制作和主办：Elsevier沙特国王大学学报用于农业4.0 ：审查和未来趋势Olivier Debauchea，b，c，Saïd Mahmoudia，Pierre Mannebacka，Frédéric Lebeaub，ca蒙斯大学计算机科学系，20 Place du Parc，Mons 7000，Hainaut，比利时b列日大学，GxABTc列日大学，GxABT阿提奇莱因福奥文章历史记录：收到2021年2021年9月8日修订2021年9月10日接受2021年10月7日网上发售关键词：农业4.0智慧农业智慧农业Lambda架构Kappa架构边缘计算雾计算微服务架构数据湖数据仓库区块链渗透计算A B S T R A C T农业4.0，也称为智能农业或智能农业，是生产大量数据的起源，这些数据处理如此大量的数据需要使用特定的基础设施，这些基础设施使用经过调整的物联网架构。我们的评论提供了一个比较全景的中央云，分布式云架构，协作计算策略，以及在农业4.0的背景下使用的新趋势。在这篇综述中，我们试图回答4个研究问题：（1）哪些存储和处理架构最适合农业4.0应用程序，并响应其特性？（2）通用架构能否满足农业4.0应用案例的需求？(3)有哪些横向发展的可能性使研究能够过渡到产业化？(4)从云端训练的算法转移到嵌入式或独立产品的垂直估值可能性是什么？为此，我们比较了8个标准（用户接近度，延迟抖动，网络稳定性，高吞吐量，可靠性，可扩展性，成本效益，可维护性）的体系结构，并分析了它们各自的优点和缺点版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言74952.相关文章74962.1.以前的评论74962.2.在用例中实现的平台74972.3.文献分析3.方法74993.1.系统评价方法学74993.2.体系结构比较标准74994.建筑75004.1.中央云架构7500*通讯作者：蒙斯大学，ILIA实验室，20 Place du Parc，Mons 7000，Hainaut，Belgium.电子邮件地址：olivier. umons.ac.be（O. Debauche）。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.09.0151319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comO. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报74954.2.云模式的扩展4.3.分布式架构75034.4.分布式架构的元素4.5.协作计算策略75055.新趋势75066.面向农业5.0 75107.结论7510竞争利益声明确认7511参考文献75111. 介绍如今，物联网（IoT），以前也被称为普适互联网，存在于我们日常生活的各个领域，并呈指数增长。据估计，到2022年，联网设备的数量将达到425亿台，到2025年将达到755亿台。到2022年，全球IP流量估计为每月333 ZB 2，需要存储和处理这些数据（Adrivale等人，2019年）。欧盟委员会预测，290亿台联网设备中有180亿台将与物联网在2022年（机构，2020年）。思科在一份白皮书中宣布，到2021年，连接到互联网的设备将产生850 ZB/年（思科，2018）。很难精确确定世界范围内连接设备的数量，但它们的数量约为数十亿。此外，麦肯锡全球研究所预测，到2025年，物联网和边缘计算设备的总经济影响将达到11万亿美元（Manyika和Chui，2015年）。在农业领域，到2023年，全球将安装近1200万个农业传感器，每年增长20%，这是BusinessInsider Intelligence Service预测的（Meola，2021）。此外，智慧农业业务于二零二零年估计为138亿美元，预计到二零二五年将达到220亿美元，复合年增长率（CAGR）为9. 8%（Meola，二零二一年）。在物联网时代，客户端的类型变得越来越轻量级。物联网设备和网络环境正逐渐从高速有线网络转变为不稳定的无线通信。与此同时，用户对物联网应用的需求也正在转向实时和上下文感知的服务提供，使焦点逐渐从云转移到边缘（Ren等人， 2017年）。云位于互联网内，在地理上是集中的，由几个资源丰富的服务器节点组成，根据客户端之间的距离插入多跳中（Munir等人，2017年）。