基于物联网的智能农业解决方案案例研究

在本节中，使用开源硬件平台、基于 Arduino 的微控制器和 ZigBee 开发的分布式 WSN55进一步讨论了监测和控制作物生长的关键参数，如土壤条件、环境和天气条件。如参考号6所详述，这个实验试验台是一个离网式光电（PV）支持的小型智能农场实验试验台，它另外还捕获能源和水数据。这个实验项目的主要目标是通过设计一个基于物联网的农场系统来进一步调查食物、水和能源之间的联系，该系统将利用太阳能电池板供电的简单自动化系统，能够用更少的能源和水生产更多的食物，以解决当前和未来几个资源短缺的问题。它还旨在通过物联网和数据分析，推进综合规划、政策和管理的目标;通过提供一个用户友好的界面来跟踪和控制系统，将从事少数系统不同部门的利益攸关方聚集在一起;以及系统尺寸的灵活性，扩大了用户群。

如图5所示，农场原型使用分布式无线传感器技术，能够实时监测和测量各种环境参数，如土壤温度和湿度，以安排精确的灌溉事件。该系统进一步收集实时天气信息，以尽量减少环境影响，并更好地决定如何管理水和能源等资源。收集的信息可在本地和外部数据库中找到，用户能够使用直观的移动应用程序检索信息。移动应用的目的是允许用户远程监视或与服务器场基础结构进行交互。整个系统的设计要求是节能、高性价比和低维护，允许农民/用户管理他们的农场或花园，无需付出任何努力。该系统目前部署在金融信息库工程园区，用于开发和测试。部署包括网关、6 WSN 和天气控制台。

图5.具有端到端 IoT 平台的智能服务器场的实验试验台。

传感器节点

无线传感器单元是定制的 Arduino 微控制器，由主功能模块板和传感器接口板组成。传感器板可与各种传感器连接，以测量土壤水分含量、pH 水平、土壤温度、叶湿度、环境温度、太阳辐射、大气压力、湿度和天气参数，包括风向、降水和风速。它使用具有 XBee PRO S2 2.4 GHz 的 ZigBee 协议将传感器数据传输到网关，并在其他节点之间进行通信。传感器集成和编程可以通过集成开发环境 （IDE） 实现。每个 WSN 都配备 3.7 V、1150 mAh 容量锂离子电池，用于处理电源问题。

物联网网关

基于 linux 的网格路由器用作 IoT 网关，其中所有传感器数据都保存在本地 MySQL 数据库中。网关支持不同的无线通信协议，但此项目使用 ZigBee 协议与传感器节点通信。此外，它支持以太网或 Wi-Fi 连接，通过 TCP/IP 或蜂窝连接，可以轻松地将存储在本地数据库中的数据同步到外部数据库。此外，网关还可以将传感器数据推送到云平台。网关提供用户界面应用程序来查看最近捕获的数据，如图6 所示。

图6.具有硬件和连接的智能服务器场原型的 IoT 架构。

服务和云

该网关将传感器数据推送到 Microsoft Azure 云平台（一个有限的付费云服务平台）和 google Firebase（具有大量存储限制的免费云服务）。云为目标用户提供了对数据的方便和灵活访问。它支持服务器场网络外部的数据访问、长期应用程序（如裁剪建议）和数据分析。因此，可以通过基于 Web 的应用程序和智能手机访问来自此智能服务器场系统的数据。

应用

将数据基础架构扩展到云，此项目的一部分目标是使用移动应用程序对传感器数据进行实时流。移动应用程序平台使目标用户能够实时了解其服务器场正在做什么，并另外跟踪有关能耗、灌溉事件和天气变量的敏感信息。存储在 IoT 网关本地数据库上的传感器数据会不断同步到位于虚拟机和 Google Firebase 云中的外部 MySQL 数据库。它已成功实现，可以推送到 Microsoft Azure 云服务。但是，由于存储限制和成本，谷歌火基被选为此应用程序。移动应用程序 GreenLink 农业目前为 Android 操作系统开发，将来将扩展到 IOS。GreenLink 农业应用的功能总结如下：

