AGRO：智能农业实时监测与节能决策机制

沙特国王大学学报AGRO：用于实时农业监测Kamila Koteisha，Hassan Harba，Mohammad Dbouka，Chamseddine Zakib，Chady Abou Jaoudeca黎巴嫩贝鲁特黎巴嫩大学理学院计算机科学系b中东美国大学工程和技术学院，科威特c黎巴嫩巴卜达安东尼大学工程学院TICKET实验室阿提奇莱因福奥文章历史记录：接收日期：2022年2022年6月5日修订2022年6月24日接受2022年7月4日在线发布保留字：智慧农业物联网电网架构智能感知决策节能A B S T R A C T如今，农业是粮食的主要来源之一，为大多数国家的国民收入和生计做出然而，在过去的二十年里，农业面临着一些挑战，例如对粮食需求的增加，极端天气条件，气候变化的加剧等，因此，为了克服这些挑战，农业需要通过整合新技术来提高生产力，减少农业成本和浪费。近年来，物联网（IoT）技术的出现引发了一场新的农业革命，称为智能农业。这种技术由一组传感器组成，可以远程监控田间状况，并将有关其状态的实时数据发送给农民进行决策。然而，智能农业受到收集的大量数据的影响，这些数据使农民的决策过程变得复杂，并消耗传感器有限的可用能量。在本文中，我们提出了一个实时农业监测，称为AGRO，机制有效地感知土壤水分的领域，并加强灌溉系统。AGRO将监测区域划分为小区域，称为网格，每个网格分配一个网格领导者（GL）。然后，AGRO由三个阶段组成：智能感知，节能和决策。第一阶段旨在有效地感知土壤水分状况，并向农民更新田间状况的进展，同时减少传输到GL的数据量。第二阶段研究在连续的周期时间期间的场状态的变化，并且允许调整传感器的感测频率，以节省其能量并延长其寿命。最后一个阶段的目的是研究传感器收集的数据在同一个网格，以使农民采取正确的决定，根据预定义的决策表。我们进行了一组模拟，以显示我们的机制在数据减少，节能和准确的决策方面的效率相比，其他现有的技术。©2022作者（S）。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/）。1. 介绍在大多数国家，农业是经济体系的支柱，是主要的生计来源，*通讯作者。电子邮件地址：ul.edu.lb（H. Harb），mdbouk@ul.edu.lb（M. Dbouk），chamseddine. aum.edu.kw （ C.Zaki ） ， chady.aboujaoude@ua.edu. lb （ C. AbouJaoude）。沙特国王大学负责同行审查制作和主办：Elsevier大量的人口。但根据联合国粮食及农业组织（FAO）最近发布的一份报告（Fao，2020），2050年世界需要比2006年多生产70%的粮食。 该估计主要有两个原因：第一，到2050年，人口估计将达到97亿，这就要求在有限的时间内按第二，农业不仅限于粮食生产，还包括家禽、医药、工业等各个部门所需的原 （Farooq等人，2019; Farooq等人， 2020年）。因此，为了满足这些需求，在过去几年中，农业操作中的技术集成正在加速，帮助农民降低成本，提高产量，同时避免不现实的时间和劳动力要求。https://doi.org/10.1016/j.jksuci.2022.06.0171319-1578/©2022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.comK. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7060最近，物联网的出现将把农业运营推向一个新的水平，它一直是以较低成本增加农业生产的推动力。在传感器的帮助下，物联网使农民能够从任何地方获得有关环境和田间条件的实时数据，然后对其工作的每一项操作做出准确和快速的决策，从气候变化到精准农业。例如，通过地下无线土壤传感器，农民可以更好地控制灌溉过程，从而提高水的利用效率。因此，基于农业的物联网解决方案已经得到了农业公司的大量关注，根据最近的报告（Farooq等人，2019; Ummesalma等人，2020年），预计2025年市场份额将达到153亿美元，超过2.25亿台连接设备。实际上，这样的设备可以监测各种农业应用，如水和营养，作物健康，疾病和昆虫，机械等，并帮助提供灌溉，农药，施肥，产量条件和储存等服务。