Akıllı tarımda ağ-fiziksel modelleme için katmanlar arası güvenilirlik analizi ve kenara uyarlanabilir çok amaçlı optimizasyon stratejileri CPS yönetimi

Summary

Bu protokol, akıllı sera yönetimi için katmanlar arası siber-fiziksel modelleme ve optimizasyon stratejisi sunarak güvenilirlik ve ekolojik performansın tekrarlanabilir değerlendirilmesini mümkün kılar.

Abstract

Artan gıda talebi ve iklim stresleri akıllı tarım uygulamasını tetikliyor, ancak mevcut Siber-Fiziksel Sistemler (CPS) güvenilir katmanlar arası entegrasyon ve gerçek zamanlı esneklikten yoksun, bu da dinamik ortamlarda performansı sınırlıyor. Bu protokol, akıllı sera tarımı için katmanlar arası bir siber-fiziksel modelleme ve optimizasyon stratejisi sağlamayı amaçlamaktadır. Tarımsal Siber-Fiziksel Sistemlerin güvenilirliğini ve uyum sağlayabiliciliğini artırmak için potansiyel uygulanabilirlik göstermektedir. Bu yaklaşım, toprak-bitki-atmosfer sürekliliği modeli ve doğru toprak nem tahmini için Ensemble Kalman Filtresi (EnKF) kalibrasyonu ile fiziksel bir katmanı entegre eder. İletişim güvenilirliğini değerlendirmek için Stokastik Petri Net modellemesi ile çoklu protokol füzyonu kullanan bir ağ katmanı içerir. Bir kontrol katmanı, ortak karar alma süreçlerini koordine etmek için stokastik hibrit sistem üzerine inşa edilir. Güvenilirlik, fonksiyonel-zamansal-ekolojik gösterge çerçevesi aracılığıyla daha fazla değerlendirilirken, optimizasyon çok amaçlı pekiştirme öğrenmesini güvenlik kısıtlamaları ve Bayes meta-öğrenmeyle birleştirerek ürün değişimi sırasında hızlı uyum sağlamayı sağlar. Kenar akıllı dağıtım, iletişim kesintileri sırasında sağlam kontrol sağlar. Çin'in Shouguang kentinde sera domates yetiştiriciliğinden elde edilen sonuçlar, zorlu koşullarda verim tahmini, su kullanım verimliliği ve kontrol gecikmesi konusunda tekrarlanabilir ve istikrarlı performans göstermektedir. Bu metodoloji, uyarlanabilir ve güvenilir tarımsal Siber-Fiziksel Sistemlerin uygulanması için pratik ve tekrarlanabilir bir iş akışı sağlar.

Introduction

Dünya nüfusu hızla artıyor ve kaynak erişimi azalıyor; bu da tarımın gelişim biçimini değiştiriyor. İş gücü ve malzeme girdisinin yüksek olduğu, doğal koşullara güçlü olan geleneksel tarım modelleri verimlilik ve sürdürülebilirlik sunamaz. Bu durumda akıllı tarım, dönüştürücü yaklaşım haline geldi. Nesnelerin İnterneti, büyük veri analitiği ve yapay zeka ve mekansal bilgi sistemlerinin birleşimi sayesinde tam bir alan algısı elde etmeye, doğru kararlar alınmasına ve alanı akıllıca kontrol etmenize olanak tanır; bu da kaynak kullanımının verimliliğini artırır ve sürdürülebilir tarımsal^{üretime katkıda bulunur 1,2}.

Akıllı tarım pazarı dünya genelinde katlanarak büyüyor; ABD hassas tarım teknolojilerinde, İsrail su tasarrufu sağlayan sulama alanında ve Japonya akıllı sera sistemleri alanında^gelişiyor. Çin'de, ulusal tarımsal ve kırsal enformatizasyon geliştirme 14^. beş yıllık planı, tarımın dijital dönüşümüne yol açmış ve bu da dijital ıslah, akıllı makineler ve ölçek tabanlı akıllı tarım projelerinde ilerlemelere yol^{açmıştır 4}. Nesnelerin İnterneti (IoT), veri toplayan, değiş tokuş eden ve işleyen bağlantılı aktuatif ve algılama cihazlarından oluşan bir ağı ifade eder. Ancak, bu gelişmelere rağmen, IoT ağlarının kapsaması, sensör hassasiyeti ve güvenilirlik, sistemler arasında bilgi alışverişi ve disiplinlerarası anlayışa erişim gibi kapsamlı uygulamaları kısıtlayan^{sorunlar hâlâ mevcuttur 5,6}.

