Análise de Confiabilidade Cross-Layer e Estratégias de Otimização Multi-Objetivo Adaptativas às Bordas para Modelagem Física-Rede na Gestão Inteligente de CPS em Agricultura Inteligente

Summary

Esse protocolo apresenta uma estratégia de modelagem e otimização ciberfísica em camadas para o manejo inteligente de estufas, permitindo uma avaliação reprodutível de confiabilidade e desempenho ecológico.

Abstract

A crescente demanda por alimentos e as tensões climáticas impulsionam a implementação da agricultura inteligente, mas os Sistemas Ciberfísicos (CPS) existentes carecem de integração confiável entre camadas e flexibilidade em tempo real, limitando o desempenho em ambientes dinâmicos. Esse protocolo visa fornecer uma estratégia de modelagem e otimização ciberfísica em camadas para a agricultura inteligente em estufa. Demonstra potencial de aplicabilidade para aumentar a confiabilidade e adaptabilidade dos Sistemas Ciberfísicos Agrícolas. A abordagem integra uma camada física com o modelo Contínuo Solo-Planta-Atmosfera e a calibração do Filtro Kalman Ensemble (EnKF) para uma previsão precisa da umidade do solo. Inclui uma camada de rede que emprega fusão multiprotocolo com modelagem de Rede de Petri Estocástica para avaliar a confiabilidade da comunicação. Uma camada de controle se baseia em um sistema híbrido estocástico para coordenar a tomada de decisão conjunta. A confiabilidade é ainda avaliada por meio de um quadro de indicadores funcionais-temporais-ecológicos, enquanto a otimização combina aprendizado por reforço multiobjetivo com restrições de segurança e meta-aprendizagem bayesiano para permitir uma adaptação rápida durante a troca de culturas. Uma implantação inteligente na borda garante controle robusto durante interrupções de comunicação. Os resultados do cultivo de tomate em estufa em Shouguang, China, mostram desempenho reprodutível e estável na previsão de produtividade, eficiência no uso da água e controle da latência sob condições desafiadoras. Essa metodologia oferece um fluxo de trabalho prático e replicável para implementar Sistemas Ciberfísicos agrícolas adaptativos e confiáveis.

Introduction

A população mundial está crescendo rapidamente, e a disponibilidade de recursos está diminuindo, o que está transformando a forma como a agricultura é desenvolvida. Os modelos convencionais de agricultura, onde a mão de obra e os insumos materiais são altos, e a dependência das circunstâncias naturais é forte, não podem oferecer eficiência e sustentabilidade. A agricultura inteligente tornou, neste caso, a abordagem transformadora. Ela permite alcançar uma percepção completa do campo, tomar decisões precisas e controlar o campo de forma inteligente por meio da combinação da Internet das Coisas, análise de big data, inteligência artifi....

Protocol

Observa-se que nenhum experimento em seres humanos ou animais vertebrados está envolvido nesse protocolo. Em caso de futuros estudos que envolvam envolvimento humano ou amostras biológicas, isso deve ser aprovado pelo conselho institucional de revisão competente, e o número de aprovação deve ser registrado antes da implementação.

1. Preparação de local e hardware

NOTA: Esta etapa constrói uma rede de sensores padronizada, que fornece informações precisas e sincronizadas sobre o ambiente a serem usadas em modelagens físicas e controles subsequentes.

1. Es....

Results

A umidade do solo e o SNR têm a maior influência positiva das Explicações Aditivas SHapley (SHAP) nas decisões de irrigação, de acordo com o gráfico resumo do SHAP (Figura 3). Alta latência direciona a política para opções de recuo conservadoras, demonstrando conformidade com a arquitetura de controle consciente da confiabilidade. A Tabela 4 mostra instruções operacionais e detalhes de configuração para módulos computacionais

Discussion

As evidências experimentais mostram que a estrutura proposta de CPS e as estratégias de otimização se destacam nas três dimensões de confiabilidade, segurança e eficiência computacional. A modelagem de acoplamento em camadas cruzadas supera com sucesso a separação histórica entre representações físicas e de rede. Ao incorporar SPAC e SPN em um framework SHS unificado, o sistema reduziu o erro de previsão de rendimento em 32,7% e encurtou os atrasos em 45% sob temperaturas extremamente al.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Câmera Multiespectral	MicaSense	RedEdge-MX	Captura a refletância do dossel para estimativa do LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Dispositivo de borda para inferência local de IA
Sensor de Umidade do Solo	Dispositivos Decagon	EC-5	Mede o conteúdo volumétrico de água no solo
Estação Meteorológica	Campbell Scientific	CR300	Registros de temperatura, umidade e precipitação