事实上，与传统方式相比，基于农业的物联网，更被称为智能农业，提供了几个挑战。特别是数据管理被认为是智能农业决策者最复杂的任务之一。一方面，需要部署大量的传感器来监测广阔的区域以及对现场条件的连续监测，这导致了大量的收集数据。这些数据大多是冗余的，包含无用的信息。此外，整个采集数据的传输会迅速消耗传感器的能量，这些传感器大多配备有小型电池。另一方面，在这样的网络中收集的大数据将使得在终端用户处做出的数据分析过程和决策在本文中，我们提出了一个有效的机制，称为AGRO智能传感和决策专门基于网格的智能农业网络。AGRO的目标是减少网络中传输的数据量，节省传感器能量，并为最终用户提供优化灌溉系统的决策模型随后，AGRO包括三个阶段，代表了本研究的贡献如下：智能传感阶段提出了一种基于土壤类型和收集数据之间存在的冗余的传输模型，以增强数据传输到GL。节能阶段，引入新的采样自适应模型，允许传感器根据监测的现场条件的变化来调整其感测决策阶段提出一个决策模型，允许农民根据网格中所有传感器收集的汇总数据分别为每个网格做出决策本文的其余部分组织如下。第二节总结了智能农业中的数据约简和决策技术。在第3节中，我们介绍了我们的机制中使用的网络架构。第4在第7节中，我们详细介绍了模拟环境并讨论了所获得的结果。最后，第8节总结了我们的论文，并给出了一些观点。2. 相关工作目前，研究人员正专注于数据减少，节能和决策方法，以处理智能农业中产生的大数据（Shamshiri等人，2020; Khoa等人，2019;Mekala和Viswanathan，2019; Khanna和Kaur，2019）。随后，这种方法的目的是研究模拟-收集的数据之间的不一致性，消除现有的冗余，并向终端用户提供有用的信息，以便做出适当的决定。 作者Ayaz et al. （2019）对智能农业中使用的各种传感器设备和通信技术进行了调查，而Jawad等人（2017）的研究人员对该领域文献中提出的不同能源效率和决策技术进行了概述。Pandiyaraju等人（2020）、Khelifi等人（2020）、Popescu等人（2020）、Bahi等人（2012）、Liang和Li（2014）、Keswani等人（2019）、Gómez等人（2019）、Haseeb等人（2020）和Keswani等人（2019）的作者。（2019）致力于减少传感器级数据传输的大小，以节省能源并确保对现场区域的长时间监测。在Pandiyaraju et al. （2020），作者提出了一种节能路由协议，以便为灌溉系统提供数据拟议的协议分为三个阶段。第一阶段的目标是将监测区域划分为地形。第二个选择一个簇头为每个地形使用的模糊规则，以适应剩余的传感器能量和到汇的距离。最后一个阶段的目标是选择一组中继节点来执行节点和sink之间的数据传输。 作者Khelifiet al. （2020）介绍了一种用于测量农田空气和土壤湿度的新型大气传感器。然后，提出了一种基于区域的路由算法，允许一个有效的数据收集从传感器根据两个度量：剩余能量和节点之间的距离。 在Popescu et al. （2020），提出了一种基于无人机（UAV）和传感器网络协作的精准农业作物监测机制。在所提出的机制中的数据收集方案是根据以下步骤执行：首先，提出了一个基于簇的方案，分组相邻的传感器成簇，并为每个簇分配一个簇头其次，在每个传感器处应用基于最小值和最大值提取的数据聚合方法，以减少其到CH的数据传输第三，路径规划策略的目的是收集数据的CH。最后一步引入边缘-雾-云计算算法来处理汇聚节点处的数据 在Bahi et al.（2012），提出了专用于周期性传感器应用的两级节点机制。首先，作者提出了一种局部聚合方法，以消除冗余数据收集的传感器。然后，在CH层引入一种称为前缀频率滤波（PFF）的网内数据缩减.PFF允许CH使用Jaccard相似性函数来查找同一集群中相邻节点收集的数据之间的相似性。最后，Liang和Li（2014）的作者提出了一种高效且鲁棒的压缩方法，称为顺序无损熵压缩（S-LEC）。S-LEC使用差分预测器，该差分预测器将整数残基的字母表对于每个组，分配两个代码：熵和二进制代码。第一个代码指定组，第二个代码表示组内的索引Torres等人（2020）、Mekala和Viswanathan（2020）、Sekaran等人（2020）、dos Santos等人（2019）、Lavanya等人（2019）的作者（2020），Bu和Wang（2019）以及Dewi和Chen（2019）提出了帮助农民监测其田地的决策策略。 