Tarımın Siber-Fiziksel Sistemleri (CPS), çevre algısını akıllı kontrol ile bağlamada bu manzaranın merkezinde^{yer alır.} CPS, sensörler, kontrolörler ve iletişim ağlarıyla bağlantılı hem hesaplamalı hem de fiziksel süreçleri birleştirdi. Bununla birlikte, mevcut modelleme yöntemleri genellikle fiziksel, ağ ve kontrol katmanlarının bağımsızlığına dayanır; bu da katmanların etkileşimini kısıtlar ve dinamik bozulmalar sırasında öngörü yeteneğini azaltır⁸. Mevcut güvenilirlik değerlendirmeleri fonksiyonel ve zamansal boyutlara da vurgu yaparken, su kullanım verimliliği ve toprak tuzluluk kısıtlamaları gibi ekolojik güvenilirlik ise henüz yeterince^{araştırılmamıştır 9}. Ayrıca, birçok optimizasyon stratejisi çevrimdışı eğitime dayanır; bu da kenar tabanlı çıkarımda gecikmelere ve hızlı çevresel veya ürün değişikliklerine uyum sağlamada zorluklara yol^{açar 10}.

Sensör tabanlı sera izleme popülerlik kazanıyor, ancak hâlâ daha fazla kabul görmesini engelleyen birçok engelle karşı karşıya. Sistemin ölçeklenebilirliği ve güvenilirliği, yüksek dağıtım maliyetleri ve dengesiz sensör kalitesi nedeniyle sınırlıdır. Sensör tabanlı sera izlemesinde kullanılan modelleme yöntemleri, istikrarlı çevresel koşullar, ürünlerin tutarlı büyüme modelleri ve iletişim ağları üzerinden güvenilir bilgi iletimi varsayımına dayanır. Ancak, bu varsayımlar seralarda meydana gelen birçok koşulda geçerli değildir. Bu sınırlamalar, sensörlerden gelen sürekli gürültülü okumaları, kullanım sırasında sensör güç kaynağındaki dalgalanmaları ve iletişim kaybı dönemlerini performans kalitesi veya uygulama mümkünlüğünden ödün vermeden başa çıkabilecek bir çerçeve tasarlayıp uygulama gerekliliği olduğunu göstermektedir.

Bu sınırlamaları gidermek için bu protokol, fiziksel, ağ ve kontrol süreçlerini birleşik bir çerçevede entegre eden tekrarlanabilir katmanlar arası modelleme ve optimizasyon iş akışı sunar. Fiziksel katman, doğru toprak nem tahmini için Ensemble Kalman Filtre kalibrasyonu ile Toprak-Bitki-Atmosfer Sürekliliği^{modeli kullanır 11}. Ağ katmanı, iletişimin güvenilirliğini ölçmek için Stokastik Petri Ağı modeli kullanılarak çoklu protokollü füzyon kullanır. Kontrol düzeyinde, stokastik hibrit sistem ortak katmanlar arasında karar alma imkanı sağlar. Fonksiyonel-zamansal-ekolojik indeks sistemi güvenilirliği ölçmek için kullanılır, bu sistemi optimize etmek için çok amaçlı derin pekiştirme öğrenmesi kullanılır; güvenlik kısıtlamaları ve Bayes meta-öğrenme ile tarım değişimine hızlı uyum sağlamak için kullanılır. Kenar akıllı dağıtım, iletişim sırasında sistem kesintilerine karşı sistem dayanıklılığı sağlar. Bu unsurları birleştirerek, protokol akıllı çiftçilikte CPS uygulamalarının istikrarını ve esnekliğini artırmak için sistematik ve tekrarlanabilir bir yol^{sunar 12}.

