Analiza niezawodności między warstwami oraz strategie optymalizacji wieloobiektywnej z adaptacją krawędziową dla modelowania fizycznego sieci w inteligentnym zarządzaniu rolnictwem CPS

Summary

Protokół ten przedstawia międzywarstwową strategię modelowania cyberfizycznego i optymalizacji dla inteligentnego zarządzania szklarnią, umożliwiając powtarzalną ocenę niezawodności i wydajności ekologicznej.

Abstract

Rosnące zapotrzebowanie na żywność i stresy klimatyczne napędzają wdrażanie inteligentnego rolnictwa, jednak istniejące systemy cyber-fizyczne (CPS) nie mają niezawodnej integracji międzywarstwowej i elastyczności w czasie rzeczywistym, co ogranicza wydajność w dynamicznych środowiskach. Protokół ten ma na celu zapewnienie międzywarstwowej strategii modelowania i optymalizacji cyberfizycznej dla inteligentnego rolnictwa szklarniowego. Wykazuje potencjalną przydatność w zwiększaniu niezawodności i adaptacji systemów cyberfizycznych w rolnictwie. Podejście integruje warstwę fizyczną z modelem Gleba-Roślina-Atmosfera oraz kalibracją Ensemble Kalman Filter (EnKF) dla dokładnej prognozy wilgotności gleby. Zawiera warstwę sieciową wykorzystującą fuzję wieloprotokołową z modelowaniem sieci Stochastic Petri do oceny niezawodności komunikacji. Warstwa sterująca opiera się na stochastycznym systemie hybrydowym, aby koordynować wspólne podejmowanie decyzji. Niezawodność jest dodatkowo oceniana za pomocą funkcjonalno-temporalno-ekologicznych ram wskaźników, podczas gdy optymalizacja łączy wieloobiektywowe uczenie ze wzmocnieniem z ograniczeniami bezpieczeństwa oraz bayesowskim meta-uczeniem, umożliwiając szybkie adaptacje podczas zmiany upraw. Wdrożenie edge-intelligent zapewnia solidną kontrolę podczas przerw w komunikacji. Wyniki uprawy pomidorów w szklarniach cieplarnianych w Shouguang w Chinach pokazują powtarzalne i stabilne wyniki w prognozowaniu plonów, efektywności wykorzystania wody oraz opóźnieniu kontroli w trudnych warunkach. Ta metodologia zapewnia praktyczny i powtarzalny sposób wdrażania adaptacyjnych i niezawodnych systemów cyberfizycznych dla rolnictwa.

Introduction

Populacja świata szybko rośnie, a dostępność zasobów maleje, co zmienia sposób rozwoju rolnictwa. Tradycyjne modele rolnictwa, gdzie nakłady pracy i materiałów są wysokie, a zależność od warunków naturalnych jest silna, nie są w stanie zapewnić efektywności i zrównoważonego rozwoju. W tym przypadku inteligentne rolnictwo stało się podejściem transformującym. Pozwala na osiągnięcie pełnej percepcji terenu, podejmowanie precyzyjnych decyzji oraz inteligentne sterowanie polem poprzez połączenie Internetu Rzeczy, analizy big data, sztucznej inteligencji oraz systemów informacji przestrzennej, co zwiększa efektywność wykorzystania zasobów i przyczynia się do zrównoważonej ....

Protocol

Zauważono, że w tym protokole nie uczestniczą żadne eksperymenty na ludziach ani kręgowcach. W przypadku przyszłych badań, które będą obejmować udział człowieka lub próbki biologiczne, musi to zostać zatwierdzone przez odpowiednią instytucjonalną komisję kontrolną, a numer zatwierdzenia musi zostać zarejestrowany przed wdrożeniem.

1. Przygotowanie terenu i sprzętu

UWAGA: Ten etap buduje ustandaryzowaną sieć czujników, która dostarcza precyzyjnych i zsynchronizowanych informacji o środowisku wykorzystywanych do dalszego modelowania fizycznego i sterowania.

1. Ustal, gdzie znajduje się szk....

Results

Wilgotność gleby i SNR mają największy pozytywny wpływ SHapley Additive ExPlanations (SHAP) na decyzje nawadniające, według wykresu podsumowującego SHAP (Rysunek 3). Wysokie opóźnienia kierują politykę w stronę konserwatywnych opcji awaryjnych, co świadczy o zgodności z architekturą sterowania świadomą niezawodności. Tabela 4 przedstawia instrukcje operacyjne oraz szczegóły konfiguracji modułów obliczeniowych

Układ eksperymentalny.......

Discussion

Dowody eksperymentalne pokazują, że proponowane ramy CPS i strategie optymalizacji wyróżniają się w trzech wymiarach: niezawodności, bezpieczeństwa i efektywności obliczeniowej. Modelowanie sprzężenia międzywarstwowego skutecznie przezwycięża historyczne podziały między reprezentacjami fizycznymi a sieciowymi. Dzięki osadzeniu SPAC i SPN w jednolitym systemie SHS system zmniejszył błąd przewidywania plonów o 32,7% i skrócił opóźnienia o 45% przy ekstremalnie wysokich temperaturach. Ograniczenia bezpieczeństwa zapewniły, .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Kamera wielospektralna	MicaSense	RedEdge-MX	Rejestruje odbicie osłony drzewa dla szacowania LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Urządzenie brzegowe do wnioskowania lokalnego AI
Czujnik wilgotności gleby	Urządzenia Decokątne	EC-5	Mierzy objętościową zawartość wody w glebie
Stacja meteorologiczna	Campbell Scientific	CR300	Rejestruje temperaturę, wilgotność i opady