云计算（CC）是广泛可用的范例，其提供诸如最小管理工作、便利、快速弹性、按使用付费、无处不在等益处（Ai等人，2018）、易于维护、集中管理和高服务器利用率（Shi等人，2016年）。此外，资源集中意味着平均网络延迟的增加、高带宽利用率和高处理延迟。实际上，在唯一服务器点中处理的大量数据可能在云服务器和回程链路中造成拥塞（El-Sayed等人，2017年）。然而，普及智能设备、无处不在的网络、虚拟和增强现实、自动驾驶车辆、无人机、社交网络、网络应用和服务的普及的快速并行发展并非没有后果。事实上，网络带宽和1https：www.statista.com/statistics/471264/iot-number-of-connected-devices-全球/2https://www.statista.com/statistics/499431/global-ip-data-traffic-forecast/云计算速度受限性能和有效性，尤其是对于实时和关键任务应用而言，无法得到保证。此外，云计算很难适应或应用于各种类型的技术和应用场景（Zhou等人， 2017年）。为了解决这些问题，工业界和学术界已经提出了中央云计算的各种雾计算利用中心云与网络边缘之间的网元和接近传感器的微控制器等绝对边缘元，以接近节点的分布式方式处理和存储数据。然而，随着移动设备的发展，一些新的范例已经被提出，接近移动用户。例如，云或微型数据中心在地理上被植入并可通过Wi-Fi协议访问;但是，这种方法并不总是保证足够的网络质量。蜂窝网络设备的制造商已经提出了移动边缘计算（MEC）范例，该范例将雾服务器与基站相关联以向移动设备提供服务。与5G相关的MEC允许将超低延迟网络与高可用带宽以及附近可访问的处理资源相结合。MEC的原始概念已经被扩展到无线网络，并因此在“多访问边缘计算”（Wang等人， 2020年）。农业已经经历了两次革命。第一个是机械化，第二个被称为转基因绿色革命（Saiz-Rubio和Rovira-Más，2020）。自20世纪90年代末以来，农业3.0（也称为精准农业）的农业数字化转型已经开始，地理信息系统（GIS），全球定位系统（GPS）和传感器的使用已经侵入农业。它们允许图像处理，深度学习技术和计算机视觉领域的机器学习的出现。后者用于区分杂草、识别作物、检测疾病等。. 农业3.0产生的大量数据需要大数据技术的发展来处理，反映了各个研究领域的重要变化。收集的数据必须以特定的格式记录，以便发现模式，管理错误，消除重复或不一致的数据，或解决噪声问题（Triantafyllou等人， 2019年）。智能农业也被称为智能农业或农业4.0，是物联网的一个全面发展的领域，它带来了创新的途径来提高生产系统农业的适应性，效率和弹性（Iaksch等人，2021 ）提高竞 争力和利润（ Triantafyllou等人，2019），合理分配资源，避免食物浪费（Zhai et al.，2020;Wolfert等人，2017），这要归功于传感器提供的自主上下文感知的贡献以及执行自主或远程动作的能力（Wolfert等人，2017年）。智能农业取代了农场位置的严格应用，影响了相关领域，如农民的决策，生物多样性，O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7496供应链管理，食品供应和质量，保险，以及环境和地球科学研究，...智能农业与物联网（IoT）的其他领域不同，它通过对生物对象（动物或植物）的观察和行动来它与医疗物联网的不同之处在于，没有与隐私相关的问题;但是，数据的机密性与生产过程有关与物联网的大多数领域一样，无线传感和驱动网络（WSAN）使用以分层路由组织的低功耗还可以实现多路径路由协议以平衡数据传输负载并节省有限电池寿命、基本计算技能、唯一通信标识符和资源受限节点的能量。由于有限的电池寿命，充电或更换是困难的，有时是不可能的（Debauche等人，2021年）。此外，必须应用节能和环境能量技术来处理活动和非活动操作时间以及调度信息传输（Triantafyllou等人， 2019年）。可以向其添加对象，如连接的农用车辆、挤奶机器人、通常称为无人机的无人驾驶飞行器（UAV）、也称为机器人的无人驾驶地面车辆（UGV）、诸如用于对准时观测进行编码的平板电脑的移动设备（Debauche等人，2021）和外部来源，如公共地理服务（Triantafyllou等人， 2019年）。