Bu protokol, toprak, mikroiklim ve CO₂ izleme için çeşitli kablosuz sensör ağlarına sahip orta ve büyük ölçekli sera ortamları (800-1500 m²) için uygundur. Gerçek zamanlı kontrol sağlamak için minimum örnek çözünürlüğü 5 dakika önerilir ve çok düğümlü dağıtım için LoRa/NB-IoT iletişimi gereklidir (>200 düğüm). Bu iş akışı sera domates üretimi için gösterilmiştir, ancak salatalık, biber ve yapraklı sebzeler gibi ürünlere parametre yeniden ayarlama ve meta-öğrenme transferi yoluyla uygulanabilir.

Protokol, fiziksel modellemenin toprak nemini belirlediği, ağ katmanının veri iletim kararlılığını belirlediği ve kontrol + optimizasyon katmanlarının ekolojik ve operasyonel istikrar sağlayan sulama ve gübreleme politikaları oluşturduğu ardışık çalışma döngüsüne dayanır. Şekil 1 , önerilen siber-fiziksel sistem katmanlar arası iş akışını göstermektedir.

Protocol

Bu protokolde insan veya omurgalı hayvanlar üzerinde yapılan herhangi bir deneyin yer almadığı belirtilmektedir. Gelecekte insan katılımı veya biyolojik örnekler içeren herhangi bir çalışma durumunda, bu durum ilgili kurumsal inceleme kurulu tarafından onaylanmalı ve uygulama öncesi onay numarası kaydedilmelidir.

1. Saha ve donanım hazırlığı

NOT: Bu adım, sonraki fiziksel modelleme ve kontrol için kullanılacak çevresel bilgiler sağlayan standartlaştırılmış bir sensör ağı oluşturur.

1. Seranın konumunu GPS koordinatlarını izleme yazılımına girerek belirleyin. Sağlanan ürün kütüphanesinden ürün türlerini seçin ve çevresel hedefleri belirleyin (sıcaklık: 20-28 °C, göreli nem: %50-70).
2. Sera boyutlarını, havalandırma sistemlerini ve gölgeleme konfigürasyonunu kaydedin.
3. Tüm cihazları Ağ Zaman Protokolü (NTP)¹³ kullanarak birleşik bir saate senkronize edin.
4. Üretici spesifikasyonlarına göre toprak nemi, sıcaklık, nem, ışık ve CO₂ sensörleri takın.
   1. 60 kablosuz toprak nem ve sıcaklık sensörü (doğruluk ±%2), 10 nem ve CO₂ sensörü (± 30 ppm_CO2 doğruluğu) ve 4 çok spektral ışık sensörü takın. Toprak sensörlerini 10, 20 ve 30 cm derinliklerde konumlandırmak için 6 m x 5 m aralığında ızgara aralığı kullanın. Tüm sensörler, işlevlerine bağlı olarak kablosuz iletişim için LoRa vericileri ve NB-IoT modüllerini kullanır. Gateway ve meteorolojik sensörleri NTP kullanarak senkronize ederek ±1 saniyelik zaman damgası doğruluğunu elde edin.
5. Sabit sensörleri verilen derinliklere ve konumlara takarak ölçümün doğru olduğundan emin olun.
6. Veri örnekleme hızını 5 mph olarak ayarlayın ve gateway'deki zaman damgalarının hizasını açın.
7. Tüm sensör düğümlerini benzersiz kimliklerle kaydedin ve gateway bağlantısını kontrol edin. Paket kaybı ve saat kaymasını değerlendirmek için 24 saatlik bir test çalışması yapın.
8. Gelecekte kullanmak için temel günlüğü tutun. Tablo 1, modelleme adımları için yapılandırma ve parametre ayarlarını temsil etmektedir.

2. Fiziksel katman modellemesi (Toprak - Bitki - Atmosfer Sürekliliği (SPAC) ve Ensemble Kalman Filtresi (EnKF))

NOT: Bu aşama, toprak, bitki ve atmosfer etkileşimlerini yaklaşık olarak taklit ederek sulamayı kontrol etmek için kullanılan toprak neminin doğru tahminlerini elde eder.

