DOI: https://doi.org/10.1371/journal.pone.0319268
PMID: https://pubmed.ncbi.nlm.nih.gov/40100906
تاريخ النشر: 2025-03-18
المؤلف: Gourab Saha وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نظامًا متكاملًا قائمًا على إنترنت الأشياء (IoT) مصممًا لتعزيز الزراعة الدقيقة من خلال التقنيات المتقدمة، مع معالجة الطلب المتزايد على الغذاء العالمي في ظل التحديات مثل تدهور التربة وتغير المناخ. يتضمن النظام المقترح رسم خرائط زراعية، وتعلم الآلة، والمنطق الضبابي لتحسين اختيار الأراضي والمحاصيل، بالإضافة إلى ممارسات الري. باستخدام صور الأقمار الصناعية متعددة الطيف من Landsat-8، تستخرج الدراسة مؤشرات حيوية هامة – مثل الغطاء النباتي، والمياه، والملوحة – من خلال تجميع K-means. حققت توقعات إنتاج المحاصيل دقة عالية بلغت 93.49% و95.87% باستخدام الانحدار الخطي وغابة عشوائية، على التوالي، بينما يتنبأ نموذج الذاكرة طويلة وقصيرة الأجل (LSTM) بمناطق الغطاء النباتي الصحي بمرور الوقت.
يستخدم النظام حساسات إنترنت الأشياء لمراقبة معايير التربة، مما يسهل توصيات دقيقة للمحاصيل والأسمدة، حيث حقق خوارزمية الغابة العشوائية دقة ملحوظة بلغت 97.35%. بالإضافة إلى ذلك، تم تطوير نظام ري يعمل بالطاقة الشمسية يعتمد على المنطق الضبابي، مما يظهر معدل معايرة أسرع بنسبة 66.23% وتقليل في استخدام المياه بنسبة 61% مقارنة بالطرق التقليدية. لا تعمل هذه المقاربة الشاملة على تحسين استخدام الموارد فحسب، بل تعزز أيضًا الممارسات الزراعية المستدامة، مما يبرز إمكانية دمج التقنيات الذكية لمعالجة التحديات الزراعية الحديثة بشكل فعال.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للزراعة في إنتاج الغذاء والتنمية الاقتصادية، مع التأكيد على الحاجة إلى تقنيات اختيار ميزات متقدمة لتعزيز التجميع في الأبحاث الزراعية. تُعتبر تقنيات الاستشعار عن بعد، بما في ذلك الأقمار الصناعية والطائرات بدون طيار، والحساسات الأرضية، أدوات أساسية لمراقبة نمو المحاصيل، وتوقع العوائد، وتسهيل الزراعة الدقيقة. تحسن التطورات في تكنولوجيا الحساسات والحوسبة السحابية بشكل كبير من دقة جمع البيانات، وهو أمر حيوي لمراقبة جودة التربة بشكل فعال.
تم الإشارة إلى عدة دراسات، تُظهر أساليب مبتكرة لإدارة التربة والمحاصيل. على سبيل المثال، طور مادهومايتي وآخرون نظام مراقبة التربة في الوقت الحقيقي باستخدام عدة حساسات لتقييم معايير مثل مستوى الرطوبة والمواد الغذائية، مما يساعد المزارعين في تحسين تطبيق الأسمدة. قدم باليفيدا وآخرون حساس لون لتقدير خصائص التربة من خلال قيم RGB، بينما أجرى إسحاق وآخرون تحليلًا مقارنًا لنماذج تعلم الآلة لتوقع المحاصيل بناءً على جودة التربة. علاوة على ذلك، تناقش المقدمة دمج إنترنت الأشياء والتعلم العميق في أنظمة الري، مثل نموذج DLiSA، الذي يستخدم شبكة الذاكرة طويلة وقصيرة الأجل (LSTM) لإدارة المياه بكفاءة. كما تم ذكر نظام AgriSens كحل جدولة ري ديناميكي يعزز إنتاجية المحاصيل من خلال إدارة الري الآلي عن بُعد. بشكل عام، تؤكد المقدمة على الإمكانيات التحويلية للتكنولوجيا في الزراعة الحديثة.
الطرق
تقدم الدراسة نظام زراعة دقيقة يتضمن بنية تحتية ذكية لإنترنت الأشياء (IoT). تم تصميم هذا النظام لتعزيز الممارسات الزراعية من خلال دمج تعلم الآلة (ML) وأنظمة التحكم بالمنطق الضبابي. تشمل الوظائف الرئيسية اختيار الأراضي الزراعية المناسبة، واختيار المحاصيل، وتوصيات الأسمدة، وإدارة الري بكفاءة. تم تقديم مخطط كتلي شامل للنظام المقترح لتوضيح هيكله وتدفق عملياته.
المناقشة
تحدد قسم المناقشة في ورقة البحث تطوير وفعالية نظام زراعة دقيقة مدفوع بتقنية إنترنت الأشياء (IoT) الذي يدمج رسم الخرائط للأراضي، وتوقع المحاصيل، ونظام ري متقدم. يظهر النظام المقترح تحسينًا بنسبة 10.21% في كفاءة الري مقارنة بالطرق التقليدية، مما يمدد عمر الشبكة بمقدار 2.5 مرة مع الحفاظ على معدل موثوقية يبلغ 94% بعد 500 ساعة من التشغيل. باستخدام تقنيات جمع الطاقة من الترددات الراديوية (RF)، يقوم النظام بتشغيل عقد إنترنت الأشياء بفعالية، بينما يوفر نظام الري الذكي القائم على GSM بيانات في الوقت الحقيقي حول رطوبة التربة، ودرجة الحرارة، وحالة المحرك، مما يحسن استخدام المياه من خلال وحدة تحكم تعتمد على المنطق الضبابي. تعالج هذه المقاربة الشاملة التحديات الزراعية الحرجة، بما في ذلك اختيار الأراضي، وتوقع المحاصيل، وتوصيات الأسمدة، مما يعزز إنتاجية المحاصيل ويعزز إدارة الموارد المستدامة.
