DOI: https://doi.org/10.1007/s43621-024-00179-5
تاريخ النشر: 2024-01-11
المؤلف: G. Kranthi Kumar وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نظام ري ذكي قائم على إنترنت الأشياء (IoT) مصمم لمعالجة الطلب المتزايد على المياه العذبة في الزراعة، خاصة في ضوء الزيادة المتوقعة في عدد السكان العالمي من 7.2 مليار إلى أكثر من 9 مليار بحلول عام 2050. يستخدم النظام حساسات الرطوبة والتربة المدعومة بتقنية إنترنت الأشياء لجمع البيانات ذات الصلة، والتي يتم تخزينها بعد ذلك في سحابة مركزية. يتم تنفيذ اختيار الميزات باستخدام خوارزمية اختيار الميزات المعتمدة على الارتباط (CFS)، بينما يتم تنفيذ تجميع البيانات من خلال خوارزمية K-means. بعد ذلك، يتم تطوير نموذج تصنيف باستخدام خوارزميات آلة الدعم الشعاعي (SVM)، والغابة العشوائية، ونايف بايز، مع دمج بيانات التربة والرطوبة التاريخية لتدريب النموذج.
تشير النتائج إلى أن المصنف الهجين K-means SVM يتفوق على الخوارزميات الأخرى، محققًا معدل دقة يبلغ 98.5% في تصنيف وتوقع الطلب على المياه، مما يسهل الحفاظ على موارد المياه العذبة. يُبلغ عن أن النموذج الهجين يوفر ما يصل إلى 20% من المياه العذبة من خلال ممارسات الري الذكية. تؤكد الدراسة على أهمية جمع البيانات وتحليلها بدقة في تحسين جداول الري، مشددة على الدور الحاسم لمستويات رطوبة التربة في تحديد توقيت الري.
مقدمة
تؤكد المقدمة على الدور الحاسم للري في الزراعة، خاصة في المناطق التي تعاني من قلة أو عدم انتظام الأمطار. تسلط الضوء على ضرورة فهم خصائص التربة—مثل النسيج وقدرات الاحتفاظ بالمياه—لإدارة موارد المياه بشكل فعال لتطوير المحاصيل. تشير الورقة إلى أن المناطق التي تتمتع بهطول أمطار كافٍ قد تواجه تحديات بسبب عدم كفاية الاحتفاظ بالرطوبة أو توقيت الأمطار غير المناسب، مما يبرز أهمية أنظمة الري، خاصة للمحاصيل ذات الطلب العالي على المياه مثل قصب السكر والأرز.
علاوة على ذلك، تناقش المقدمة دمج الزراعة الدقيقة وإنترنت الأشياء (IoT) في ممارسات الزراعة الحديثة. توضح كيف تسهل تقنيات إنترنت الأشياء المراقبة في الوقت الحقيقي لظروف التربة والعوامل البيئية، مما يحسن جداول الري ويعزز غلة المحاصيل. تقدم الورقة نظام الري الذكي (SIS)، الذي يستخدم حساسات مدمجة ووحدات تحكم ذكية لأتمتة إدارة المياه بناءً على بيانات التربة والطقس. يهدف هذا النظام إلى معالجة الطلب المتزايد على المياه العذبة عالميًا، خاصة مع توقع ارتفاع عدد السكان في العالم بشكل كبير بحلول عام 2050. تختتم المقدمة بتوضيح المنهجية لتطوير نظام ري ذكي قائم على إنترنت الأشياء يستخدم خوارزميات تعلم الآلة المختلفة لتحليل البيانات واتخاذ القرارات في الممارسات الزراعية.
طرق
في هذا القسم، يتم توضيح المنهجية لتطوير نظام ري ذكي قائم على إنترنت الأشياء للزراعة. يستخدم النظام حساسات الرطوبة والتربة لجمع البيانات، والتي يتم تخزينها بعد ذلك في سحابة مركزية. يتم تنفيذ اختيار الميزات باستخدام خوارزمية اختيار الميزات المعتمدة على الارتباط (CFS) لإزالة البيانات غير ذات الصلة، تليها تجميع البيانات باستخدام خوارزمية K-Means، التي قامت بتجميع البيانات بشكل فعال في مجموعات مع شرح 86.6% من التباين. يتم بناء نموذج التصنيف باستخدام ثلاث خوارزميات: آلة الدعم الشعاعي (SVM)، والغابة العشوائية (RF)، ونايف بايز (NB).
تستخدم نموذج SVM نوى دالة الأساس الشعاعي لإنشاء مستويات تفصل البيانات إلى فئات خطية وغير خطية. يدمج نموذج RF التوقعات من 300 شجرة قرار، مما يظهر دقة محسنة مع زيادة عدد الأشجار، حيث تستقر معدلات الخطأ بعد 50 شجرة. أخيرًا، يتم استخدام خوارزمية نايف بايز، المستندة إلى نظرية بايز، للتوقعات متعددة الفئات، مستفيدة من استقلال الميزات داخل الفئات لحساب الاحتمالات اللاحقة. تضمن هذه المقاربة الشاملة تحليل بيانات قوي وتصنيف فعال لنظام الري.
نقاش
يسلط النقاش الضوء على الإمكانيات التحويلية للشبكات الضعيفة الأمان (WSNs) وإنترنت الأشياء (IoT) في الزراعة الدقيقة، مؤكدًا على دورها في تحسين ممارسات الري. توضح دراسات متنوعة، بما في ذلك تلك التي أجراها مورايا وجاين، ودونغ وآخرون، وفيليديس وآخرون، تطبيق المنطق الضبابي وشبكات الحساسات لتعزيز إدارة المياه وتوقعات غلة المحاصيل. تمكن هذه التقنيات المزارعين من اتخاذ قرارات مستندة إلى البيانات بشأن الري، مما يحسن الكفاءة والإنتاجية. لقد أظهر دمج خوارزميات تعلم الآلة، مثل تقنية K-means-SVM الهجينة، وعدًا كبيرًا في توقع احتياجات الري بدقة والحفاظ على موارد المياه، مع تقارير عن توفير المياه تصل إلى 42%.