物联网在农业4.0中的应用范围从家庭农业，例如在印度，从具有几个低成本传感器和致动器的非常小的规模到具有数千个昂贵的商业传感器和许多连接的农业机械部件的非常大的规模，如在美国中西部。智能农业的特征在于，如前所述，各种各样的对象可以产生从几个字节/秒到Gb/秒的高度对比的数据量。此外，在农村地区传输此数据的网络协议的可用性也影响要实现的架构类型应用程序需要实时和/或在不同时间进行处理 例如，无人机的远程控制需要至多几毫秒的反应时间，而旨在优化营养素和除草剂施用的变量施肥（VRF）或变量喷洒（VS）施用分别需要几毫秒至几秒范围内的反应时间。用于监测牛群的实时处理大约为几分钟到几小时。数据保留时间是非常可变的，并且高度依赖于每个用例。例如，无人机产生大量的图像以实时传输也可以对它们进行后处理，以在批处理中提取其他而UGV图像在经过处理并最终驱动之后就失去了它们的价值然而，如果数据是特殊的，新的或特殊的性质，它可以被存储，例如，以改善人工智能算法。其他传感器仅在检测到异常时传输数据，而其他传感器则定期传输少量数据。然而，智能农业的采用受到了缺乏模型来指导利益相关者如何实施和部署密集和异构的基于物联网的监控系统并管理其互操作性（Triantafyllou等人，2019年）。商业传感器非常昂贵，使得小农场不可能实施它们（Garcia等人，2020年）。此外，目前有两种相反的趋势。这来自农业机械制造商，他们开发了自己的生态系统，并希望通过吸引农民进入他们被锁定的圈养生态系统来扩大为农民提供的服务。此外，另一个趋势是开发开放的生态系统，在这种系统中，农民可以保留其数据的所有权，并控制对这些数据的处理和使用。一方面，农民因此面临两难境地在任何情况下，他们都被迫使用违背他们意愿收集数据的农业设备;另一方面，他们希望控制通过物联网传感器收集的数据。目前，很难预测这两种趋势中的哪一种将优先于另一种，或者这两种趋势中的一种是否将共存（Wolfert等人，2017年）。在这种情况下，私人和公共研究人员都可以使用云服务提供商提供的通用商业平台，在这些平台上，他们具有有限的适应可能性，或者在商业或免费砖的基础上开发自己的架构，但具有更大的适应可能性。在这种情况下，选择也是微妙的，对约束条件的不良评估可能会危及研究项目。由于大数据的最新进展，我们提出了一项调查，提供了关于智能农业的最新技术水平的概述。它的目的是总结参数的条件下选择的体系结构收集，处理和存储农业数据。由于存在各种各样的用例，因此在架构方面做出明智的选择非常重要。通过这种方式，我们通过回顾农业4.0中用于收集、处理和存储数据的云架构来解决文献中的当前差距，以启发读者可能的选择和出现的新趋势。本文的结构安排如下：第二部分由两部分组成.在第一部分中，我们总结了该领域的相关文献及其贡献，以便将我们对文学的贡献放在一个语境中。在第二部分中，我们确定了在农业4.0用例中实现的架构。在第三部分中，我们描述了用于识别论文的方法，用于分析文献的概念框架，以及用于比较的标准所选的架构。在第四部分中，我们将介绍用于收集、处理和存储数据的体系结构。我们描述了以云为中心的架构，云范式的扩展，分布式架构。第五部分提出了新的发展趋势和未来的发展方向。在第六节中，我们讨论了农业4.0向农业的未来演变5.0.最后，对本文进行了总结，提出了建议和展望.2. 相关作品我们通过识别在应用于智能农业的物联网领域中实现的先前审查来开始我们的审查，以评估最新技术水平并突出目前尚未探索的方面。在本节中，我们重点实现两个目标。第一个目的是定位我们的工作相对于现有的文献。第二个目标是确定在农业4.0应用程序中常用的2.1. 以前的评论表1中列出的综述论文是在2017年1月至2021年7月每一篇论文的主要贡献被提取和突出显示，以显示我们的贡献的文献。在以下段落中，我们将对过去四年（2017- 2021年）的现有审查进行全景总结。2017年，Ray（Ray，2017）在他的论文中回顾了物联网应用以及物联网部署改善农业时所面临的挑战。塔拉韦拉等（Talavera等，2017）审查了使用物联网（IoT）进行监测，控制，物流和预测的农业工业和环境应用。Tzounis等人对农业中的物联网技术以及农民未来面临的挑战进行了调查（Tzounis等人，2017年）。