在Campoverde et al. （2021），作者介绍了一个基于物联网的系统，使农民能够管理他们农场的灌溉过程。该系统通过一套Raspberry PI和Arduino设备监测土壤水分和蒸散参数，然后通过基于强化学习和马尔可夫决策过程的决策模型进行水分控制。作者De Rango et al.（2019）提出一个生物启发的协调协议，将新技术纳入农业管理。这些新技术包括使用无人驾驶飞行器、飞行Ad-Hoc网络以及传感器和执行器。亲-●●●K. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7061ðÞ提出的协议旨在管理和协调这些新技术，以支持农业人类操作员。在Torres等人（2020）中，作者提出了一种由三层组成的称为Hydra的多级数据融合架构。在传感器节点处引入数据融合方法的低级别阶段;在发生预定义事件时向农民发出关于一组预定义事件的警报的中级阶段，以及使用多个数据应用的决策融合技术的高级阶段。此外，Hydra还开发了两种应用：土壤湿度监测和植物水分蒸发。Mekala和Viswanathan（2020）的作者提出了一种基于选择传感器机制的决策系统，用于监测土壤温度、湿度以及空气和水质。首先，该系统定义了监测区域所需的传感器的最佳数量，然后介绍了两种方法，例如：a t;n和农艺学函数，以分别评估植物生长和产量率在Sekaran et al. （2020），作者提出了一个框架，将物联网和云结合起来，以提高农业领域作物的生产力。该框架提供了放置在作物中的收集数据的实时最后，dos Santos等人提出了一个结合LoRa物联网技 术 和 ARIMA 预 测 的 AgriPrediction 框 架 。 （ 2019 年 ） 。AgriPrediction构建了一个预测引擎，旨在主动避免潜在的作物歉收，并通过中短沟通通知农民尽快采取补救措施。事实上，致力于智能农业的拟议工作是它们大多为这些领域中存在的各种挑战提供了有效的解决方案。然而，它们中的大多数遭受几个缺点：1）局限性，其中所提出的技术旨在优化这样的域中的一个度量而忽略其他度量，这并不总是有效的。2)非泛化，即所提出的方法或模型专用于农业中的特定应用，不能推广到其他应用。3)复杂性，不适合有限的传感器资源。本文提出了一种新的节能决策机制AGRO。AGRO提出了一个完整的解决方案，从数据收集到农民做出决策。随后，AGRO是一个多层机制，它依赖于一组算法和技术来克服每一层的挑战。3. 智慧农业设计系统在智能农业中，传感器部署是配置网络之前的第一个基本操作 这可以以确定性的方式完成，在小区域的情况下通过人或机器人，或者以随机的方式，通过飞机或火箭，对于广泛的农业区域（Tzounis等人，2017年）。然后，在确定传感器部署模式之后，网络配置过程开始于为给定应用选择合适的网络架构，然后选择监测现场条件所需在接下来的部分中，我们将详细介绍基于网格的体系结构和我们的机制中采用的周期性收集模型。3.1. 网格架构在我们的机制中，我们将整个农业领域划分为称为网格的小区域，每个网格包含一组传感器，以持续监测网格内的土壤湿度（图1）。根据田间要求，农场主负责确定每个网格尺寸和所需数量部署的传感器。此外，为每个网格分配一个网格领导者（GL），负责从网格内的所有传感器收集数据并将其发送到接收器。反过来，接收器将数据转发到移动应用程序，允许农民了解每个网格的情况。在电网需要水的情况下，农民可以操作泵通过其数字阀来灌溉这样的电网。因此，农民可以通过灌溉整个田地来避免水的浪费。为了简单起见，我们假设，在我们的架构中，传感器GLs和GLs/sink之间的单跳通信。在这项工作中，实时地转海洋学阵列在网格架构的几个层面上工作，例如传感器，全球激光器，汇/移动应用。3.2. 用于现场监测的周期感测模型在选择网络架构之后，传感器设备开始感测目标田地并向农民更新其实际情况。事实上，我们通常可以区分传感器的三种类型的数据收集：按需、事件驱动和基于事件的（Harb等人，2014年）。在这项工作中，我们感兴趣的是最后一种类型的数据收集，这是智能农业中最常用的模型之一。在这种模型中，定期收集数据并发送给农民，这适用于大多数农业应用（Ibrahim et al.，2019年）。在数学上，在周期性场监测中，每个周期p被划分为时隙。