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 artificial e sistemas de informação espacial, o que aumenta a eficiência do uso dos recursos e contribui para a produção agrícola^{sustentável 1,2}.

O mercado de agricultura inteligente está crescendo exponencialmente em todo o mundo, e os EUA estão crescendo nas tecnologias da agricultura de precisão, Israel na irrigação com economia de água e o Japão na área de sistemas inteligentes de^{estufa 3}. Na China, o^14º plano quinquenal nacional de desenvolvimento da informatização agrícola e rural levou à transformação digital da agricultura, que resultou em avanços em melhoramento digital, máquinas inteligentes e projetos de agricultura inteligente em escala⁴. Internet das Coisas (IoT) refere-se a uma rede de dispositivos conectados de atuação e sensoriamento que coletam, trocam e processam dados. No entanto, mesmo com esses desenvolvimentos, ainda existem problemas com a cobertura das redes IoT, precisão e confiabilidade dos sensores, troca de informações entre sistemas e acesso a compreensão interdisciplinar que limitam a implementação^{extensa 5,6}.

Os Sistemas Ciberfísicos (CPS) da agricultura estão no centro desse cenário, conectando a percepção do meio ambiente ao controle^{inteligente 7}. O CPS combinava processos computacionais e físicos conectados a sensores, controladores e redes de comunicação. No entanto, os métodos de modelagem existentes geralmente se baseiam na independência das camadas física, de rede e de controle, restringindo a interação das camadas e diminuindo a capacidade preditiva durante distúrbios^{dinâmicos 8}. As avaliações de confiabilidade existentes também enfatizam dimensões funcionais e temporais, enquanto a confiabilidade ecológica, como eficiência no uso da água e restrições de salinidade do solo - permanece^{subexplorada 9}. Além disso, muitas estratégias de otimização dependem de treinamento offline, levando a atrasos na inferência baseada em bordas e dificuldades para se adaptar a mudanças ambientais ou culturais^{rápidas 10}.

O monitoramento em estufa baseado em sensores está ganhando popularidade, mas ainda enfrenta inúmeros obstáculos que impedem maior aceitação. A escalabilidade e confiabilidade do sistema são limitadas pelos altos custos de implantação e pela qualidade desigual dos sensores. Os métodos de modelagem usados no monitoramento de estufas baseado em sensores baseiam-se na premissa de condições ambientais estáveis, padrões consistentes de crescimento das culturas e transmissão confiável de informações por meio de redes de comunicação. No entanto, essas suposições não são válidas em muitas condições que ocorrem dentro de estufas. Essas limitações indicam que há a necessidade de projetar e implementar uma estrutura capaz de lidar com leituras ruidosas não constantes dos sensores, flutuações na fonte de alimentação dos sensores durante o uso e períodos de perda de comunicação sem comprometer a qualidade do desempenho ou a viabilidade da implementação.

Para enfrentar essas limitações, esse protocolo introduz um fluxo de trabalho reproduzível de modelagem e otimização entre camadas que integra processos físicos, de rede e de controle em uma estrutura unificada. A camada física emprega um modelo de Continuum Solo-Planta-Atmosfera com calibração do Filtro Kalman em conjunto para uma previsão precisa de umidade^{do solo 11}. A camada de rede utiliza fusão multi-protocolo usando um modelo de Rede de Petri Estocástica para medir a confiabilidade da comunicação. No nível de controle, um sistema híbrido estocástico permite a tomada de decisão conjunta entre camadas. O sistema de índice funcional-temporal-ecológico é usado para medir confiabilidade, o aprendizado profundo por reforço multiobjetivo é usado para otimizar esse sistema, com restrições de segurança e o meta-aprendizado bayesiano, que é usado para se adaptar rapidamente à troca de culturas. Uma implantação edge-intelligent também proporciona robustez do sistema a interrupções durante a comunicação. Combinando esses elementos, o protocolo oferece uma forma sistemática e replicável de melhorar a estabilidade e flexibilidade das aplicações CPS no Smart^{Farming 12}.