Elijah等人发现物联网应用领域遇到的最大挑战O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7497表1在智能农业背景下对大数据管理进行的先前审查总结。主要贡献参考使用的时间（Feng等人，2019年）。Shafi等人对基于物联网的农业自动化以及无线传感器网络（WSN）进行了文献综述。这些作者提出了一个案例研究的基础上，两个模型：1-无线传感器网络，以监测实时作物农业工业和环境监测、控制、物流和预测解决方案的调查。诊断和分析现有物联网部署中的通信协议。农业物联网技术的调查，并强调了未来的挑战。确定物联网的挑战，其在智能农业中的应用，并介绍趋势和技术创新物联网在精准农业中的应用回顾，对研究人员以往贡献的评估，以及未来创新回顾物联网在设施农业中的部署，识别其挑战，并展望新的研究领域。审查现有的基于物联网的精准农业解决方案，以进一步实现。对无线通信技术在精准农业领域的应用进行了无线传感器网络在环境行为研究中的回顾、案例分析和挑战。回顾、识别物联网农业当前和未来趋势的挑战。物联网农业概况，物联网、大数据、云计算的关系，物联网的法规政策，物联网在农业领域的应用。调查无人机的使用，PA的概述，以及对20种无人机应用的调查。基于物联网的农业架构面临的挑战，对智能农业现有调查的总结。并对威胁模型进行了分类，研究分析了基于物联网的绿色农业安全与隐私面临的挑战和未来的工作讨论物联网和大数据分析在农业中的作用，重点是应用和转化研究成果的商业地位我们希望通过不同的解决方案来解决物联网在可耕地农业中的挑战。系统综述介绍了物联网如何与智能农业物联网组件及其在智能农业中的应用的方法论审查和分析。审查农业4.0的新兴技术和农业从业者的新途径回顾、分类、介绍、比较，以及物联网农业新兴技术的挑战。（Talavera等人，（2017年）（Ray，2017）（Tzounis等人，2017）（Elijah等人，2018年）（Khanna和Kaur，2019）（Shi等人， 2019年度）（Ruan等人，2019）（Feng等人， 2019年度）（Shafi等人，2019）（Ayaz等人，2019）（Farooq等人，2019年度）（Radoglou-Grammatikis等人，2020年）（Ferrag等人， 2020年）（Misra等人， 2020年）（Villa-Henriksen等人，2020年）（Navarro等人，2020）（Debauche等人， 2021年）（Liu等人， 2020年）（Friha等人， 2021年）两个系统的遥感图像，健康和不健康产量之间的分类（Shafi等人，2019年）。在农业保护方面，Shi等人在过去十年中进行了一次全景回顾，以应对挑战和未来工作，以进一步推动保护农业领域的研究（Shi等人，2019 年）。Khanna et Kaur提出了一个演进方案，以突出物联网在精准农业（PA）中的最重要影响。他们评估了前任的贡献，并加强了挑战，以开辟 应 用 于 PA 的 物 联 网 灵 感 和 创 新 的 新 方 向 （ Khanna 和 Kaur ，2019）。Ruan等人回顾了2009年至2018年的文献作品，为有兴趣在农业物联网、基础设施、数据安全和数据共享领域进行研究的人们提出了新的想法（Ruan等人，2019年）。在2020年，已经进行了两项研究，约 20 个 无 人 机 应 用 ， 专 门 用 于 空 中 作 物 监 测 过 程 或 喷 洒 任 务（Radoglou-Grammatikis等人，2020年）以及研究人员在绿色农业领域部署物联网时必须克服的困境（Ferrag等人，2020年）。Villa-Henriksen等人确定了在各种应用中实施物联网期间遇到的不同挑战，并提出了解决这些挑战的不同解决方案（Villa-Henriksen等人，2020年）。Misra等人讨论了智能农业中的物联网和大数据分析（Misra等人，2020年）。2021年，Friha等人进行的一项最新研究假设了物联网（IoT）、无人机（UAV）、无线技术、开源物联网平台、软件定义网络（SDN）、网络功能虚拟化（NFV）技术、云/雾计算和中间件平台等最发达新兴技术的使用、应用、分类和比较（Friha等人，2021年）。同年，Debauche等人进行了文献综述，描述了物联网的主要组成部分及其在智能农业领域的应用（Debauche等人， 2021年）。2.2. 