingen
Arduino IDE	Arduino	Versie 2.x https://www.arduino.cc/en/software	Geïntegreerde Ontwikkelomgeving, ESP32-firmwareontwikkeling
Capacitieve bodemvochtigheidssensor	DFRobot	SEN0193	Meet het volumetrische bodemvocht; Werkspanning 3,3–5,5 V
Cloud-IoT-platform	Amazon Web Services	AWS IoT Core https://aws.amazon.com/iot-core	Cloudgebaseerd IoT-platform voor gegevensopslag, visualisatie en monitoring op afstand
DC-voeding	Mean Well	/	Voedt de controller en de pomp; gereguleerde uitgang van 12 V DC, Model: LRS-50-12
DC-waterpomp	Commercieel verkrijgbaar	/	Geautomatiseerde irrigatie; 12 V DC-pomp
Digitale lichtintensiteitssensor	Rohm Semiconductor	BH1750FVI	Meet de omgevingslichtintensiteit; 1–65535 lux
ESP32-ontwikkelbord	Espressif Systems	ESP32-DEVKITC-32D	Dual-core 240 MHz MCU, wifi/bluetooth; hoofdcontroller voor sensoracquisitie en irrigatiecontrole
Microsoft Excel	Microsoft Corporation	Microsoft 365 https://www.microsoft.com/nl-nl/microsoft-365/excel	Spreadsheet-software voor dataorganisatie en visualisatie
MQTT-broker	Eclipse Foundation	Mosquitto v2.x https://mosquitto.org	IoT-berichtcommunicatie; MQTT-protocol
Python	Python Software Foundation	Versie 3.x https://www.python.org	Programmeertaal voor datapreprocessing en statistische analyse
Regensensormodule	DFRobot	/	Analoge/digitale uitgang; Detecteert neerslaggebeurtenissen; Model: SEN0308
Relèmodule met enkel kanaal	Songle	SRD-05VDC-SL-C	Schakelt irrigatiepomp IN/UIT; 5 V relais
Temperatuur- en vochtigheidssensor	Adafruit Industries	DHT22 (AM2302)	Milieumonitoring; Temperatuur ±0.5 °C; Luchtvochtigheid ±2% RV
Webbrowser	Google LLC	Google Chrome (laatste stabiele versie) https://www.google.com/chrome	Toegang tot het AWS IoT-dashboard
Wi-Fi-router	TP-Link Technologies	/	Draadloze communicatie tussen ESP32 en cloud; IEEE 802.11 b/g/n/ac; Model: Archer C6

Referenties

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.

Het benutten van digitale technologieën in de agro-foodsector: een IoT-gestuurd raamwerk voor precisielandbouw om de duurzame ontwikkelingsdoelen te bereiken

In dit artikel

Samenvatting

Samenvatting

Inleiding

Protocol

Resultaten

Discussie

Openbaarmakingen

Dankbetuigingen

Materialen

Referenties

Herprints en machtigingen

Tags