1. SPAC modelinde giriş verilerini hazır hale getirmek için çünkü şu özellikleri gerektirir: toprak dokusu, saha kapasitesi, kök dağılımı, meteorolojik faktörler ve örtük yaprak alanı indeksi.
2. Tüm girdi veri setleri, Pandas resample('5min').mean() fonksiyonu kullanılarak Python 3.10'da tekdüz bir 5 dakikalık zaman indeksine yeniden örneklendi. Eksik değerler SciPy'nin CubicSpline cihazıyla hesaplandı, >5 dakikalık boşluklar ise SPAC model tahminlerinin EnKF tahmin aşamasına yayılmasıyla yeniden oluşturuldu. Güvenilirlik analizi için belirsizlik bayrakları korundu.
   1. Eksik değerleri kübik spline^{interpolasyonu 14} ile doldurun. Toprak nemi ve meteorolojik tahmine dayalı EnKF tahmin aşamasını kullanarak daha uzun boşlukları (> 5 dakika) yeniden inşa edin. Yeniden oluşturulan tüm değerleri belirsizlik takibi için işaretleyin.
3. Doymamış su akışını modellemek için Richards denklemini oluşturun.
    
   Burada hacimsel su içeriğinin değişim hızı θ (m³) zamanına göre t, h basınç başlığı (cm) ve K(θ) hidrolik iletkenliktir. Operatör ∇ mekânsal gradyanı gösterir ve (∇h+1) ifadesi toplam hidrolik gradyanı temsil eder.
4. Van Genuchten modeliyle toprak hidrolik parametrelerini tahmin edin:
   
   _{K s} doygun hidrolik iletkenlik, S_e (θ-θ_r )/(θ_s -θ_r) θ_s ve θ_x doygun ve kalıntı su içeriğiyle etkin doygunluktur. L, gözenek-bağlantı parametresi olan m ve n'dir ve ( ile n>1 ile ilişkili şekil parametreleridir. Etkin doygunluğu gözenek-bağlantı parametresi L'ye artırılmış gösterir. Etkin doygunluk S_e'ye dayanarak, van Genuchten hidrolik fonksiyon terimi, doğrusal olmayan toprak su tutma davranışı ve şekil parametresi m'yi tanımlar.
5. Richards denklemini Farquhar fotosentez modeliyle birleştirin. Işık, sıcaklık ve CO₂ etkilerini hesaba katmak için Penman-Monteith transpirasyon modelini entegre edin.
6. EnKF için parametre önceliklerini ve durum vektörlerini başlatın.
   NOT: EnKF, toprak nem durumu tahminlerini güncelleyere, model tahminlerini sensörlerden alınan gerçek zamanlı gözlemlerle entegre ederek ve hata^{kovaryansı 15'i} istatistiksel olarak tahmin ederek güncelleye giren bir Monte Carlo veri asimilasyon yöntemidir.
7. Toprak nem tahminlerinin kök ortalama kare hatası (RMSE) %2'nin altına düşene veya maksimum 50 iterasyona ulaşana kadar EnKF tahmin-güncelleme döngüleri çalıştırın.
8. Tüm kalibre edilmiş parametreleri sonraki analiz için arşivleyin. Şekil 2, SPAC-EnKF kalibrasyonundan sonra üretilen toprak nem stabilizasyon eğrisini göstermektedir.
9. SPAC-EnKF için sayısal simülasyon prosedürünü yürütün. SPAC-EnKF hesaplamak için MATLAB R2023b kullanın. Zaman adımı Δt = 300 s, topluluk büyüklüğü N = 100 ve durum değişkenleri θ, h ve K(θ) başlangıç değerlerine ayarlanır. Tahmin aşamasını gerçekleştirmek için Richards denklem çözücüsünü kullanın ve güncelleme aşaması için gözlemsel toprak nemi verilerini kullanın. RMSE < %2 yakınsama eşiğine ulaşana kadar, tahmin-güncelleme döngüleri tekrarlanın.

3. Ağ katmanı modellemesi (Heterojen Ağ ve Stokastik Petri Ağı (SPN))

NOT: Bu bölüm, kontrol kararları için zamanında ve sürekli veri teslimatını mümkün kılmak amacıyla iletişim güvenilirliğini değerlendirir.