在用例中实现的平台我们将应用程序分为4类：（1）水管理，其中我们汇总了所有类型的用水，如灌溉和动物饮水。（2）植物病害和害虫组都使用植物病理检测和植物病理处理（喷洒杀菌剂、杀虫剂等）的案例（3）作物管理汇集了与作物操作相关的所有用例：土壤管理（耕作，施肥），播种，除草和收获。(4)畜牧业包括与农场动物繁殖有关的一切（营养，行为，疾病治疗（Treatment）。 表2总结了用于实现智能农业中的应用案例分为以下四类。并提出了创新想法的共同趋势（Elijah等人， 2018年）。2019年，Ayaz et al. 提供了关于应用于农业的基于物联网的架构的最新技术水平，并确定了同一研究领域中的当前和未来趋势（Ayaz等人，2019年）。Farooq等人介绍了基于物联网的智能农业的组成部分，以及应用网络架构和协议的使用技术;除此之外，他们还概述了在农业中使用物联网的安全和隐私法规和政策。 他们通过总结这一学科遇到的主要O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7498挑战来结束他们的研究（Farooq等人，2019年）。Feng等综述了无线通信技术在精准农业领域的应用.他们通过定期交流，对现有技术的前景和挑战进行了基准测试Garcia等人概述了智能灌溉的趋势，他们表明数据存储在数据库或云中。在151篇综述论文中，一篇使用Raspberry Pi，18个数据库，53个云，79个是自主开发或未提及的（Garcia等人，2020年）。Navarro等人确定了使用的21个平台在50个不同的用例中，分为5类：人工智能、大数据、机器学习、计算机视觉和其他/未识别（Navarro等人，2020年）。Jayaraman等人提出了SmartFarmNet，这是一个物联网平台，提供轻松的传感器集成，支持可扩展的数据分析，并提出了自己动手的工具来分析和可视化数据（Jayaraman等人，2016年）。Codeluppi等人描述了LoRaFarM，这是一种根据农场的特性和要求进行调制的通用架构（Codeluppi等人， 2020年）。O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7499表2智能农业评论中提到的云平台和数据库摘要水管理植物病虫害作物管理牲畜参考物联网平台ThingspeakFIWARENETPIE乌比多特SmartFarmNETxxxxxXx（Maureira等人，2011）（Rodriguez等人，2018）（NECTEC，2020）（Ubidots，2021）（Jayaraman等人，（ 2016年）Thinger.ioKaa物联网平台XXXX（Luis Bustamante等人， 2019年度）（KaaIoT，2021）IBM Watson IoT PlatformXXXX（IBM，2015年）Microsoft Azure IoT PlatformAT T M2X CloudBlynkMACQUERMESAgrocloudCropInfraSensorCloudXX100x100x100xXXX（微软，2021b）（AT T，2021）（Blynk，2021）（Sigrimis等人，2002）（Granell等人，（2017年）（Kodati和Jeeva，2019）（Pesonen等人，（公司，2020年）LoRaFarMXXX（Codeluppi等人， 2020年）云平台Amazon Web ServiceXXXX（亚马逊，2021年b）IBM CloudXXXX（IBM，2021）Microsoft AzureIntegraXxXXxX（Microsoft，2021a）（Souces和I.，2021年）云数据库DynamoDBMongoDB AtlasFirebaseInfluxDB Cloudxxxxxxxxxxxx（亚马逊，2021年）（Mongo，2021）（Google，2021）（Influxdata，2021）本地数据库MySQLSQLitePostgreSQL/PostGIS阿帕奇CassandaraxxxXX（Oracle，2021）（SQLite，2021）（PostgreSQL全球开发组，2021）（Apache软件基金会，2021a）阿帕奇德鲁伊XX（Apache软件基金会，2021b）对农作物的监测，特别是对它们敏感的农作物，如玉米，至关重要。 