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 produkcji rolnej ^1,2.

Rynek inteligentnego rolnictwa rośnie wykładniczo na całym świecie, a USA rozwijają się w technologiach rolnictwa precyzyjnego, Izrael w nawadnianiu oszczędzającym wodę, a Japonia w obszarze inteligentnych systemów szklarniowych³. W Chinach narodowy plan rozwoju informatyzacji rolnictwa i obszarów wiejskich, czternastoletni, doprowadził do cyfrowej transformacji rolnictwa, co zaowocowało postępem w cyfrowym hodowli, inteligentnych maszynach oraz projektach inteligentnego rolnictwa opartego na skali⁴. Internet Rzeczy (IoT) odnosi się do sieci połączonych urządzeń aktywujących i wykrywających, które zbierają, wymieniają i przetwarzają dane. Jednak nawet przy tych postępach nadal występują problemy z zasięgiem sieci IoT, precyzją i niezawodnością sensorów, wymianą informacji między systemami oraz dostępem do interdyscyplinarnego zrozumienia, które ograniczają szeroką implementację ^5,6.

Systemy cyberfizyczne (CPS) rolnictwa są w centrum tego krajobrazu, łącząc postrzeganie środowiska z inteligentną kontrolą⁷. CPS łączył zarówno procesy obliczeniowe, jak i fizyczne, połączone z czujnikami, kontrolerami i sieciami komunikacyjnymi. Niemniej jednak istniejące metody modelowania opierają się zazwyczaj na niezależności warstw fizycznych, sieciowych i sterujących, ograniczając interakcje warstw i zmniejszając zdolność predykcyjną podczas zaburzeń dynamicznych⁸. Istniejące oceny wiarygodności również podkreślają funkcjonalne i czasowe wymiary, podczas gdy niezawodność ekologiczna, taka jak efektywność wykorzystania wody i ograniczenia zasolenia gleby – pozostaje niedostatecznie zbadana⁹. Ponadto wiele strategii optymalizacji opiera się na treningach offline, co prowadzi do opóźnień w wnioskowaniu opartym na krawędzi oraz trudności w adaptacji do szybkich zmian środowiskowych lub upraw¹⁰.

Monitorowanie szklarni oparte na czujnikach zyskuje na popularności, ale wciąż napotyka liczne przeszkody uniemożliwiające większą akceptację. Skalowalność i niezawodność systemu są ograniczone przez wysokie koszty wdrożenia i nierówną jakość czujników. Metody modelowania stosowane w monitorowaniu szklarni oparte na czujnikach opierają się na założeniu stabilnych warunków środowiskowych, spójnych wzorców wzrostu upraw oraz niezawodnego przesyłania informacji przez sieci komunikacyjne. Jednak te założenia nie są ważne w wielu warunkach występujących wewnątrz szklarni. Te ograniczenia wskazują, że istnieje potrzeba zaprojektowania i wdrożenia ramy zdolnej do radzenia sobie z nieciągłymi szumami z czujników, wahaniami zasilania czujników podczas użytkowania oraz okresami utraty komunikacji bez utraty jakości wydajności czy wykonalności implementacji.

Aby rozwiązać te ograniczenia, protokół wprowadza powtarzalny przepływ pracy modelowania i optymalizacji między warstwami, integrujący procesy fizyczne, sieciowe i sterujące w jednolity system. Warstwa fizyczna wykorzystuje model kontinuum gleba-roślina-atmosfera z kalibracją filtra Ensemble Kalmana dla dokładnej prognozy wilgotności gleby¹¹. Warstwa sieciowa wykorzystuje fuzję wieloprotokołową z wykorzystaniem stochastycznego modelu sieci Petriego do pomiaru niezawodności komunikacji. Na poziomie sterowania stochastyczny system hybrydowy umożliwia wspólne podejmowanie decyzji między warstwami. System wskaźników funkcjonalno-czasowo-ekologicznych służy do pomiaru niezawodności, wieloobiektywowe głębokie uczenie ze wzmocnieniem do optymalizacji tego systemu, z ograniczeniami bezpieczeństwa, a bayesowskie meta-uczenie służy do szybkiego dostosowania do zmiany upraw. Wdrożenie edge-intelligent zapewnia również odporność systemu na zakłócenia podczas komunikacji. Łącząc te elementy, protokół oferuje systematyczny i powtarzalny sposób poprawy stabilności i elastyczności aplikacji CPS w inteligentnym rolnictwie¹².