1. Uzun menzilli meteorolojik veriler için LoRa, toprak sensörleri için NB-IoT ve yüksek frekanslı fenotipleme kameraları için 5G dahil olmak üzere heterojen iletişim modülleri kuruldu.
   1. Uzun menzilli düşük bant genişliğine sahip meteorolojik verileri (rüzgar, radyasyon, yağış) LoRa modüllerine tahsis edin. Orta bant genişliği ve düşük güç gerektiren toprak sensör düğümleri için NB-IoT modüllerini etkinleştirin. Yüksek hızlı video transferi için 5G NR modülleri kullanarak yüksek frekanslı fenotipleme kamera verilerini etkinleştirin. Her iletişim düğümüne çoklu protokol yönetimi destekleyen bir Raspberry Pi tabanlı kenar geçidi ekleyin.
2. Sistemi, 5 dakikalık örnekleme frekansıyla her bir geçit başına 200'den fazla düğümü destekleyecek şekilde yapılandırın.
3. Alınan Sinyal Gücü Göstergesi (RSSI), Sinyal-Gürültü Oranı (SNR) ve pil durumunu sürekli kaydet. Paket alım hızlarını 5 dakikalık aralıklarla hesaplayın.
4. Anormal bir alım tespit edilirse, anten hizasını inceleyin ve olası parazit kaynaklarını kontrol edin. Stokastik Petri Ağı (SPN) iletişim güvenilirliği modelini tanımlayın ve çözün
   1. SPN'yi Mobius 2.0 ile uygulayın. Üç yer tanımlayın: Normal (%>95 resepsiyon), gecikme (%80-95) ve Kesinti (%<80). Geçiş hızları λ_nd,_{λ di} ve λ_in olarak SNR ve kalan pil enerjisi fonksiyonları olarak yapılandırın:
      
   2. Doğrusal denge denklemi πQ=0 kullanarak sabit durum dağılımını hesaplayarak iletişim kesintisi olasılığı P_int = π_kesintisini elde edin.
5. Üç iletişim durumu olan bir SPN modeli tanımlayın: N normal (>%95 alıntı), gecikme D (%80-95) ve kesme I (<80%). Q, sürekli zamanlı Markov zincirinin üreten matrisini gösterir.
   
   Durum geçişleri, hız parametreleri λ_X→Y ile yönetilir, burada X,Y∈ {N,D,I}. Her Q satırının sıfıra toplanmasını sağlamak için, her çapraz eleman o durumdan çıkan geçiş hızlarının negatif toplamıdır.
6. SNR ve kalan enerji metriklerine dayalı geçiş oranlarını tahmin edin.
   
   Burada E, normalleştirilmiş kalıntı enerjidir (0-1), SNR ise desibel cinsinden gözlemlenen sinyal-gürültü oranıdır. k_XY, durum X ile Y durumu arasındaki geçiş hızı için bir ölçekleme sabitidir, k_s ise SNR'ye bağlı yanıtın dikliğini düzenler. X→Y geçişi için SNR eşiği SNR_XY'dir. Düşük pil seviyeleri, c_XY ve p_XY'de yakalandığı gibi geçiş olasılığını artırır.  ∈_XY, geçiş olasılığının sıfır olmayan olmasını sağlayan küçük bir temel orandır. SNR hassasiyetini düzenleyen lojistik fonksiyon şudur:
   
   Burada σ(u) lojistik sigmoid fonksiyonu gösterir ve üstel terim ^e-u, fonksiyonun 0 ile 1 arasında geçiş hızını kontrol eder.
7. Kesinti olasılığını elde etmek için sabit durum dağılımını çözersiniz. α = λ_N→D, β = λ_N→I, γ = λ_D→N, δ = λ_D→I, ε = λ_I→N, ζ = λ_I→D. Sabit durum kesintisi olasılığı şudur:
   
   burada π_I , sistemin kesintili durumda kalmasının uzun vadeli (sabit durum) olasılığını gösterir. Üç durum arasındaki altı geçiş hızı, α, β, γ, δ, ε ve ζ parametreleriyle temsil edilir. Payda, tüm geçişler arasında toplam akış dengesini gösterirken, gösterici Kesme durumuna giden tüm verimli geçiş yollarını derler. Belirlenen hız yapısı altında iletişimin kesintisi olasılığı, ortaya çıkan değerle sağlanır. Tablo 2 , önerilen CPS'deki modelleme katmanları arasındaki prosedürel veri akışı geçişlerini göstermektedir.