在每个时隙t，每个传感器节点Ni捕获新的读数r i ， 则它在p的结尾处形成F读数的向量，如下所示： . ;rFg. 之后，传感器将发送其向量数据，例如Ri，到其适当的GL。出于分析目的，我们在 我 们 的 机 制中 ， 假 设 每 个 传 感 器 的寿 命 被 划分为一 组 轮 次 ，D1/4/2D1;D2;. . ;Dd]，其中每个轮Di2D由P个周期的集合组成。4. 智能感知阶段实际上，周期性感测模型导致大数据的问题，其以若干方式影响网络，例如，增加复杂性研究、消耗网络能量、路由过载、增加拥塞等（Harb等人，2017年）。此外，由于农业应用中存在的时空相关性，这些数据大多是冗余的。因此，为了克服这些挑战，每个传感器发送到GL的周期性数据量应该在本地减少，这主要可以通过消除所收集的读数之间存在的冗余来完成。在我们的机制中的第一阶段，例如智能感测阶段，旨在减小在向GL发送之前由每个传感器收集的读数集Ri的大小。该阶段首先根据土壤类型定义评分表，然后提出每个传感器与其GL之间数据传输4.1. 评分表由传感器收集的土壤湿度读数高度依赖于传感器所实施的土壤类型事实上，重土比轻土需要更多的水，但它比最后一秒更能保存灌溉水。一般来说，我们区分三种土壤类型：粘土，壤土和沙质。其次，砂质土壤是轻的，苛刻的，舒适的和低营养素;粘土是一种重土壤类型，冬季潮湿寒冷，夏季干燥温暖，营养素高;壤土是砂，淤泥和粘土的混合物因此，为了减少从每个传感器发送的数据的大小，我们定义了一个表，称为评分表，这是基于每种土壤类型的特性评分表是用于测试植物是否需要根据土壤类型进行灌溉的指南（表1）。该表需要K. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7062ð Þ ¼ ðÞ þ我12FFig. 1.基于网格的智能农业网络体系结构。表1分数表。土壤状况算法1显示了我们的传输模型周期性地应用于每个传感器的过程该算法获取在一段时间内收集的读数集合，并返回减少的读数集合，例如，土壤类型无需冲洗就需灌溉灌溉是必须的粘土半80;100] 半60;80半<60壤土½88;100]½70;88½70桑迪半90;100]半80;90半80得分0 1 2R0i，以便在期末发送到GL。 该过程开始于将在时段r1中收集的权重为1的第一读数添加到最终读数集合（第1-2行）。然后，确定此阅读的分数，并将它们分别视为当前阅读和分数，并与下读数。之后，将Ri中的每个读数与当前1，它被加到R0i当且仅当它的得分不同于土壤类型以及土壤湿度值，然后它决定了土壤状况的灌溉水平（不需要灌溉，需要灌溉，灌溉是必须的）。随后，土当前位置（第4-9行）。否则，场被认为处于稳定状态，并且所收集的读数从Ri中移除，同时将当前读数的权重加1（第10湿度值始终在½0;100]，越接近值土壤对水的需求减少到100，反之亦然。例如，如果粘土中记录的土壤湿度值在80和100之间，则土壤富含水，现在需要冲洗。 为了简单起见，我们算法1：数据传输算法。要求：节点：Ni，周期：p，读数集：R¼fr;r;. ;r g.将土壤状况替换为范围为1/20的分数;2]，以解释土壤水分灌溉水平。因此，对于R i中的每个读数r j，我们根据分数表计算其分数s j，然后，我们形成R i的分数集Si，如下所示： . ;sFg.4.2. 数据传输模型基于评分表，我们提出了一个有效的数据传输模型，它有两个方面：第一，它减少了从每个传感器发送的周期性数据量，第二，它确保了最新的信息有关的字段状态的农民。我们的想法是在Ri中搜索连续土壤水分读数之间的相似性，然后只发送那些具有不同分数的读数。随后，可以通过定义权重变量W来保持所发送信息的准确性，该权重变量W指示具有相同分数的连续读数的数量的确保：发送读数集：R0i。1：rc<$r1//rc为当前土壤湿度读数2：R0i<$frc;1g3：认为sc是rc4：对于每个读数rj2Ri，其中jP2为5：假设sj是rj的得分6：如果sj7：R0i←R0i[frj;1g8：rc<$rj9：sc¼sj10：其他11：WrcWrc112：如果结束13：结束14：返回nR0iK. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7063¼½½半]2fgXX图二.传感器处的数据传输模型的说明性示例图2示出了传感器节点处的数据传输模型的说明性示例。Ri表示在大小为12的时段（例如F12）期间收集的土壤湿度读数集。