DIAS架构（Triantafyllou等人， 2019）使用不同的地面和叶片传感器来实时监测24/24小时的栽培过程。这些数据由LoRaWAN通过IPv6协议和MQTT-SN协议传输到FIWARE代理通过遵循订阅-订阅模型交换的16种类型的消息来管理所有网络设备。FIWARENGSI API监督所有收集信息的消费、订阅和处理及其发布。之后，数据被存储并使用随机森林算法进行分析，该算法允许提取关于作物生长和健康的信息。植被指数：归一化差异指数（NDI），过量绿色指数（ExG）使用PiX4D3图像处理工具计算。基于对象的图像分析（OBIA）用于识别杂草或区分物种。最后，通过Apache Spark大数据分析框架和怀卡托环境（WEKA）数据挖掘专用框架，根据植被指数值、湿度水平和植物发育状态对收集的数据进行分类和评估，以生成报告和预测。决策是农民活动中一项非常重要的任务，但随着数据量的不断增加，他们一方面难以做出正确的农业管理决策，另一方面难以将这些数据转化为实践知识（Zhai et al.，2020年）。另一方面，需要建立农业决策支持系统（ADSS）平台，帮助农民根据证据做出准确的例如，沃森农业决策平台culture将IBM Watson与物联网和云计算相结合，从无人机图像中检测作物病害。还可以优化作物操作的时间，以在交易市场上获得更好的价格。第二个例子是数字农业系统4利用计算机视觉、云计算和人工智能为企业运营提供更好的时机，并在作物感染任何疾病时发出通知。智能灌溉决策支持系统（SIDSS）一方面由一组传感器和一个气象站组成，另一方面是基于两种机器学习算法的DSS偏最小二乘回归（PLSR）用于扣除不必要的变量，自适应神经模糊推理系统（ANFIS）用于最小化目标阈值下的估计误差（Navarro-Hellin等人，2016年）。SIDSS生成灌溉用水量和时间的规划。多机器人感觉-动作系统（Conesa-Munoz等人，（2016年）是空中和地面车辆的规划者，它将任务分配给最合适的工作单位。采用和声搜索算法对无人机的飞行计划进行优化，而对地面车辆采用Meta启发式算法。2.3. 以往文献对智能农业现有评论的分析表明，应用程序使用开源或商业云架构，无论是开发响应其目标的特定架构，还是不描述其存储和处理系统。后者代表了超过一半的论文，这意味着一些处理架构仍然未知，因为它们从未被具体描述和研究过。https://www.pix4d.com/3http://prospera.ag/O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7500此外，架构正在进一步发展的事实可能是商业平台没有完全满足农业4.0的需求。这就引出了我们的研究问题及其各自的动机：1. 哪种存储和处理架构最适合农业4.0应用并解决其特殊性？动机：一方面，专用于或不专用于物联网的通用架构能够解决大量用例，但并不专门满足农业4.0的需求。另一方面，研究人员开发架构来解决用例的特定问题或需求选择合适的架构对于正确实现已识别的用例至关重要2. 通用架构能否满足农业4.0应用案例的需求？动机：农业4.0具有在介绍部分中描述的特定需求，这些需求不能全部由单个经典的通用架构来解决。在农业4.0的背景下比较主要通用架构的优缺点对于强调概念化步骤中的选择非常重要。3. 从研究到产业化的横向估值可能性有哪些？动机：使用架构解决方案，例如，在研究阶段可以免费，但由于许可证限制，用例预算中的许可证成本等原因需要重新实现。在封闭或半封闭生态系统中使用产品是研究评估的障碍。4. 从在云中训练的算法转移到嵌入式或自主产品的垂直估值可能性是什么？动机：云中的大量数据收集允许开发复杂的算法，这些算法需要大量的计算资源来详细说明。之后，它们可以被压缩、减少、优化以便被部署在嵌入式设备中或者被划分并且在设备和计算资源（诸如云、雾等）之间建立协作。为了回答这些问题，对文献的回顾将使人们有可能综合目前使用的不同方法，确定新的趋势，并考虑新的研究路线进行探索。3. 方法为了解决我们的第一个和第二个研究问题，我们实现了一个系统的审查，以确定通用架构和研究人员用于实现具体用例的架构元素的组合。此外，我们还试图确定用于实施农业项目的商业产品和现有服务/平台。3.1. 