4. Kontrol katmanı modellemesi (SHS içinde MPC)

NOT: Bu süreç, sulama ve gübreleme alternatiflerini en üst düzeye çıkarır ve iletişim sorunlarını da giderir.

1. 24 saat sonunda ürün verimini optimize etmeyi amaçlayan bir Model Öngörücü Kontrol (MPC) sistemi oluşturun. Model Tahmin Kontrol (MPC) tabanlı sulama planlamasını uygulayın. MPC'yi Python 3.10 / CasADi kütüphanesinde uygulayın. Tahmin ufkusu Hp = 24 adım, kontrol ufku Hc = 6 ve kontrol girişi u(t) (sulama akışı) tanımlanır. Maliyet fonksiyonunu optimize edin:
   J = Σ (θ_target − θ(t))² + λu(t)²,
   0 ≤ u(t) ≤ 6 mm/s kısıtlama sınırlarına sahip IPOPT çözücü kullanmak.
2. Sulama ve gübreleme süreçleriyle ilgili karar değişkenlerini tanımlayın.
3. Toprağın nem aralığı, kök bölgesi iletkenliği ve gecikmeyi kontrol etmek için kısıtlamalar kullanın.
4. Zaman belirsiz olduğu için MPC çözücüsüne ağ kesintisi olasılıklarını ekleyin.
5. Ağırlıkları kullanarak maliyet fonksiyonundaki yumuşak kısıtlamayı kullanın. Q (giriş)= 0.5-1.0; Q (çıktı)= 0.3-0.7. Ağırlıkları akort testlerine göre ayarlayın ki MPC'nin öngörü kararlılığı garanti edilebilsin.
6. Paket kaybı meydana geldiğinde, SPAC modeliyle 1 saat toprak nemi tahmini yapın ve telafi sulamayı hesaplayın.
7. İletişim kurtarılmasından hemen sonra kontrol durumunu senkronize ederek tekrarlanan işlemleri önleyin.
8. Sürekli fiziksel bir sistem, ayrı bir ağ sistemi ve kontrol eylemlerini Stokastik Hibrit Sistem (SHS) geçiş modelinde birleştirin.

5. Güvenilirlik niceli ölçeme

NOT: Sistemlerin bozulmalara yanıt verdiği dayanıklılığını değerlendirmek için bu bölüm hem fonksiyonel, hem zamansal hem de ekolojik güvenilirliği değerlendirir.

1. Üç güvenilirlik göstergesi kullanıldı: (1) verim tahmin hatası (E_γ, %) ve toprak nem tahmini RMSE ile nicelendirilen fonksiyonel güvenilirlik; (2) uçtan uca kontrol gecikmesi (L_e₋_e, s) ile ölçülen zamansal güvenilirlik; ve (3) ekolojik güvenilirlik su kullanım verimliliği (WUE, g·kg⁻¹) kullanılarak değerlendirildi ve kök bölgesindeki elektrik iletkenliğinin zaman oranı güvenlik eşiğini aştı (T_ec>2.5dS/m, %).
2. Modele üç ajanın dahil olduğu stokastik bir oyun modeli oluşturun: sensör (başarısızlık olasılığını en aza indirerek), saldırgan (başarısızlık olasılığını en üst düzeye çıkaran) ve ortam (rastgele rahatsızlıklar eklemek).
3. Ödeme fonksiyonlarını tanımlayın ve güvenilirlik sınırlarını belirlemek için Nash dengelerini çözebilirsiniz. Parametre katkılarını sıralamak için Sobol indekslerini kullanarak küresel duyarlılık^{analizi yapmak 16}.
4. Parametre katkısı, mutlak temel etkilerin ortalaması (EE, Morris duyarlılık indeksi) kullanılarak nicelendirildi; bu işlem dengeli örnekleme yörüngelerinden hesaplandı ve etkileşim gücü ve doğrusal olmayanlığı yakalamak için EE varyansıyla ortaklaşa değerlendirildi; En yüksek ortalamaya sahip parametreler|EE| ve yüksek EE varyansı baskın katkıcılar olarak tanımlandı ve sonraki optimizasyon için seçildi.