然后考虑到砂质土壤类型，根据评分表计算每个读数的评分值。最后，算法1通过在每次检测到土壤类型的变化时选择第一读数来应用，同时计算权重值。5. 节能阶段在智慧农业中，传感、处理和传输是每个传感器的三大主要功能关于能量消耗，与其他操作相比，数据传输在消耗传感器电池功率方面是成本最高的操作因此，为了节省传感器能量并延长其寿命，传感器应减少其向GL的数据传输这可以通过最小化收集的数据量来完成，例如减少周期大小（F）。在这一阶段，我们提出了一个自适应采样模型，允许传感器根据监测的田间条件和土壤类型的变化来调整其数据我们的模型是基于在一个回合中收集的读数之间的相似性，通过使用Jaccard系数函数。5.1. 利用Jaccard系数的如前所述，传感器的寿命被划分为一组循环D，其中每个循环u由P个周期组成，例如，u/2/2P1;P2;. . ;PP]。因此，传感器在每一轮中收集一组读数集R，如下： . ;RP]。 因此，对应于R的分数集合的集合被定义为S1;S2;。 . . 其中Si对应于Ri。然后，我们在每一轮中搜索阅读集之间的相似性，例如。 R，利用Jaccard系数研究了监测场的动态性。在根据以下等式计算R中的相似性之前，让首先定义在时段p2 u期间分数si的重力G i，其中si21/20;1;2]：你可以改变在半0：7;1]。 第二水平指示中场动态性，其中Yu以0：5; 0：7变化。第三个级别表示低动态性，其中字段变化缓慢，并导致轮中收集的数据之间的高冗余级别;在这种级别中，Y u的值在1/20;0：51/2中变化。5.2. 自适应抽样模型在本节中，我们提出了一个自适应采样率模型，该模型允许传感器根据两个参数来调整其感测频率：场动态和土壤类型。随后，我们的模型基于以下规则：首先，当检测到数据之间的高相似性水平时，传感器必须降低其感测频率以避免收集冗余读数。其次，在高场动态的情况下，传感器应该收集更多的数据，以避免错过重要信息，并保持对场的快速变化的更新。因此，传感器最大化其采样率并使其适应初始周期大小，例如F。第三，传感器的采样率必须考虑土壤类型，以计算下一轮的新传感频率。事实上，土壤类型在土壤水分水平和田间动态中起着至关重要的作用。例如，砂质土壤以每小时2英寸的速率吸水，而粘土以每小时小于1=4英寸的速率吸水，壤土以每小时1=4英寸至2英寸的速率吸水。因此，砂性土壤比其他土壤更能吸水，而粘性土壤比其他土壤更能保持水分。采样自适应表（缩写为SAT，如表2）示出了由传感器做出的调整其采样率的决定。随后，根据三个阈值系数Ck;Lk和Sk来确定新的传感频率，其中kl;m分别与土壤类型（例如粘土、壤土和砂）相关。字母l和m分别表示低场和中场动态性，其中系数由专家确定并且取值为0; 1;值越接近0，采样率越小，并且值越接近1，采样率越大。如前所述，当检测到高场动态性时，感测频率适于初始周期大小F。此外，系数阈值由专家根据应用要求关于以下规则来定制：CICm;LILm和SISm。<<<5.3. 节能算法Gi¼F1第1页j¼ið1Þ算法2示出了在每轮结束时应用于每个传感器的节能阶段中的采样率自适应过程。主要是，该算法将收集的读数集其中重力指示在给定时间段内具有相同分数的读数的数量。之后，基于Jaccard系数计算轮u期间的场动态性Yu（Jain等人，2020年）如下：2在一个回合中，随着土壤类型和初始周期大小，然后，它计算新的采样率基于SAT表。该过程开始于基于等式计算每个阅读集中的分数的比重。1并添加到空集合G（第2-10行）。在此之后，基于以下计算轮的场动态性：你的R1\R2\... \RPmin ∈Gk1;Gk2;. . . ;GkPk¼0ð2Þ在Eq。2（第11行）。最后确定新的采样率j R1[R2[. [RP j2P×F-min=Gk1;Gk2;.. . ;GkPk¼0表2采样自适应表（SAT）。其中G kj 是分数s k属于集合S j和Yu的重力总是以1/20;1为单位给出值]。场动态性土壤类型低中高然后，我们根据我们区分了三个动态水平。第一级指示高场动态性，其中所收集的读数在该轮中快速变化;在该级中，粘土Cl×FCm×F F壤土Ll×F Lm×F FSandySl×F Sm×F FXK. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报706400FG←[fgXJJX根据SAT，给出土壤类型和计算的动态（第12算法2：节能算法。