在本節中，使用開源硬件平臺、基于 Arduino 的微控制器和 ZigBee 開發的分布式 WSN55進一步討論了監測和控制作物生長的關鍵參數，如土壤條件、環境和天氣條件。如參考號6所詳述，這個實驗試驗臺是一個離網式光電（PV）支持的小型智能農場實驗試驗臺，它另外還捕獲能源和水數據。這個實驗項目的主要目標是通過設計一個基于物聯網的農場系統來進一步調查食物、水和能源之間的聯系，該系統將利用太陽能電池板供電的簡單自動化系統，能夠用更少的能源和水生產更多的食物，以解決當前和未來幾個資源短缺的問題。它還旨在通過物聯網和數據分析，推進綜合規劃、政策和管理的目標;通過提供一個用戶友好的界面來跟蹤和控制系統，將從事少數系統不同部門的利益攸關方聚集在一起;以及系統尺寸的靈活性，擴大了用戶群。
如圖5所示，農場原型使用分布式無線傳感器技術，能夠實時監測和測量各種環境參數，如土壤溫度和濕度，以安排精確的灌溉事件。該系統進一步收集實時天氣信息，以盡量減少環境影響，并更好地決定如何管理水和能源等資源。收集的信息可在本地和外部數據庫中找到，用戶能夠使用直觀的移動應用程序檢索信息。移動應用的目的是允許用戶遠程監視或與服務器場基礎結構進行交互。整個系統的設計要求是節能、高性價比和低維護，允許農民/用戶管理他們的農場或花園，無需付出任何努力。該系統目前部署在金融信息庫工程園區，用于開發和測試。部署包括網關、6 WSN 和天氣控制臺。
圖5.具有端到端 IoT 平臺的智能服務器場的實驗試驗臺。
傳感器節點
無線傳感器單元是定制的 Arduino 微控制器，由主功能模塊板和傳感器接口板組成。傳感器板可與各種傳感器連接，以測量土壤水分含量、pH 水平、土壤溫度、葉濕度、環境溫度、太陽輻射、大氣壓力、濕度和天氣參數，包括風向、降水和風速。它使用具有 XBee PRO S2 2.4 GHz 的 ZigBee 協議將傳感器數據傳輸到網關，并在其他節點之間進行通信。傳感器集成和編程可以通過集成開發環境 （IDE） 實現。每個 WSN 都配備 3.7 V、1150 mAh 容量鋰離子電池，用于處理電源問題。
物聯網網關
基于 linux 的網格路由器用作 IoT 網關，其中所有傳感器數據都保存在本地 MySQL 數據庫中。網關支持不同的無線通信協議，但此項目使用 ZigBee 協議與傳感器節點通信。此外，它支持以太網或 Wi-Fi 連接，通過 TCP/IP 或蜂窩連接，可以輕松地將存儲在本地數據庫中的數據同步到外部數據庫。此外，網關還可以將傳感器數據推送到云平臺。網關提供用戶界面應用程序來查看最近捕獲的數據，如圖6 所示。
圖6.具有硬件和連接的智能服務器場原型的 IoT 架構。
服務和云
該網關將傳感器數據推送到 Microsoft Azure 云平臺（一個有限的付費云服務平臺）和 google Firebase（具有大量存儲限制的免費云服務）。云為目標用戶提供了對數據的方便和靈活訪問。它支持服務器場網絡外部的數據訪問、長期應用程序（如裁剪建議）和數據分析。因此，可以通過基于 Web 的應用程序和智能手機訪問來自此智能服務器場系統的數據。
應用
將數據基礎架構擴展到云，此項目的一部分目標是使用移動應用程序對傳感器數據進行實時流。移動應用程序平臺使目標用戶能夠實時了解其服務器場正在做什么，并另外跟蹤有關能耗、灌溉事件和天氣變量的敏感信息。存儲在 IoT 網關本地數據庫上的傳感器數據會不斷同步到位于虛擬機和 Google Firebase 云中的外部 MySQL 數據庫。它已成功實現，可以推送到 Microsoft Azure 云服務。但是，由于存儲限制和成本，谷歌火基被選為此應用程序。移動應用程序 GreenLink 農業目前為 Android 操作系統開發，將來將擴展到 IOS。GreenLink 農業應用的功能總結如下：
- (1)包含土壤水分含量、葉濕度和土壤溫度的儀表板菜單，對灌溉事件的反饋響應至關重要，如圖8 的右側所示。