Protokół ten jest odpowiedni dla średnioskalowych i dużych środowisk szklarniowych (800-1500 m²) z różnorodnymi bezprzewodowymi sieciami czujników do monitorowania gleby, mikroklimatu i CO₂. Aby zapewnić kontrolę w czasie rzeczywistym, zaleca się minimalną rozdzielczość próbki wynoszącą 5 minut, przy czym komunikacja LoRa/NB-IoT jest niezbędna do wdrożenia wielu węzłów (>200 węzłów). Workflow jest demonstrowany dla produkcji pomidorów szklarnianych, ale można go zastosować do upraw takich jak ogórek, papryka i warzywa liściaste poprzez retuning parametrów i transfer meta-learning.

Protokół opiera się na sekwencyjnym cyklu roboczym, w którym modelowanie fizyczne określa wilgotność gleby, warstwa sieciowa stabilność transmisji danych, a warstwy kontroli + optymalizacji tworzą polityki nawadniania i nawożenia, które zapewniają stabilność ekologiczną i operacyjną. Rysunek 1 przedstawia proponowany proces cyber-fizyczny systemu międzywarstwowego.

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 szklarnia, wpisując współrzędne GPS do oprogramowania monitorującego. Wybierz gatunki roślin z dostępnej biblioteki upraw i ustal cele środowiskowe (temperatura: 20-28 °C, wilgotność względna: 50%-70%).
2. Zapisz wymiary szklarni, systemy wentylacyjne i konfigurację zacienienia.
3. Synchronizuj wszystkie urządzenia z jednolitym zegarem za pomocą protokołu Network Time Protocol (NTP)¹³.
4. Zainstaluj czujniki wilgotności gleby, temperatury, wilgotności, światła oraz_CO2 zgodnie ze specyfikacją producenta.
   1. Zainstaluj 60 bezprzewodowych czujników wilgotności i temperatury gleby (dokładność ±2%), 10 czujników wilgotności i_CO2 (± 30 ppm CO₂ ) oraz 4 czujniki światła multispektralnego. Użyj siatki o wymiarach 6 m x 5 m, aby ustawić czujniki gleby na głębokości 10, 20 i 30 cm. W zależności od funkcji, wszystkie czujniki wykorzystują transceivery LoRa oraz moduły NB-IoT do komunikacji bezprzewodowej. Synchronizuj bramę i czujniki meteorologiczne za pomocą NTP, aby osiągnąć dokładność znaczników czasowych ±1 s.
5. Zainstaluj stałe czujniki na określonych głębokościach i pozycjach, aby upewnić się, że pomiar jest poprawny.
6. Ustaw częstotliwość próbkowania danych na 5 mph i włącz ustawienie znaczników czasu na bramie.
7. Zarejestruj wszystkie węzły sensorów z unikalnymi identyfikatorami i sprawdź łączność bram. Przeprowadź 24-godzinny test w celu oceny utraty pakietów i dryfu zegara.
8. Prowadź dziennik bazowy, aby móc go wykorzystać w przyszłości. Tabela 1 przedstawia ustawienia konfiguracji i parametrów dla etapów modelowania.

2. Modelowanie warstw fizycznych (kontinuum gleba-roślina - atmosfera (SPAC) oraz filtr Kalmana zespołu (EnKF))

UWAGA: Ta faza przybliża interakcje gleby, roślin i atmosfery, aby uzyskać poprawne oszacowania wilgotności gleby, które są wykorzystywane do kontroli nawadniania.

1. Gotowe dane wejściowe do modelu SPAC, ponieważ wymaga on następujących parametrów: tekstury gleby, pojemności pól, rozmieszczenia korzeni, czynników meteorologicznych oraz wskaźnika powierzchni liści korony.
2. Wszystkie zbiory danych wejściowych zostały przepróbkowane do jednolitego 5-minutowego indeksu czasu w Pythonie 3.10 za pomocą funkcji Pandas resample('5min').mean(). Brakujące wartości zostały oszacowane za pomocą CubicSpline SciPy, natomiast luki >5 minut zostały odtworzone poprzez propagację prognoz modelu SPAC przez fazę predykcji EnKF. Flagi niepewności zostały zachowane do analizy wiarygodności.
   1. Wypełnij brakujące wartości za pomocą interpolacji sześciennej spline¹⁴. Rekonstruuj dłuższe przerwy (> 5 min) przy użyciu fazy prognozy EnKF na podstawie wilgotności gleby i prognozy meteorologicznej. Zaznacz wszystkie zrekonstruowane wartości do śledzenia niepewności.
3. Ustalić równanie Richarda do modelowania przepływu wody nienasyconej.
    