6. Optimizasyon stratejisi

NOT: Bu bölüm, optimal verimlilik, maliyet ve ekolojik istikrar sağlamak için kontrol kararlarını maksimize eder ve ürün değişimi sırasında hızlı uyum sağlamaya devam eder.

1. Yaprak alanı indeksi, SPAC–EnKF tahmini toprak nemi ve kenar kontrolcüsünde kaydedilen kontrol gecikmesini içeren durum alanını belirtin.
2. Sulama miktarı, gübreleme oranı ve sensör örnekleme frekansını kenar kontrolcüsünde uygulanan ayrık ve sınırlı kontrol eylemleri olarak tanımlayarak eylem alanını oluşturun.
3. Güvenilirlik, ekonomik maliyet ve çevresel performansı ağırlıklı optimizasyon yoluyla entegre ederek çok amaçlı bir ödüllendirici fonksiyon oluşturun.
4. NSGA-III algoritması kullanılarak Pareto-optimal politikaları gözlemleyin (Tablo 3).
5. Kuraklık ve tuz stresini önlemek için kök bölgesi toprak nemine alt sınırlar ve toprak tuzluluğuna üst sınırlar uygulayarak kontrol bariyer fonksiyonlarıyla (CBF) güvenlik sınırlamaları sağlanır.
6. Büyüme durumu vektörü üzerinde pozitif belirli bir Lyapunov fonksiyonu tanımlayarak ve zaman türevini güvenli çalışma sınırları içinde negatif belirli olarak zorlayarak Lyapunov kararlılık koşulu sağlanır.
7. Ürün değiştirme durumunda parametrelerin hızlı güncellenmesini sağlamak için Bayes meta-öğrenmesini kullanın.
   NOT: Bu adımdan sonra, iş akışı durdurularak model güncellemelerini çevrimdışı doğrulamak için kullanılabilir. En son kontrol noktasını yeniden yükleyerek devam edin.
8. Son 7 güne uyum sağla ve yeniden eğitim süresi 5 dakikadan az. Sıkıştırılmış bir güçlendirme modelini budama ve eğitim sonrası kuantizasyon uygulayarak eğitin, ardından yerel olarak toplanan etkileşim verileriyle kenar cihazında ince ayar yapın.
9. İletişim aksaklıkları olduğunda kontrol gecikmesinin 30 saniyenin altında kalmasını sağlamak için aşağı indirme mekanizmasını kullanın. Devam bulutlarını iletişim kurtarma ile senkronize edin.

Results

SHAP özet grafikine göre, toprak nemi ve SNR, sulama kararları üzerinde en büyük olumlu SHapley Katkı Açıklamaları (SHAP) etkisine sahiptir (Şekil 3). Yüksek gecikme, politikayı muhafazakar yedek seçeneklere yönlendirir ve güvenilirlik farkında kontrol mimarisiyle uyumluluk gösterir. Tablo 4 , hesaplama modülleri için operasyonel talimatları ve yapılandırma detaylarını gösterir

Deneysel kurulum

Önerilen...

Discussion

Deneysel kanıtlar, önerilen CPS çerçevesi ve optimizasyon stratejilerinin güvenilirlik, güvenlik ve hesaplama verimliliği gibi üç boyutta üstün olduğunu göstermektedir. Katmanlar arası bağlama modellemesi, fiziksel ve ağ temsilleri arasındaki tarihsel ayrımı başarıyla aşmaktadır. SPAC ve SPN'yi birleşik bir SHS çerçevesine gömmeklere, sistem aşırı yüksek sıcaklıklarda verim tahmin hatasını %32,7 azaltmış ve gecikmeleri %45 kısaltmıştır. Güvenlik kısıtlamaları ekolojik performansın zarar ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Çoklu Spektral Kamera	MicaSense	RedEdge-MX	LAI tahmini için kanopi yansıtmasını yakalar
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	Yerel yapay zeka çıkarımı için kenar cihazı
Toprak Nem Sensörü	Decagon Cihazları	EC-5	Topraktaki hacimsel su içeriğini ölçür
Hava Durumu İstasyonu	Campbell Scientific	CR300	Sıcaklık, nem ve yağış kaydediyor