Este protocolo é adequado para ambientes estufas de médio a grande porte (800-1500 m²) com diversas redes de sensores sem fio para monitoramento do solo, microclima e CO₂. Para fornecer controle em tempo real, recomenda-se uma resolução amostral mínima de 5 minutos, sendo necessária comunicação LoRa/NB-IoT para implantação multi-nós (>200 nós). O fluxo de trabalho é demonstrado para produção de tomate em estufa, mas pode ser aplicado a culturas como pepino, pimenta e vegetais de folha por meio de reajuste de parâmetros e transferência de meta-aprendizado.

O protocolo é baseado em um ciclo de trabalho sequencial, onde a modelagem física determina a umidade do solo, a camada de rede determina a estabilidade da transmissão de dados, e as camadas de controle + otimização produzem políticas de irrigação e fertilização que proporcionam estabilidade ecológica e operacional. A Figura 1 mostra o fluxo de trabalho proposto entre camadas de sistemas cibernéticos e físicos.

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. Estabeleça a localização da estufa inserindo as coordenadas GPS no software de monitoramento. Selecione as espécies de culturas da biblioteca fornecida e estabeleça as metas ambientais (temperatura: 20-28 °C, umidade relativa: 50%-70%).
2. Registre as dimensões da estufa, sistemas de ventilação e configuração de sombreamento.
3. Sincronize todos os dispositivos para um clock unificado usando o Protocolo de Tempo de Rede (NTP⁾¹³.
4. Instale_sensores de umidade, temperatura, umidade, luz e CO 2 do solo, conforme as especificações do fabricante.
   1. Instale 60 sensores sem fio de umidade e temperatura do solo (precisão ±2%), 10 sensores de umidade e CO₂ (± 30 ppm de precisão de CO₂ ) e 4 sensores de luz multiespectrais. Use um espaçamento de grade de 6 m x 5 m para posicionar sensores de solo em profundidades de 10, 20 e 30 cm. Dependendo de sua função, todos os sensores utilizam transceptores LoRa e módulos NB-IoT para comunicação sem fio. Sincronize o gateway e os sensores meteorológicos usando NTP para alcançar a precisão do carimbo de tempo do ±1.
5. Instale os sensores fixos nas profundidades e posições indicadas para garantir que a medição esteja correta.
6. Defina a taxa de amostragem de dados para 5 mph e ative o alinhamento dos carimbos de tempo no gateway.
7. Registre todos os nós sensores com IDs únicos e verifique a conectividade do gateway. Realize um teste de 24 horas para avaliar a perda de pacotes e a deriva do clock.
8. Mantenha o registro de base para poder usá-lo no futuro. A Tabela 1 representa a configuração e as configurações de parâmetros para as etapas de modelagem.

2. Modelagem de camadas físicas (Continuum Solo - Planta - Atmosfera (SPAC) e Conjunto de Filtro de Kalman (EnKF))

NOTA: Esta fase aproxima as interações entre solo, planta e atmosfera para produzir estimativas corretas da umidade do solo usadas para controlar a irrigação.

1. Dados de entrada prontos no modelo SPAC porque requer o seguinte: textura do solo, capacidade de campo, distribuição das raízes, fatores meteorológicos e índice da área foliar do dossel.
2. Todos os conjuntos de dados de entrada foram reamostrados para um índice de tempo uniforme de 5 minutos em Python 3.10 usando a função Pandas resample('5min').mean(). Valores ausentes foram imputados usando o CubicSpline do SciPy, enquanto intervalos de >5 minutos foram reconstruídos propagando as previsões do modelo SPAC durante a fase de previsão do EnKF. As bandeiras de incerteza foram preservadas para análise de confiabilidade.
   1. Preencha os valores faltantes usando interpolação spline^{cúbica 14}. Reconstrua lacunas maiores (> 5 min) usando a fase de previsão do EnKF com base na umidade do solo e na previsão meteorológica. Marque todos os valores reconstruídos para o acompanhamento da incerteza.
3. Estabeleça a equação de Richards para modelar o fluxo de água insaturada.
    