   Gdzie to szybkość zmiany objętościowej zawartości wody θ (m³) względem czasu t, h to wysokość ciśnienia (cm), a K(θ) to przewodność hydrauliczna. Operator ∇ wskazuje gradient przestrzenny, a wyrażenie (∇h+1) oznacza całkowity gradient hydrauliczny.
4. Oszacuj parametry hydrauliczne gleby za pomocą modelu van Genuchtena:
   
   Gdzie K_to przewodność nasycona hydrauliczna, S_e (θ-θ_r )/(θ_s -θ_r) to efektywne nasycenie z θ_s i θ_x to nasycona i resztkowa zawartość wody. l to parametr łączności porów, m i n oraz są parametrami kształtu powiązanymi przez ( z n>1). oznacza efektywne nasycenie zwiększone do parametru łączności porowej l. Na podstawie efektywnego nasycenia S_e, wyraz funkcji hydraulicznej van Genuchtena opisuje nieliniowe zachowanie zatrzymania wody gleby oraz parametr kształtu m.
5. Połącz równanie Richarda z modelem fotosyntezy Farquhara. Integruj model transpiracji Penmana-Monteitha, aby uwzględnić wpływ światła, temperatury i_CO2.
6. Zainicjalizuj wektory parametrów i stanów dla EnKF.
   UWAGA: EnKF to metoda asymilacji danych Monte Carlo, która aktualizuje szacunki stanu wilgotności gleby poprzez integrację prognoz modeli z obserwacjami w czasie rzeczywistym z czujników oraz statystyczną szacunkową kowariancję błędu¹⁵.
7. Uruchom cykle predykcji i aktualizacji EnKF, aż błąd średniokwadratowy (RMSE) prognoz wilgotności gleby spadnie poniżej 2%, lub osiągnie się maksymalnie 50 iteracji.
8. Archiwizuj wszystkie skalibrowane parametry do dalszej analizy. Rysunek 2 przedstawia krzywą stabilizacji wilgotności gleby uzyskaną po kalibracji SPAC-EnKF.
9. Wykonaj procedurę symulacji numerycznej dla SPAC-EnKF. Użyj MATLAB R2023b do obliczenia SPAC-EnKF. Ustaw krok czasowy Δt = 300 s, rozmiar zespołu N = 100, a zmienne stanu θ, h i K(θ) na ich wartości początkowe. Do przeprowadzenia fazy prognozy użyj rozwiązywacza równań Richardsa oraz danych o wilgotności gleby z obserwacji w fazie aktualizacji. Dopóki próg zbieżności RMSE < 2% nie zostanie osiągnięty, powtarzaj cykle predykcji i aktualizacji.

3. Modelowanie warstw sieciowych (sieć heterogeniczna i stochastyczna sieć Petriego (SPN))

UWAGA: Ta sekcja ocenia niezawodność komunikacji, umożliwiając terminowe i ciągłe dostarczanie danych do podejmowania decyzji kontrolnych.

1. Rozmieszczenie heterogenicznych modułów komunikacyjnych, w tym LoRa do danych meteorologicznych na daleki zasięg, NB-IoT do czujników gleby oraz 5G do kamer fenotypujących o wysokiej częstotliwości.
   1. Przypisuj dalekosiężne dane meteorologiczne o niskim przepustowości (wiatr, promieniowanie, opady) modułom LoRa. Włącz moduły NB-IoT dla węzłów czujników gleby wymagających umiarkowanej przepustowości i pracy o niskim zużyciu. Umożliwienie fenotypowania danych z kamery o wysokiej częstotliwości za pomocą modułów NR 5G do szybkiego transferu wideo. Dołącz bramę brzegową opartą na Raspberry Pi, wspierającą zarządzanie wieloprotokołami, do każdego węzła komunikacyjnego.
2. Konfiguruj system tak, aby obsługiwał ponad 200 węzłów na bramę z częstotliwością próbkowania 5 minut.
3. Ciągłe rejestrowanie wskaźnika siły sygnału odbieranego (RSSI), stosunku sygnału do szumu (SNR) oraz stanu baterii. Obliczaj szybkości odbioru pakietów w odstępach 5 minut.
4. Jeśli wykryje się nieprawidłowy odbiór, sprawdź ustawienie anteny i nie wykryj potencjalnych źródeł zakłóceń. Zdefiniuj i rozwiąż model niezawodności komunikacji Stochastycznej sieci Petriego (SPN)
   1. Zaimplementuj SPN za pomocą Mobius 2.0. Zdefiniuj trzy miejsca: normalne (>95% odbioru), opóźnienie (80-95%) oraz przerwanie (<80%). Konfiguruj szybkości przejścia λ_nd, λ_di i_{λ w} jako funkcje SNR i pozostałej energii baterii:
      
   2. Oblicz rozkład w stanie ustalonym za pomocą równania liniowego równowagi πQ = 0, aby uzyskać prawdopodobieństwo przerwy komunikacyjnej P_int = π_przerwanie.
5. Zdefiniuj model SPN z trzema stanami komunikacji: N normalnym (>95% odbioru), opóźnieniem D (80-95%) oraz przerwaniem I (<80%). Q oznacza macierz generującą łańcucha Markowa w czasie ciągłym.
   