要求：节点：Ni，舍入：u，读取集的集合：R1;R2;.. . 土壤类型：O，SAT系数：Cl;Cm;Ll;Lm;Sl;Sm。确保：新采样率：F。1：while（能量>0）do2：G←£3：对于每个读数集Ri2Rdo4：Gi←£5：对于j/40至2，6：计算Gji7：Gi←Gi[fGjig8：结束9：G GGi10：结束11：计算G的Yu12：F0 ¼SAT（SAT系数，O，Yu）13：返回F14：结束时6. 决策阶段我们机制的最后一个阶段允许农民定期决定是否对田地上的每个网格进行灌溉。事实上，决策阶段在两个网络端工作：GL和Sink。在从每个网格中的所有传感器接收到读数集之后，GL确定每个传感器收集的读数的关键性级别，一旦接收器接收到网格中所有传感器的关键性，它将它们组合在一个信息中，并通过移动应用程序将每个网格的全局决策发送给农民。在接下来的章节中，我们详细的临界性每个传感器在的GL和网格高传感器临界性或16Ci<1：6：这表明田地进入临界状态，需要农民进行连续监测。极端传感器临界性或CiP 1：6：在这种情况下，田地需要立即灌溉，否则可能会发生工厂浪费。基于上述分类，GL在每个周期结束时将所有传感器的id及其计算的关键度发送到接收器。6.2. 汇点决策模型在接收到每个时段的所有传感器关键性之后，接收器确定每个网格的合适决策，并将其发送给农民。事实上，决策模型应该考虑网格中整个土壤湿度读数的关键性，而不仅仅是其中的一个子集这是因为相同网格中的传感器具有大多数不同的关键性水平，因此，考虑传感器的子集可能导致错误的决策。例如，假设一个网格包含五个传感器，其中两个传感器指示极端临界状态，其他传感器收集低临界读数。因此，如果采取灌溉决策，则这可能导致水中的浪费，而如果水槽仅考虑低临界传感器，则可能发生植物中的损害。在我们提出的模型中，我们在网格中的整个传感器的关键性和水的消耗之间进行权衡。这是通过定义一个新的指标称为网格临界度，表明土壤水分读数在整个网格的基础上所有传感器的临界水平。随后，可根据以下三个步骤计算接收器为从GL发送的每个传感器关键性分配系数，如下所示：0表示低，1表示中等，2表示高和3用于极端传感器临界性。● 计算所有传感器关键性的加权平均值，表示网格i的网格关键性，例如，Gi：3;fl;m;h;eg决策模型在水槽。6.1. GL的临界土壤湿度水平Gi¼kX¼0;q k×jNqjð4Þ假设GL在周期p接收到以下读数集：R01;R02;.. . ;R0ng，其中n是传感器的数量其中jNqfl;m;h;egNQQ是具有低，中等，在那个网格里。我们的目标是确定土壤然后，根据每个传感器收集的读数测量湿度，将其发送到水槽，用于稍后的全局网格决策。因此，对于每个读集R0i=1;Wi=1;W i=2;Wi=2 。 . 在周期p期间由传感器Ni收集的传感器临界值，GL计算传感器临界值。22f;; ;g分别是高临界和极端临界接收器基于计算的网格临界值分配网格状态，如下所示：8>正常;如果Gi60：8基于加权得分平均值的Ni的城市指数Ci如下：Xsk×Wsk网格状态¼重要;如果0： 8Gi6 1： 4<>：重度;如果Gi>1：4ð5Þ联系我们Ws kk¼0ð3Þ然后，我们定义一个决策表，允许接收器决定关于灌溉过程需要采取的行动，其中sj是读数rj2R0i的得分，Wsj是其权重。因此，GL将传感器的传感器关键性指数分类为：分类为以下类别之一：低传感器临界值或Ci<0：5：这表明传感器收集的所有读数均在正常土壤湿度范围内。中等传感器临界性或0： 56Ci 1：在这种情况下，注意到监测区域的变化，但不需要立即进行田间灌溉。<表3决策表。土壤类型网格状态粘土壤土桑迪正常don’tdon’tdon’t显著性百分之四十百分之五十百分之六十严重百分之七十百分之八十百分之九十灌溉指标5小时/ 1英寸2小时/ 1英寸0： 5小时/1英寸●●●●2●●K. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7065通过移动通知提醒农民。表3给出了我们的机制中提出的决策表，该决策表考虑了三个输入：土壤类型、网格状态和灌溉指数;灌溉指数是使用的农业指标测量根据土壤类型灌溉植物所需的水量，例如每英寸小时。决策表中所示的灌溉指标值几乎是固定的，由农业工程师为每种土壤类型确定。因此，基于这三个输入参数，我们的机制决定在每个网格打开数字阀所需的时间百分比，灌溉指数值。