تستخدم الدراسة صور الأقمار الصناعية من Landsat-8 لرسم الخرائط الزراعية، مع استخدام تقنيات تعلم الآلة مثل تجميع K-means ونماذج الذاكرة طويلة وقصيرة الأجل (LSTM) لتحليل صحة الغطاء النباتي وتوقع إنتاج المحاصيل. يتم مراقبة معايير التربة باستخدام حساسات متنوعة، ويتم تنفيذ خوارزمية تعلم آلة لتوصية المحاصيل والأسمدة المناسبة بناءً على البيانات في الوقت الحقيقي. يتم تشغيل مكون الري في النظام بواسطة الطاقة الشمسية، ويتميز بخوارزمية منطق ضبابي تقوم بضبط تدفق المياه ديناميكيًا بناءً على مستويات رطوبة التربة، مما يقلل من هدر المياه ويعزز استهلاك الطاقة. يقدم دمج هذه التقنيات حلاً قابلاً للتوسع وفعالاً للزراعة الحديثة، لا سيما في المناطق ذات الموارد المحدودة.
DOI: https://doi.org/10.1371/journal.pone.0319268
PMID: https://pubmed.ncbi.nlm.nih.gov/40100906
Publication Date: 2025-03-18
Author(s): Gourab Saha et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents an integrated IoT-based system designed to enhance precision agriculture through advanced technologies, addressing the growing global food demand amidst challenges such as soil degradation and climate change. The proposed system incorporates agricultural mapping, machine learning, and fuzzy logic to optimize land and crop selection, as well as irrigation practices. Utilizing multi-spectral satellite imagery from Landsat-8, the study extracts critical indices—vegetation, water, and salinity—through K-means clustering. Crop yield predictions achieved high accuracies of 93.49% and 95.87% using Linear Regression and Random Forest, respectively, while a Long Short-Term Memory (LSTM) model forecasts healthy vegetation areas over time.
The system employs IoT sensors to monitor soil parameters, facilitating precise crop and fertilizer recommendations, with the Random Forest algorithm achieving a remarkable accuracy of 97.35%. Additionally, a fuzzy logic-based solar-powered irrigation system was developed, demonstrating a 66.23% faster calibration rate and a 61% reduction in water usage compared to traditional methods. This comprehensive approach not only optimizes resource utilization but also promotes sustainable agricultural practices, highlighting the potential of integrating smart technologies to address modern agricultural challenges effectively.
Introduction
The introduction highlights the critical role of agriculture in food production and economic development, while emphasizing the need for advanced feature selection techniques to enhance clustering in agricultural research. Remote sensing technologies, including satellites, UAVs, and ground sensors, are identified as essential tools for monitoring crop growth, predicting yields, and facilitating precision farming. The advancements in sensor technology and cloud computing significantly improve the accuracy of data collection, which is vital for effective soil quality monitoring.
Several studies are referenced, showcasing innovative approaches to soil and crop management. For instance, Madhumati et al. developed a real-time soil monitoring system utilizing multiple sensors to assess parameters such as moisture and nutrient levels, aiding farmers in optimizing fertilizer application. Palleveda et al. introduced a color sensor to estimate soil characteristics through RGB values, while Ishak et al. conducted a comparative analysis of machine learning models for crop prediction based on soil quality. Furthermore, the introduction discusses the integration of IoT and deep learning in irrigation systems, such as the DLiSA model, which utilizes a Long Short-Term Memory (LSTM) network for efficient water management. The AgriSens system is also mentioned as a dynamic irrigation scheduling solution that enhances crop productivity through automated and remote irrigation management. Overall, the introduction underscores the transformative potential of technology in modern agriculture.
Methods
The research presents a precision agriculture system that incorporates a smart Internet of Things (IoT) infrastructure. This system is designed to enhance agricultural practices through the integration of machine learning (ML) and fuzzy logic control systems. Key functionalities include the selection of suitable agricultural land, crop selection, fertilizer recommendations, and efficient irrigation management. A comprehensive block diagram of the proposed system is provided to illustrate its architecture and operational flow.
Discussion
The discussion section of the research paper outlines the development and efficacy of a smart IoT-driven precision agriculture system that integrates land mapping, crop prediction, and an advanced irrigation system. The proposed system demonstrates a 10.21% improvement in irrigation efficiency compared to traditional methods, extending network lifespan by 2.5 times while maintaining a reliability rate of 94% after 500 hours of operation. Utilizing radiofrequency (RF) energy harvesting, the system powers IoT nodes effectively, while a GSM-based smart irrigation system provides real-time data on soil moisture, temperature, and motor status, optimizing water usage through a fuzzy logic controller. This comprehensive approach addresses critical agricultural challenges, including land selection, crop prediction, and fertilizer recommendations, thereby enhancing crop yield and promoting sustainable resource management.
The research employs Landsat-8 satellite imagery for agricultural mapping, utilizing machine learning techniques such as K-means clustering and Long Short-Term Memory (LSTM) models for vegetation health analysis and crop yield prediction. Soil parameters are monitored using various sensors, and a machine learning algorithm is implemented to recommend suitable crops and fertilizer based on real-time data. The system’s irrigation component is powered by solar energy, featuring a fuzzy logic algorithm that dynamically adjusts water flow based on soil moisture levels, thereby minimizing water wastage and optimizing energy consumption. The integration of these technologies presents a scalable and efficient solution for modern agriculture, particularly in resource-limited regions.