   Przejścia stanów są regulowane przez parametry szybkości λ_X→Y, gdzie X,Y∈ {N,D,I}. Aby zapewnić, że każdy wiersz Q daje sumę zera, każdy element diagonalny jest ujemną sumą szybkości przejścia wychodzących z danego stanu.
6. Oszacuj tempo przejścia na podstawie wskaźników SNR i pozostałych wskaźników energii.
   
   Gdzie E to znormalizowana energia resztkowa (0-1), a SNR to obserwowany stosunek sygnału do szumu w decybelach. k_XY jest stałą skalującą dla szybkości przejścia między stanem X a stanem Y, natomiast k_s reguluje stromość odpowiedzi zależnej od SNR. Próg SNR dla przejścia X→Y to SNR_XY. Niski poziom baterii zwiększa możliwość przejścia, co odzwierciedlają c_XY i _{p XY.} ∈_XY to niska wartość wyjściowa, zapewniająca niezerowe prawdopodobieństwo przejścia. Funkcja logistyczna regulująca wrażliwość SNR to
   
   Gdzie σ(u) oznacza logistyczną funkcję sigmoidalną, a wykładniczy wyraz ^e-u kontroluje szybkość, z jaką funkcja przechodzi między 0 a 1.
7. Rozwiąż rozkład ustalony, aby uzyskać prawdopodobieństwo przerwania. Zdefiniuj α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D. Prawdopodobieństwo przerwania w stanie ustalonym jest następujące:
   
   gdzie π_I pokazuje długoterminowe (w stanie ustalonym) prawdopodobieństwo, że układ pozostanie w stanie przerwania. Sześć szybkości przejścia między trzema stanami są reprezentowane przez parametry α, β, γ, δ, ε i ζ. Mianownik pokazuje ogólną równowagę przepływu przez wszystkie przejścia, natomiast licznik kompiluje wszystkie efektywne ścieżki przejścia prowadzące do stanu przerwania. Stacjonarne ryzyko przerwania komunikacji przy określonej strukturze szybkości jest określone przez wartość wyjściową. Tabela 2 przedstawia proceduralne przejścia przepływu danych między warstwami modelowania w proponowanym CPS.

4. Modelowanie warstwy sterowania (MPC w SHS)

UWAGA: Proces ten maksymalizuje alternatywę w zakresie nawadniania i nawożenia, a także uwzględnia kwestie komunikacyjne.

1. Zbuduj system Model Predictive Control (MPC), którego celem jest optymalizacja plonów upraw po 24 godzinach. Wykonaj harmonogramowanie nawadniania oparte na Model Predictive Control (MPC). Zaimplementuj MPC w Pythonie 3.10 / bibliotece CasADi. Zdefiniuj horyzont predykcji Hp = 24 kroki, horyzont kontrolny Hc = 6 oraz kontroluj wejście u(t) (strumień nawadniania). Optymalizacja funkcji kosztów:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   używając solvera IPOPT z ograniczeniami 0 ≤ u(t) ≤ 6 mm/h.
2. Określ zmienne decyzyjne dotyczące procesów nawadniania i nawożenia.
3. Stosuj zabezpieczenia dotyczące zakresu wilgotności gleby, przewodności strefy korzeniowej i kontroluj opóźnienia.
4. Dodaj prawdopodobieństwa przerw sieci do solvera MPC jako nieokreślony czas.
5. Użyj miękkiego ograniczenia w funkcji kalkulacji kosztów, używając wag. Q (wejście)= 0,5-1,0; Q (wyjście) = 0,3-0,7. Wagi strojenia zależą od wstępnych testów strojenia, aby zapewnić stabilność predykcyjną MPC.
6. Gdy wystąpi utrata pakietów, prognozuj wilgotność gleby na 1 godzinę za pomocą modelu SPAC i obliczaj nawadnianie kompensacyjne.
7. Synchronizuj stan sterowania natychmiast po odzyskaniu komunikacji, aby uniknąć duplikowania działań.
8. Połącz ciągły system fizyczny, dyskretny system sieciowy oraz działania sterujące w model przejścia Stochastycznego Systemu Hybrydowego (SHS).