   Onde é a taxa de variação do conteúdo volumétrico de água θ (m³) em relação ao tempo t, h é a altura de pressão (cm) e K(θ) é a condutividade hidráulica. O operador ∇ indica o gradiente espacial, e a expressão (∇h+1) representa o gradiente hidráulico total.
4. Estime os parâmetros hidráulicos do solo usando o modelo de van Genuchten:
   
   Onde K_é a condutividade hidráulica saturada, S_e (θ-θ_r )/(θ_s -_{θ r}) é a saturação efetiva com θ_s e θ_x o conteúdo saturado e residual de água. l é o parâmetro de conectividade dos poros, m e n , e são parâmetros de forma relacionados por ( com n>1). denota a saturação efetiva aumentada ao parâmetro de conectividade dos poros l. Com base na saturação efetiva_{S e}, o termo função hidráulica de van Genuchten descreve o comportamento não linear de retenção de água do solo e o parâmetro de forma m.
5. Junte a equação de Richards com o modelo de fotossíntese de Farquhar. Integre o modelo de transpiração de Penman-Monteith para considerar os efeitos da luz, temperatura e CO₂.
6. Inicialize os priors dos parâmetros e vetores de estado para o EnKF.
   NOTA: O EnKF é um método de assimilação de dados Monte Carlo que atualiza as estimativas do estado de umidade do solo integrando previsões do modelo com observações em tempo real de sensores e estimando estatisticamente a covariância de erro¹⁵.
7. Execute ciclos de previsão-atualização do EnKF até que o erro quadrático médio da raiz (RMSE) das previsões de umidade do solo caia abaixo de 2%, ou até que um máximo de 50 iterações seja alcançado.
8. Arquivar todos os parâmetros calibrados para análises subsequentes. A Figura 2 mostra a curva de estabilização da umidade do solo produzida após a calibração SPAC-EnKF.
9. Execute o procedimento de simulação numérica para SPAC-EnKF. Use o MATLAB R2023b para calcular o SPAC-EnKF. Defina o passo de tempo Δt = 300 s, o tamanho do conjunto N = 100 e as variáveis de estado θ, h e K(θ) para seus valores iniciais. Use o solucionador de equações de Richards para realizar a fase de previsão e utilize dados observacionais de umidade do solo para a fase de atualização. Até que o limiar de convergência do RMSE < 2% seja atingido, repitam os ciclos de previsão-atualização.

3. Modelagem em camada de rede (Rede Heterogênea e Rede de Petri Estocástica (SPN))

NOTA: Esta seção avalia a confiabilidade da comunicação para permitir a entrega de dados rápida e contínua para decisões de controle.

1. Implantar módulos de comunicação heterogêneos, incluindo LoRa para dados meteorológicos de longo alcance, NB-IoT para sensores de solo e 5G para câmeras de fenotipagem de alta frequência.
   1. Aloque dados meteorológicos de longo alcance e baixa largura de banda (vento, radiação, precipitação) para módulos LoRa. Habilitar módulos NB-IoT para nós sensores de solo que exigem largura de banda moderada e operação de baixo consumo. Permitir fenotipagem de dados de câmera em alta frequência usando módulos 5G NR para transferência de vídeo em alta velocidade. Anexe um gateway de borda baseado em Raspberry Pi, que suporte gerenciamento multi-protocolo a cada nó de comunicação.
2. Configure o sistema para suportar mais de 200 nós por gateway com uma frequência de amostragem de 5 minutos.
3. Registre continuamente o Indicador de Intensidade do Sinal Recebido (RSSI), a Relação Sinal-Ruído (SNR) e o status da bateria. Calcule as taxas de recepção de pacotes em intervalos de 5 minutos.
4. Se for detectada recepção anormal, inspecione o alinhamento da antena e verifique possíveis fontes de interferência. Defina e resolva o modelo de confiabilidade da comunicação Stochastic Petri Net (SPN)
   1. Implemente SPN usando Mobius 2.0. Defina três lugares: Normal (>95% de recepção), Atraso (80-95%) e Interrupção (<80%). Configure as taxas de transição λ_nd, λ_di e_{λ em} como função do SNR e da energia restante da bateria:
      