系统评价方法学通过结合第一组涉及架构的关键词（即云架构、分布式架构、大数据、物联网、物联网）和第二组包含与农业相关的关键词（即农业文化、智能农业、食品、农业食品、精准农业），解决了相关工作部分结尾处概述的研究问题。我们的方法是基于3个连续的步骤：文献识别，阅读文献和信息提取。在第一步中，我们阅读并收集了个人论文的基础上取得了以前的文件。我们回顾并完成了对白人文学的系统调查（全文和会议论文），2016年1月至2020年12月。此外，我们专门针对用英语撰写的论文，并专注于建筑设计。由于物联网的快速发展，我们的文献综述仅限于过去5该系统综述检索自以下主要文献数据库：Scopus（Elsevier）、IEEE Xplore Digital Library、WileyOnline Library、ACM Digital Library和Springer。这些书目数据库的选择范围广泛，涵盖了相关书目和相关先进的文献计量学特征，特别是引文数量从这些数据库中检索到1058篇同行评审文章。筛选后，55篇文章被归类为相关，而其余文章被认为不相关，因此被排除在进一步阅读和分析之外。大量被排除的论文是由于大量论文描述了，即。从未实现过的概念或理论架构，成为一篇文章主题或从未被其他研究团队证明过的我们还丢弃了与大数据和农业部门没有直接关系表3.在第二步中，我们使用Web of Science和Google Scholar将英文灰色文献（报告，博客，杂志和网络项目）纳入我们的综述中。表4.我们丢弃了用英语以外的其他语言撰写的论文，硕士和博士论文，以及从Google Scholar收集的重复文章。之后，我们选取经过仔细阅读的文献，提取研究问题的相关信息。在图1所示的概念框架中分析和总结了所提取的信息。有三种可能的数据处理方法。第一个实时处理数据（图1中由（1）标识的左分支），这一个通常不存储，除了最终特定或例外的数据，以便丰富人工智能算法的训练数据库。例如，机器人使用这种数据处理方式来检查作物，发现害虫，然后消除干预后，数值数据接近零。第二种方式是一种必须尽可能快地处理数据的混合方式。这一个解决了这样的用例，其中所需的延迟必须包含在几毫秒到几秒之间的数据，这在一定的时间段内保存了一个值。后者根据用例数据管理计划来证明其存储的合理性，该计划预测了数据将被聚合然后删除的时间。这种方式由图1上的（2）标识。它解决了必须处理所有数据然后存储以进行最终后处理的用例，例如估计牧场中牛奶质量、美味物种数量等参数的趋势。第三种方式是存储数据的原始格式，而不进行转换（由图1中的（3）标识）。这种方式在不需要实时处理的用例或数据量非常重要的用例上实现，这使得处理变得不可能。在后一种情况下，数据由微服务消费，这些微服务对数据进行采样以获得确切的知识。这种方法也适用于那些价值低或价值很快就失去的数据，以至于没有必要将它们转换为长期存储。例如，UGV识别并消除害虫。昆虫的形象在消除后不再相关3.2. 体系结构比较标准为了比较选定的架构，我们选择了8个标准：(1) 用户接近度表示接近用户的必要性。对于隐私和查询响应时间至关重要的应用程序，此标准非常重要。属性的值为1* 当隐私不重要时;** 当与用户的接近度O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7501表3所用关键词均为系统评价。区域关键词相关概念农业农业，农业电子农业农业食品智慧农业精准农业，精准农业(4) 高吞吐量标准表示体系结构快速处理大量以高频率到达的数据的能力;如果数据主要以规则间隔到达，则使用值 *;如果数据以突发方式到达，则使用值 **， 并且* 如果数据以高频率（>10 Hz）连续到达(5) 可靠性是表示基础设施是否关键的标准，换句话说，基础设施的中断是否会导致生命损失。属性的权重 *，如果网事情物联网，物联网，Internet-of-things数据不是关键数据，体系结构的破坏是次要的或无效的;** 如果是潜在的大数据数据管理数据管理架构云架构，分布式架构表4收集的文献来源数据源URLIEEE Xplore数字图书馆https://ieeexplore.ieee.orgScopushttps://www.scopus.comSpringerhttps://link.springer.com/searchWiley在线图书馆https://onlinelibrary.wiley.com谷歌学术搜索https://scholar.google.com科学网https://publons.com/publonACM数字图书馆https://dl.acm.orgFig. 