علاوة على ذلك، تؤكد الأبحاث على أهمية جمع البيانات في الوقت الحقيقي من الحساسات البيئية لإبلاغ جدولة الري. يعزز استخدام خوارزميات مثل CFS لاختيار الميزات ونهج K-means لتجميع البيانات فعالية نماذج التصنيف المستخدمة. تشير النتائج إلى أن المصنف الهجين K-means-SVM يتفوق على الطرق التقليدية، محققًا دقة تبلغ 98.5% ويساهم في نهج أكثر استدامة للري من خلال توفير المياه العذبة. بشكل عام، تدعو الورقة إلى اعتماد تقنيات إنترنت الأشياء المتقدمة وتعلم الآلة في الزراعة لمعالجة التحديات الملحة المتعلقة بالحفاظ على المياه وإدارة المحاصيل.
DOI: https://doi.org/10.1007/s43621-024-00179-5
Publication Date: 2024-01-11
Author(s): G. Kranthi Kumar et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents an Internet of Things (IoT)-based intelligent irrigation system designed to address the growing demand for freshwater in agriculture, particularly in light of the projected increase in the global population from 7.2 billion to over 9 billion by 2050. The system utilizes IoT-enabled humidity and soil sensors to gather relevant data, which is then stored in a centralized cloud. The feature selection is performed using the Correlation-based Feature Selection (CFS) algorithm, while data clustering is executed through the K-means algorithm. Subsequently, a classification model is developed using Support Vector Machine (SVM), Random Forest, and Naïve Bayes algorithms, with historical soil and humidity data incorporated for model training.
The findings indicate that the K-means SVM hybrid classifier outperforms the other algorithms, achieving an accuracy rate of 98.5% in classifying and predicting water demand, thereby facilitating the conservation of freshwater resources. The hybrid model is reported to save up to 20% of freshwater through intelligent irrigation practices. The study underscores the importance of precise data collection and analysis in optimizing irrigation schedules, emphasizing the critical role of soil moisture levels in determining irrigation timing.
Introduction
The introduction emphasizes the critical role of irrigation in agriculture, particularly in regions with limited or unpredictable rainfall. It highlights the necessity of understanding soil characteristics—such as texture and water retention capabilities—to effectively manage water resources for crop development. The paper notes that even areas with adequate precipitation may face challenges due to insufficient moisture retention or poorly timed rainfall, underscoring the importance of irrigation systems, especially for high-water-demand crops like sugarcane and rice.
Furthermore, the introduction discusses the integration of precision agriculture and the Internet of Things (IoT) in modern farming practices. It outlines how IoT technologies facilitate real-time monitoring of soil conditions and environmental factors, thereby optimizing irrigation schedules and enhancing crop yields. The paper introduces the Smart Irrigation System (SIS), which utilizes embedded sensors and intelligent controllers to automate water management based on soil and weather data. This system aims to address the increasing global demand for freshwater, particularly as the world population is projected to rise significantly by 2050. The introduction concludes by outlining the methodology for developing an IoT-based intelligent irrigation system that employs various machine learning algorithms for data analysis and decision-making in agricultural practices.
Methods
In this section, the methodology for developing an IoT-based intelligent irrigation system for agriculture is outlined. The system utilizes humidity and soil sensors to gather data, which is then stored in a centralized cloud. Feature selection is performed using the Correlation-based Feature Selection (CFS) algorithm to eliminate irrelevant data, followed by data clustering using the K-Means algorithm, which effectively grouped the data into clusters while explaining 86.6% of the variance. The classification model is constructed using three algorithms: Support Vector Machine (SVM), Random Forest (RF), and Naive Bayes (NB).
The SVM model employs radial basis function kernels to create hyperplanes that separate data into linear and nonlinear categories. The RF model integrates predictions from 300 decision trees, demonstrating improved accuracy as the number of trees increases, with error rates stabilizing after 50 trees. Lastly, the Naive Bayes algorithm, based on Bayes’ theorem, is utilized for multiclass predictions, leveraging the independence of features within classes to compute posterior probabilities. This comprehensive approach ensures robust data analysis and effective classification for the irrigation system.
Discussion
The discussion highlights the transformative potential of Weakly-Secured Networks (WSNs) and the Internet of Things (IoT) in precision agriculture, emphasizing their role in optimizing irrigation practices. Various studies, including those by Maurya and Jain, Dong et al., and Vellidis et al., illustrate the application of fuzzy logic and sensor networks to enhance water management and crop yield predictions. These technologies enable farmers to make data-driven decisions regarding irrigation, thereby improving efficiency and productivity. The integration of machine learning algorithms, such as the K-means-SVM hybrid technique, has shown significant promise in accurately predicting irrigation needs and conserving water resources, with reported water savings of up to 42%.
Moreover, the research underscores the importance of real-time data collection from environmental sensors to inform irrigation scheduling. The use of algorithms like the CFS for feature selection and the K-means approach for data clustering enhances the effectiveness of the classification models employed. The findings indicate that the K-means-SVM hybrid classifier outperforms traditional methods, achieving an accuracy of 98.5% and contributing to a more sustainable approach to irrigation by saving fresh water. Overall, the paper advocates for the adoption of advanced IoT and machine learning technologies in agriculture to address pressing challenges related to water conservation and crop management.