Анализ надёжности между уровнем и стратегии многоцелевой оптимизации с адаптивными к краям для сетево-физического моделирования в интеллектуальном управлении CPS в сельском хозяйстве

Summary

Этот протокол представляет кросс-уровневую стратегию киберфизического моделирования и оптимизации для интеллектуального управления теплицами, позволяющую воспроизводимую оценку надёжности и экологической эффективности.

Abstract

Растущий спрос на продовольствие и климатические стрессы стимулируют внедрение умного сельского хозяйства, однако существующие кибер-физические системы (CPS) не обладают надёжной межуровневой интеграцией и гибкости в реальном времени, что ограничивает производительность в динамических условиях. Этот протокол направлен на обеспечение межуровневой стратегии киберфизического моделирования и оптимизации для интеллектуального парникового земледелия. Он демонстрирует потенциальную применимость для повышения надёжности и адаптивности сельскохозяйственных киберфизических систем. Подход интегрирует физический слой с моделью континуума почвы-растения-атмосфера и калибровкой ансамблевого фильтра Калмана (EnKF) для точного прогнозирования влажности почвы. Он включает сетевой слой, использующий мультипротоколное слияние с моделированием Stochastic Petri Net для оценки надёжности связи. Контрольный слой строится на стохастической гибридной системе для координации совместного принятия решений. Надёжность дополнительно оценивается с помощью функционально-временно-экологической индикаторной системы, в то время как оптимизация сочетает многоцелевое подкрепляющее обучение с ограничениями безопасности и байесовским мета-обучением для обеспечения быстрой адаптации во время смены культур. Развертывание на периферии обеспечивает надёжный контроль во время прерываний связи. Результаты выращивания томатов в теплице в Шоугуане, Китай, показывают воспроизводимые и стабильные показатели прогнозирования урожайности, эффективности использования воды и контроля задержки в сложных условиях. Эта методология обеспечивает практичный и воспроизводимый рабочий процесс для внедрения адаптивных и надёжных сельскохозяйственных киберфизических систем.

Introduction

Население мира быстро растёт, а доступность ресурсов сокращается, что меняет способы развития сельского хозяйства. Традиционные модели сельского хозяйства, где труд и материалы высоки, а зависимость от природных условий сильна, не могут обеспечить эффективность и устойчивость. В данном случае умное сельское хозяйство стало преобразующим подходом. Он позволяет достичь полного восприятия, принимать точные решения и интеллектуально управлять полем с помощью сочетания Интернета вещей, аналитики больших данных, искусственного интеллекта и пространственных информационных систем, что повышает эффективность использования ресурсов и способству....

Protocol

Отмечается, что в этом протоколе не проводятся эксперименты на людях или позвоночных животных. В случае будущих исследований с участием человека или биологических образцов это должно быть одобрено соответствующим институциональным экспертным советом, а номер одобрения должен быть зафиксирован до внедрения.

1. Подготовка площадки и оборудования

ПРИМЕЧАНИЕ: Этот этап создаёт стандартизированную сенсорную сеть, которая предоставляет точную и синхронизированную информацию об окружающей среде для последующего физического моделирования и управления.

1. Определ....

Results

Влажность почвы и SNR оказывают наибольшее положительное влияние SHapley Additive exPlanations (SHAP) на решения о орошении, согласно сводному графику SHAP (рисунок 3). Высокая задержка направляет политику в сторону консервативных запасных вариантов, демонстрируя соответствие архитектуре управления, ориентированной на надежность. Таблица 4 содержит операционные инструкции и детали конфигурации вычислительных модулей

Discussion

Экспериментальные данные показывают, что предлагаемая структура CPS и стратегии оптимизации превосходят по трём измерениям: надёжность, безопасность и вычислительная эффективность. Моделирование межуровневого взаимодействия успешно преодолевает историческое разделение между физическими и сетевыми представлениями. Интегрировав SPAC и SPN в единую структуру SHS, система снизила ошибку прогнозирования выхода на 32,7% и сократила задержки на 45% при экстремально высоких температурах. Огранич.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Мультиспектральная камера	MicaSense	RedEdge-MX	Фиксирует отражение кроны для оценки LAI
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Edge-устройство для локального вывода ИИ
Датчик влажности почвы	Устройства Decagon	EC-5	Измеряет объемное содержание воды в почве
Метеостанция	Кэмпбелл Сайентифик	CR300	Рекорды температуры, влажности и осадков