   2. Calcule a distribuição em regime estacionário usando a equação de balanço linear πQ = 0 para obter a probabilidade de interrupção de comunicação P_int = π_{interrupção}.
5. Defina um modelo SPN com três estados de comunicação: N normal (>95% de recepção), atraso D (80-95%) e interrupção I (<80%). Q significa a matriz geradora da cadeia de Markov em tempo contínuo.
   
   As transições de estado são governadas por parâmetros de taxa λ_X→Y, onde X,Y∈ {N,D,I}. Para garantir que cada linha de Q seja zero, cada elemento diagonal é a soma negativa das taxas de transição de saída desse estado.
6. Estimar as taxas de transição com base no SNR e nos parâmetros de energia restante usando.
   
   Onde E é a energia residual normalizada (0-1), e SNR é a relação sinal-ruído observada em decibéis. k_XY é uma constante de escala para a taxa de transição entre o estado X e o estado Y, enquanto k_s regula a inclinação da resposta dependente da SNR. O limiar de SNR para a transição X→Y é _{SNR XY}. Níveis baixos de bateria aumentam a possibilidade de transição, como capturado por c_XY e p_XY.  ∈_XY é uma taxa de referência pequena que garante probabilidade diferente de zero de transições. A função logística que regula a sensibilidade da SNR é
   
   Onde σ(u) denota a função sigmoide logística, e o termo exponencial ^e-u controla a taxa com que a função transita entre 0 e 1.
7. Resolva a distribuição em regime estacionário para obter a probabilidade de interrupção. Defina α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D. A probabilidade de interrupção em regime estacionário é:
   
   onde π_I mostra a probabilidade de longo prazo (em estado estacionário) de que o sistema permanecerá na condição de interrupção. As seis taxas de transição entre os três estados são representadas pelos parâmetros α, β, γ, δ, ε e ζ. O denominador mostra o equilíbrio geral do fluxo em todas as transições, enquanto o numerador compila todos os caminhos de transição eficientes que levam ao estado de Interrupção. A chance estacionária de interrupção da comunicação sob a estrutura de taxa especificada é fornecida pelo valor resultante. A Tabela 2 mostra as transições procedurais entre as camadas de modelagem no CPS proposto.

4. Modelagem da camada de controle (MPC dentro do SHS)

NOTA: Esse processo maximiza a alternativa de irrigação e fertilização, além de acomodar questões de comunicação.

1. Construir um sistema de Controle Preditivo Modelo (MPC), com o objetivo de otimizar o rendimento das culturas ao final de 24 horas. Executar o planejamento de irrigação baseado em Controle Preditivo de Modelo (MPC). Implemente o MPC na biblioteca Python 3.10 / CasADi. Defina horizonte de previsão Hp = 24 passos, horizonte de controle Hc = 6 e entrada de controle u(t) (fluxo de irrigação). Otimize a função de custo:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   usando o solucionador IPOPT com limites de restrição 0 ≤ u(t) ≤ 6 mm/h.
2. Defina as variáveis de decisão relativas aos processos de irrigação e fertilização.
3. Use contenções na faixa de umidade do solo, condutividade da zona radicular e controle da latência.
4. Adicione probabilidades de interrupção de rede ao solucionador MPC como tempo incerto.
5. Use a restrição suave na função de custeio usando pesos. Q (entrada)= 0,5-1,0; Q (saída)= 0,3-0,7. Os pesos de afinação dependem dos testes preliminares de afinação, para garantir a estabilidade preditiva do MPC.
6. Quando ocorrer a perda de pacotes, preveja-se umidade do solo de 1 h com o modelo SPAC e calcule a irrigação por compensação.
7. Sincronize o estado de controle imediatamente após a recuperação da comunicação para evitar ações duplicadas.
8. Combine um sistema físico contínuo, um sistema de rede discreta e ações de controle em um modelo de transição do Sistema Híbrido Estocástico (SHS).