然而，在这项工作中，百分比年龄值是根据土壤特性固定的，但它们可以根据应用要求进行定制7. 仿真结果在我们的模拟中，我们使用了农业研究服务（Brown，2017）和巴西半干旱地区（Zeri等人，2020年），以评估AGRO的绩效。主要是，这两个数据集分别包含2007年至2016年和2015年至2019年期间的土壤湿度，体积含水量和体积电导率读数。在第一个数据集中，数据是通过42个传感器收集的，这些传感器安装在42个位置的5个不同的土壤深度（30和150厘米）穿过库克农艺农场。同时，在第二个数据集中，数据是通过在巴西州不同位置实施的360个节点收集的，深度在0： 1到0： 4米之间变化。此外，Cook Agronomy农场的土壤主要为壤土，而巴西州则有多种土壤类型，特别是砂质和粘土。不幸的是，由于两个数据集中存在缺失值和噪声数据，我们试图在执行模拟之前过滤和清理数据。因此，模拟中采用的情景描述如下：20个传感器的数据来自Cook农场，例如壤土，40个传感器收集的数据来自巴西州; 15个传感器用于沙土，25个传感器用于粘土。传感器分布在三个网格中，如下所示：第一个网格包含部署在壤土中的20个传感器。第二个网格包含15个部署在沙土中的传感器。第三个网格包含部署在粘土中的25个传感器每个传感器从其相应的文件中读取数据，然后将其发送到在我们的模拟中被视为网格领导者的基站。对于砂质、粘土和壤土土壤类型，网格领导分别被称为GLs、GLc和GLl。我们将我们的结果与用PFF获得的结果进行了比较（Bahi等人，2012）和S-LEC（Liang和Li，2014）。在我们的模拟中调整的参数值如表4所示。7.1. 实地情况研究图图3显示了前10个时间段内分别对应于粘土、壤土和砂土的三个随机传感器收集的土壤水分读数的计算得分。结果表明表4模拟环境。图三. 根据阅读成绩的百分比现场情况。砂质土壤的得分比壤土和粘土的得分变化更大;这是由于砂质土壤比其他土壤类型吸收水分更快的特性。我们还观察到，在粘土和壤土中，土壤状况大多数在0分（不需要灌溉）和1分（需要灌溉）之间变化，而很少有读数为2分（必须灌溉）;这是因为农民在定期灌溉土地时没有考虑土壤状况，导致浪费水的消耗。七点二智能传感相的性能研究参数符号值期间大小F50，100，250图 4，我们显示了从每轮周期数P2、3在三种土壤类型中，每个传感器在每个时期对GL的影响。所得到的结果是高度依赖于周期的大小沿SAT阈值Cl;CmLl;LmSl;Sm0： 2，0： 5 0： 3，0： 6 0： 4，0： 7土壤类型。我们表明，AGRO优于PFF和S-LEC方面，减少数据传输率从感测，●●●●●●K. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7066在所有情况下分类。随后，与PFF相比，它减少了粘土，壤土和砂土中传输数据的80%;73%和70%，与S-LEC相比减少了87%;81%和82%此外，AGRO的结果显示了以下观察结果：发送的读数的百分比随着周期大小的增加而减少这是因为在长时间内，分数的变化将比收集的读数的变化减少得少。在砂土中的数据传输率大于粘土和壤土。这是由于沙地土壤湿度变化快，与其他土壤类型相比，增加了发送到GL的读数数量（见图3）。当监测条件变化缓慢时，AGRO比其他技术给出了更好的结果，例如。粘土类的情况7.3. 节能相在本节中，我们研究了我们的机制中提出的节能阶段在减少数据收集量方面的性能 图图5示出了当改变周期和圆形尺寸时，在各种土壤类型中每个传感器的数据感测比率。所获得的结果表明，节能阶段允许每个传感器显着减少其在每个周期收集的数据量;这证实了AGRO在消除所收集的读数之间存在的冗余方面的行为，并允许使采样率适应田间条件的变化此外，以下意见值得注意：粘土传感器比其他传感器收集更少的数据，而沙子传感器比其他传感器收集更多的数据。随后，我们观察到，与其他土壤中的传感器相比，粘土中的传感器收集不到48%的数据。这是因为粘土土壤条件变化缓慢，并且包含高水平的数据冗余，因此，传感器降低其采样率以避免发送冗余信息。同时，沙质土壤条件变化很快，因此传感器必须收集更多的数据，以跟踪田间状态的变化通过减小周期大小，传感器在所有土壤类型中收集的数据较少。这是因为连续周期中读数之间的相似性随着周期大小的减小而增加。数据感知率随轮数的增加而降低。这是由于Jaccard系数的相似性随着比较集的数量增加而降低。见图4。 