- (2)深入了解以前收集的實時傳感器數據。這些數據分為五個軌道：天氣數據、土壤數據、產量數據、能量數據和水數據，如圖7所示。
- (3) 數據可視化功能：傳感器數據可視為列表視圖，也可以繪制以深入了解數據中的趨勢和模式。
- (4) 數據分析：使用不同的 ML 技術對作物產量、天氣、能源和水進行預測建模。其最終目標是通過多目標優化上述變量，最終最大限度地提高糧食生產。此外，還將探討能源和水的糧食生產的相互依存網絡。
圖7.智能手機應用程序，以監控和控制智能農場。
圖8.GreenLink農業移動應用程序的高端數據分析框架。
數據分析
該項目的部分目標是使用高分辨率傳感器數據從傳感器數據預測作物產量、天氣和作物質量。此 IoT 解決方案管理田間變化，以提高作物產量、提高生產率和減少農業投入的消耗。數據驅動的物理模型使農民能夠了解其農場的能源和消耗量、消耗和回收了多少水以及產量的質量。長期監測天氣數據將更好地利用時間序列預報模型，可以準確預測未來一天的天氣，使農民具備何時灌溉的決策能力。移動應用程序平臺僅提供此功能，為目標用戶提供在儀表板上安排灌溉時間。傳感器可以進行的測量結果使數據存儲和管理過程不堪重負，但有助于縮小作物數據集中的潛在預測變量屬性。由于該項目正在進行中，數據分析級別處于前一階段，需要完成更多的數據處理和映射。數據分析軌道的研究任務如下： 圖8左圖所示：
- (1)跟蹤和收集來自食品、能源、水基礎設施的數據
- (2)數據預處理以組織、清理和準備數據。此步驟至關重要，因為此項目的性質具有不同的時間、空間尺度
- (3) 不同機器學習算法的建模使用分類和回歸樹 （CART） 模型確定作物產量、很少相互作用和產量質量的潛在預測變量使用自回歸集成移動平均線 （ARIMA） 模型處理所有基于時間序列的傳感器數據在遙感數據中利用深度神經網絡補充WSN數據模型評估
- (4) 升級和修改移動和基于 Web 的應用程序以顯示預測值
該項目為集成的食品、水和能源系統實現了基于物聯網的數據驅動原型。主要目標是使用無線傳感器網絡和物聯網平臺在整個系統中監控和測量三個相互依賴的資源。為了輕松瀏覽數據采集和集成，GreenLink 農業移動應用程序以 Google Firebase 云存儲作為最終用戶設計和實施。這種系統的含義是很多：它推進了目前關于缺乏數據驅動的集成D為數不多的系統的研究挑戰，并探索了人工智能在農業中的應用，并促進了物聯網技術在農業部門的緩慢采用。它通過能夠進行數據集成、可視化和分析的移動應用程序，讓他們直接了解農場的種植方式，從而徹底改變了他們的耕種方式。通過成本可行性分析，原型也可以理想地適用于世界上使用帶儲能的離網太陽能電池板來獲取電力是一項挑戰的地區。71–73毫無疑問，數據驅動的技術可以極大地幫助提高農業生產力。本案例研究為農業提供了一個端到端的物聯網平臺，用于收集、監控各種傳感器，并可通過智能手機和互聯網輕松訪問數據分析框架。
結論
農業與幾個行業一樣，正在經歷數字化轉型。從服務器場收集的數據量呈指數級增長。無線傳感器網絡、物聯網、機器人、無人機和人工智能的使用正在上升。機器學習算法能夠從大量數據中提取有用的信息和見解。本文綜述了過去兩年研究人員與無線傳感器網絡一起經常使用的ML方法。未來幾年，更多高級技術（如分布式（或邊緣）深度學習）的使用。必須利用人工智能來增加農業任務的自動化，提高產量，同時優化自然資源的使用。本文展示了在精密農業生態系統中的多種應用中應用的不同ML模型，包括產量預測、雜草和疾病檢測。審查的工作只關注基于WSN的PA應用程序，其中ML算法是為數據挖掘、預測和自動化目的而實現的。通過將 ML 應用于傳感器數據，服務器場管理系統正在演變為真正的 AI 系統，為要做出的決策和操作提供最佳見解。這句話通過實驗智能農場原型案例研究進一步證明和展示。本案例研究已描述并成功評估了幫助任何人部署 PA 監視應用程序的環境。詳細介紹了體系結構、硬件、通信協議和數據采集基礎結構。介紹了智能手機應用的實現和預測天氣、作物產量和作物質量的后端數據分析框架。