5. Quantificação da confiabilidade

NOTA: Para avaliar a robustez dos sistemas em resposta a perturbações, esta parte avalia tanto a confiabilidade funcional, temporal quanto ecológica.

1. Três indicadores de confiabilidade foram utilizados: (1) confiabilidade funcional quantificada pelo erro de previsão de rendimento (E_γ, %) e estimativa de RMSE na estimativa de umidade do solo; (2) confiabilidade temporal medida pela latência de controle de ponta a ponta (L_e₋_e, s); e (3) confiabilidade ecológica avaliada usando eficiência de uso da água (WUE, g·kg⁻¹) e a proporção de tempo em que a condutividade elétrica da zona radicular ultrapassou o limiar de segurança (T_ec>2,5dS/m, %).
2. Construa um modelo estocástico de jogo, onde três agentes estão envolvidos: sensor (minimizando a probabilidade de falha), atacante (maximizando a possibilidade de falha) e ambiente (adicionando distúrbios aleatórios) ao modelo.
3. Defina funções de pagamento e resolva equilíbrios de Nash para identificar limites de confiabilidade. Realize uma análise global de sensibilidade usando índices Sobol para classificar contribuições de parâmetros¹⁶.
4. A contribuição dos parâmetros foi quantificada usando a média dos efeitos elementares absolutos (EE, índice de sensibilidade de Morris), calculada a partir de trajetórias de amostragem perturbadas e avaliada conjuntamente com a variância da EE para capturar a força da interação e a não linearidade; parâmetros com a maior média|EE| e variância elevada da EE foram identificados como contribuintes dominantes e selecionados para otimização subsequente.

6. Estratégia de otimização

NOTA: Esta parte maximiza decisões de controle para alcançar produtividade, custo e estabilidade ecológica ideais, e ainda assim rápida adaptabilidade ao trocar de culturas.

1. Especifique o espaço de estados, que inclui o índice de área foliar, a umidade do solo estimada por SPAC–EnKF e o atraso de controle registrado no controlador de borda.
2. Estabeleça o espaço de ações definindo a quantidade de irrigação, taxa de fertilização e frequência de amostragem do sensor como ações de controle discretas e limitadas implementadas no controlador de borda.
3. Construa uma função de recompensa multi-objetivo integrando confiabilidade, custo econômico e desempenho ambiental por meio da otimização ponderada.
4. Observe as políticas Pareto-ótimas usando o algoritmo NSGA-III (Tabela 3).
5. Fornecer limitações de segurança com funções de barreira de controle (CBFs), aplicando limites inferiores para a umidade do solo na zona radicular e limites superiores para a salinidade do solo para prevenir seca e estresse salin.
6. Forneça uma condição de estabilidade de Lyapunov definindo uma função de Lyapunov definida positiva no vetor de estado de crescimento e impondo que sua derivada temporal seja definida negativa dentro dos limites de operação seguros.
7. Use o meta-aprendizado bayesiano para permitir a atualização rápida dos parâmetros em caso de troca de culturas.
   NOTA: Após essa etapa, o fluxo de trabalho pode ser pausado para validar atualizações de modelos offline. Retome recarregando o último ponto de verificação.
8. Adapte-se aos últimos 7 dias e tenha um tempo de requalificação inferior a 5 minutos. Treine um modelo de reforço comprimido aplicando poda e quantização pós-treinamento, depois ajuste finamente no dispositivo de borda usando dados de interação coletados localmente.
9. Use o mecanismo de downgrade sempre que houver falhas na comunicação para garantir que a latência de controle permaneça abaixo de 30 s. Sincronize as nuvens de currículo com a recuperação de comunicação.

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

Configuração ...

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