• (1)包含土壤水分含量、叶湿度和土壤温度的仪表板菜单，对灌溉事件的反馈响应至关重要，如图8 的右侧所示。
• (2)深入了解以前收集的实时传感器数据。这些数据分为五个轨道：天气数据、土壤数据、产量数据、能量数据和水数据，如图7所示。
• (3) 数据可视化功能：传感器数据可视为列表视图，也可以绘制以深入了解数据中的趋势和模式。
• (4) 数据分析：使用不同的 ML 技术对作物产量、天气、能源和水进行预测建模。其最终目标是通过多目标优化上述变量，最终最大限度地提高粮食生产。此外，还将探讨能源和水的粮食生产的相互依存网络。

图7.智能手机应用程序，以监控和控制智能农场。

图8.GreenLink农业移动应用程序的高端数据分析框架。

数据分析

该项目的部分目标是使用高分辨率传感器数据从传感器数据预测作物产量、天气和作物质量。此 IoT 解决方案管理田间变化，以提高作物产量、提高生产率和减少农业投入的消耗。数据驱动的物理模型使农民能够了解其农场的能源和消耗量、消耗和回收了多少水以及产量的质量。长期监测天气数据将更好地利用时间序列预报模型，可以准确预测未来一天的天气，使农民具备何时灌溉的决策能力。移动应用程序平台仅提供此功能，为目标用户提供在仪表板上安排灌溉时间。传感器可以进行的测量结果使数据存储和管理过程不堪重负，但有助于缩小作物数据集中的潜在预测变量属性。由于该项目正在进行中，数据分析级别处于前一阶段，需要完成更多的数据处理和映射。数据分析轨道的研究任务如下： 图8左图所示：

• (1)跟踪和收集来自食品、能源、水基础设施的数据
• (2)数据预处理以组织、清理和准备数据。此步骤至关重要，因为此项目的性质具有不同的时间、空间尺度
• (3) 不同机器学习算法的建模使用分类和回归树 （CART） 模型确定作物产量、很少相互作用和产量质量的潜在预测变量使用自回归集成移动平均线 （ARIMA） 模型处理所有基于时间序列的传感器数据在遥感数据中利用深度神经网络补充WSN数据模型评估
• (4) 升级和修改移动和基于 Web 的应用程序以显示预测值

该项目为集成的食品、水和能源系统实现了基于物联网的数据驱动原型。主要目标是使用无线传感器网络和物联网平台在整个系统中监控和测量三个相互依赖的资源。为了轻松浏览数据采集和集成，GreenLink 农业移动应用程序以 Google Firebase 云存储作为最终用户设计和实施。这种系统的含义是很多：它推进了目前关于缺乏数据驱动的集成D为数不多的系统的研究挑战，并探索了人工智能在农业中的应用，并促进了物联网技术在农业部门的缓慢采用。它通过能够进行数据集成、可视化和分析的移动应用程序，让他们直接了解农场的种植方式，从而彻底改变了他们的耕种方式。通过成本可行性分析，原型也可以理想地适用于世界上使用带储能的离网太阳能电池板来获取电力是一项挑战的地区。71–73毫无疑问，数据驱动的技术可以极大地帮助提高农业生产力。本案例研究为农业提供了一个端到端的物联网平台，用于收集、监控各种传感器，并可通过智能手机和互联网轻松访问数据分析框架。

结论

农业与几个行业一样，正在经历数字化转型。从服务器场收集的数据量呈指数级增长。无线传感器网络、物联网、机器人、无人机和人工智能的使用正在上升。机器学习算法能够从大量数据中提取有用的信息和见解。本文综述了过去两年研究人员与无线传感器网络一起经常使用的ML方法。未来几年，更多高级技术（如分布式（或边缘）深度学习）的使用。必须利用人工智能来增加农业任务的自动化，提高产量，同时优化自然资源的使用。本文展示了在精密农业生态系统中的多种应用中应用的不同ML模型，包括产量预测、杂草和疾病检测。审查的工作只关注基于WSN的PA应用程序，其中ML算法是为数据挖掘、预测和自动化目的而实现的。通过将 ML 应用于传感器数据，服务器场管理系统正在演变为真正的 AI 系统，为要做出的决策和操作提供最佳见解。这句话通过实验智能农场原型案例研究进一步证明和展示。本案例研究已描述并成功评估了帮助任何人部署 PA 监视应用程序的环境。详细介绍了体系结构、硬件、通信协议和数据采集基础结构。介绍了智能手机应用的实现和预测天气、作物产量和作物质量的后端数据分析框架。