5. Ilościowa niezawodność

UWAGA: Aby ocenić odporność systemów w odpowiedzi na zakłócenia, ta część ocenia zarówno funkcjonalną, czasową, jak i ekologiczną wiarygodność.

1. Wykorzystano trzy wskaźniki wiarygodności: (1) funkcjonalną niezawodność mierzoną przez błąd prognozowania plonów (E_γ, %) oraz szacowanie wilgotności gleby RMSE; (2) niezawodność czasowa mierzona przez latencję sterowania end-to-end (L_e₋_e, s); oraz (3) niezawodność ekologiczna oceniana na podstawie efektywności wykorzystania wody (WUE, g·kg⁻¹) oraz proporcji czasu, gdy przewodność elektryczna w strefie korzeniowej przekraczała próg bezpieczeństwa (T_ec>2,5dS/m, %).
2. Zbuduj stochastyczny model gry, w którym zaangażowanych są trzej agenti: czujnik (minimalizujący prawdopodobieństwo awarii), atakujący (maksymalizujący możliwość niepowodzenia) oraz środowisko (dodające losowe zakłócenia) do modelu.
3. Zdefiniuj funkcje wypłaty i rozwiąż równowagi Nasha, aby określić granice niezawodności. Wykonaj globalną analizę czułości z użyciem indeksów Sobol, aby uszeregować wkłady parametrów^{na 16}.
4. Wkład parametrów został zmierzony za pomocą średniej bezwzględnych efektów elementarnych (EE, wskaźnik wrażliwości Morrisa), obliczony na podstawie zaburzonych trajektorii próbkowania i oceniony wspólnie z wariancją EE, aby uchwycić siłę interakcji i nieliniowość; parametry o najwyższej średniej|EE| oraz podwyższona wariancja EE zostały zidentyfikowane jako dominujące przyczyny i wybrane do późniejszej optymalizacji.

6. Strategia optymalizacji

UWAGA: Ta część maksymalizuje decyzje kontrolne, aby osiągnąć optymalną wydajność, koszty i stabilność ekologiczną, a jednocześnie szybką elastyczność przy zmianie upraw.

1. Określ przestrzeń stanów, która obejmuje indeks powierzchni liści, szacowaną wilgotność gleby SPAC–EnKF oraz opóźnienie kontrolne rejestrowane w kontrolerze krawędzi.
2. Ustal przestrzeń działania, definiując ilość nawadniania, szybkość nawożenia oraz częstotliwość pobierania próbek z czujników jako dyskretne i ograniczone działania sterujące realizowane w kontrolerze brzegowym.
3. Zbuduj wielocelową funkcję satysfakcjonującą poprzez integrację niezawodności, kosztów ekonomicznych i efektywności środowiskowej poprzez optymalizację ważoną.
4. Obserwuj polityki optymalne Pareto z wykorzystaniem algorytmu NSGA-III (Tabela 3).
5. Zapewnienie ograniczeń bezpieczeństwa poprzez funkcje bariery kontrolnej (CBF) poprzez egzekwowanie dolnych granic wilgotności gleb w strefie korzeniowej oraz górnych granic zasolenia gleby, aby zapobiec suszom i stresowi solnym.
6. Zapewnij warunek stabilności Lyapunova, definiując dodatnio określoną funkcję Lyapunova na wektorze stanu wzrostu i wymuszając jej pochodną czasową jako ujemną określoną w bezpiecznych granicach operacyjnych.
7. Wykorzystaj bayesowskie meta-uczenie, aby umożliwić szybkie aktualizowanie parametrów w przypadku zmiany upraw.
   UWAGA: Po tym etapie workflow może zostać wstrzymany, aby zweryfikować aktualizacje modelu offline. Kontynuuj, ładując najnowszy punkt kontrolny.
8. Dostosuj się do ostatnich 7 dni i miej czas na przeszkolenie krótszy niż 5 minut. Wytrenuj skompresowany model wzmocnienia poprzez zastosowanie przycinania i kwantyzacji po treningu, a następnie dopracuj go na urządzeniu brzegowym, korzystając z lokalnie zebranych danych interakcji.
9. Stosuj mechanizm cofania jakości za każdym razem, gdy pojawiają się zakłócenia komunikacyjne, aby zapewnić, że opóźnienie sterowania pozostaje poniżej 30 sekund. Zsynchronizuj chmury CV z odzyskiwaniem komunikacji.

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