每个传感器的数据传输率图五、 每个传感器的数据感测比率●●●●●●K. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7067另一方面，Fig. 图6呈现了根据轮数进程的三个随机传感器的采样率自适应的说明性示例。所获得的结果证实了图1中的观察结果。首先，在所有土壤类型中，每个传感器的感测频率在每轮之后被动态地适配。第二，由于高（或低）的冗余水平，粘土（或砂土）的采样率比其他土壤适应性更低（或更高）。7.4. 决策阶段图 7.研究了GL节点在10个时段内对所有土壤类型确定的传感器临界值的分布。我们将周期大小固定为100个读数，将舍入大小固定为2个读数。结果表明，不同土壤类型的土壤水分变化规律不同例如，在第五时段，由传感器收集的读数在砂土中的大多数具有高临界度，而在粘土和壤土中的大多数分别具有低临界度和中等临界度。我们还可以观察到，同一土壤类型内的传感器在同一时期可能具有不同的临界水平这可能由于网格的大尺寸或网格的某些区域中的人工障碍物而发生此外，结果表明，监测领域并不总是需要灌溉时，很少检测到的临界读数或浪费的水消费将发生。根据图的结果。 7，Fig. 图8示出了在汇聚节点处做出并通过移动应用发送给农民的决定。y轴显示网格状态，其中1、 2和3分别表示正常、显著和严重（见等式10）。5）。结果揭示了我们的机制中提出的决策阶段在为农民提供合适的实时决策方面正如预期的那样，该图显示了粘土和壤土的几乎相似的决定，而砂质土壤则略有不同。这是由于砂质土壤吸水率变化较快。因此，AGRO中提出的决策表将允许减少用水量，以最大限度地减少农场成本和资源。7.5. 数据准确性研究在本节中，我们的目标是研究AGRO在保持发送给农民的信息完整性方面的准确性事实上，数据准确性是智能农业中应该研究的一个重要指标，因为它有时会导致错误的决策，从而浪费水和资源。图9示出了在应用智能感测阶段之后由三个传感器收集的原始数据以及相应的发送读数。首先，我们观察到读数是高度冗余的，其中粘土的读数在1/27 2：1 5;8 5：1]内变化，壤土的读数在1/276：7 5;9 3：2]内变化，砂土的读数在1/27 7;9 6]内变化。然后，由于智能传感阶段，图7.第一次会议。传感器临界值，F¼100;P¼ 2。见图6。根据轮进程的采样率自适应的特定场景，F1/4100;P1/4 2。图8.第八条。 在水槽处做出的决定，F/300; P/2。K. Koteish，H. Harb，M. Dbouk等人沙特国王大学学报7068图9.第九条。原始数据与发送读数，F¼50;P¼ 2。传感器在每个周期中选择几组指示读数分数变化的读数，例如字段状态，以发送到GL。这可以高度保持发送信息的完整性，同时减少数据传输8. 结论和今后的工作随着农业需求的不断增长，未来几年，智慧农业的投资将越来越受到政府、企业和个人的关注因此，以一种农民能够使用数据来增加产量并做出更明智决策的方式将农业世界数字化在本文中，我们提出了一个智能传感和决策机制，称为AGRO，有效地监测农业，并帮助农民灌溉田间区域。基本上，AGRO将监测领域划分为网格，然后提出了三个阶段的机制;智能传感阶段，旨在减少每个传感器传输的周期性数据量节能阶段允许根据田间动态和土壤类型调整每个传感器的感测频率决策阶段，帮助农民根据定义的决策表为每个网格做出决策通过一组模拟，我们证明了我们的机制在减少数据传输，节省传感器能量和提供一个合适的决定相比，其他提出的技术的作为今后的工作，我们有三个主要方向来加强我们的机制。首先，我们寻求进一步减少我们的机制中的数据传输，考虑到相邻节点和传感器的剩余能量之间的时空相关性其次，我们计划添加一个调度策略，以便将每个网格中的一些传感器切换到睡眠模式，这样我们就可以延长传感器的寿命。第三，我们试图增加一个传感器的连续传输之间的移相，以减少网络中的拥塞，并最大限度地减少数据包丢失。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Fao，F. 例如，2020年。粮食和农业的未来：趋势和挑战。 年度报告，1-180。Farooq，M.S.，里亚兹，S.，Abid，A.，Abid，K.，Naeem，文学硕士，2019年。物联网在农业中对实施智能农业的作用的调查。IEEE Access 7，156237- 156271。Farooq，M.S.，里亚兹，S.，Abid，A.，Umer，T.，Zikri