1. 数据处理的概念框架。对用例的开发来说是可取的，但不是关键的* 当用户接近度是应用程序的基石时。(2) 延迟抖动标准描述了架构具有最小延迟和抖动的重要性。该标准对于需要准（实时）查询的响应时间和/或处理和存储架构的数据生成和摄取之间的时间至关重要的用例尤其重要。(3) 网络稳定性标准翻译的必要性，有一个稳定的网络或中断是否可以容忍。如果实现的用例可以容忍几个小时内没有网络，则使用 *值;如果可以容忍几分钟的中断，则使用 ** 值; * 表示网络的稳定性是用例的基本要素。如果一年发生一次以上，则可造成损害，但可以容忍;* 如果应用程序不能容忍任何会造成不可逆转的损害或人命损失的中断。(6) 可扩展性是一个标准，表示在一年的时间内处理和存储方面的演变规律如果每年必须最多实现一次可伸缩性，则使用权重 *;如果每年最多实现两次可伸缩性，则使用 **;如果每年必须实现两次以上可伸缩性，则使用权重 *。(7) 成本效益标准反映了控制基础设施成本的必要性。随着基础设施在规模和复杂性方面的发展，这一标准更加重要。如果项目将保持相对恒定的规模，并且不需要缩放或大幅修改，则使用 *的权重;如果项目合理地发展，即每年不应进行超过一次的重大修改，则使用 **。如果项目的规模和/或其复杂性需要对成本进行仔细研究，则使用 * 的权重。(8) 维修性标准直接关系到项目的可持续性.如果项目的可持续性不会超过两年，得 * 分;如果项目的生命周期在2 - 5年之间，超过5年得 ** 分，得 * 分。4. 架构表2中总结了许多与农业4.0相关的云架构的出版物，表明人们已经投入了大量的精力来解决与许多用例相关的一系列问题。事实上，智能农业中的物联网应用并不存在通用和独特的架构，以确保所有用例的所有需求。这就是为什么一些研究人员提出了各种解决通用架构特定问题的架构。图2给出了农业4.0组织的全球概况。4.1. 中央云架构中央云架构基于两个基本架构，它们相互关联或结合，以形成现代架构。这两种架构是：批处理体系结构的目标是在离线模式下处理整个数据集对于这种类型的架构，只要数据集的处理没有完成，它就会继续，只有当它到达终点时才会产生结果通常，数据被选择并分配到不同的节点，以便更快地处理。当在所有节点上实现所有处理时，对结果进行排序和聚合以获得全局输出。该架构易于实现，并且通过框架完成聚合，但是处理时间可能很长，并且在处理过程中提取的数据在正在进行的处理结束之前不能被处理此外，还可以增加O. Debauche，Saïd Mahmoudi，P. Manneback等.沙特国王大学学报7502图二、物联网在农业4.0中的全球结构表5批处理架构的优缺点。优点和缺点- 易于实施和维护。- 仅处理以前存储在另一种形式（文件、数据库等）。该处理或另一方面利用流方法，其中每个新数据被立即处理并快速产生输 出 。 这 种 架 构 仅 限 于 数 据 流 处 理 （Miloslavskaya 和 Tolstoy ，2016）。表6.各种数据由不同的领域或动物传感器产生，- 能够实现长期治疗（数小时或天）。- 旧数据的再处理很容易实现。表6实时架构的优点和缺点。- 在治疗结束前不能修改处理。- 结果仅在治疗结束时可用农业4.0的车辆和机器人。之后，这些数据必须一方面以原始状态存储，另一方面以离线方式处理，这样可以实现长时间和复杂的处理。另一方面，数据可以在存储之前通过离线处理、流式处理或这些处理的组合进行处理。根据数据的性质及其随时间的价值损失，存储时间变化很大。离线处理通常用于处理来自UAV、UGV或卫星的图像优点和缺点例如，为了确定光合作用活性，评估树冠发育或可在- 允许快速治疗新的数据到达。- 批处理可以使用微批来模拟，但不是所有的算法都可以实现。-无法实现处理大批量生产。- 旧数据的再处理难以实施。而流处理允许实时地或在农业操作（例如收割、疾病和害虫检测、杂草清除）期间检测动物行为中的异常。在最后这些情况下，数据不被存储，因为它很快- 易于实施和维护。- 实时处理涉及使用估计器，而不是需要太长时间才能计算的精确值。前一批处理，并产生集成处理中的数据的结果。Sallah等人使用批处理架构来更新嵌入在R环境中的AquaCrop模型（FAO）内的数据，以便于模型校准和验证，在单次运行中运行和评估所
我的内容管理
展开
