DOI: https://doi.org/10.1038/s41598-025-98137-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40281085
تاريخ النشر: 2025-04-25
المؤلف: Xinying Liu وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول ورقة البحث القضية الحرجة لنقص المياه في الزراعة، مسلطة الضوء على عدم كفاءة ممارسات الري التقليدية التي تؤدي إلى استهلاك مفرط للمياه وتدهور البيئة. لمواجهة هذا التحدي، يقترح المؤلفون نظام ري ذكي مبتكر ومنخفض التكلفة يستفيد من إنترنت الأشياء (IoT) واستدلال القواعد الضبابية لاتخاذ القرارات في الوقت الحقيقي. يقوم هذا النظام بتحسين طرق الري بناءً على بيانات المستشعرات المتعلقة برطوبة التربة ودرجة الحرارة، بينما يتضمن أيضًا خوارزمية توجيه مدركة للطاقة لتعزيز نقل المعلومات. يسمح تصميم النظام بالمراقبة والتحكم عن بُعد عبر الأجهزة المحمولة، مما يجعله مناسبًا لمجموعة متنوعة من البيئات الزراعية، بما في ذلك البيوت الزجاجية والمزارع. تشير نتائج المحاكاة إلى أن النظام المقترح يتفوق بشكل كبير على الخوارزميات الحالية، مثل DLQR و SPIS و FWIS، من حيث عمر الشبكة واستهلاك الطاقة، مما يساهم في ممارسات الزراعة المستدامة.
على الرغم من مزاياه، يواجه النظام المقترح قيودًا تتطلب مزيدًا من التحقيق. تشمل التحديات الرئيسية قابلية التوسع للنشر الزراعي الكبير والتكيف مع الظروف البيئية الديناميكية. يقترح المؤلفون أن دمج آليات حصاد الطاقة المتقدمة وتطوير خوارزميات توجيه أكثر كفاءة يمكن أن يعزز الأداء في الشبكات الكثيفة من المستشعرات. بالإضافة إلى ذلك، بينما يعتمد النظام الحالي على GSM للتواصل بشكل فعال من حيث التكلفة، قد يحد ذلك من قابليته للتطبيق في المناطق ذات التغطية الشبكية الضعيفة. تشمل اتجاهات البحث المستقبلية استكشاف تقنيات الاتصال البديلة مثل LoRa أو الأنظمة الفضائية وإجراء تجارب ميدانية للتحقق من أداء النظام في ظروف العالم الحقيقي. سيكون من الضروري معالجة هذه القيود لتنقيح النظام لتلبية الطلبات المتطورة للزراعة المستدامة والفعالة.
مقدمة
في المقدمة، توضح الورقة المفاهيم الرئيسية المتعلقة بالدراسة، مع التركيز على أنظمة الري الذكي، والمنطق الضبابي، والشبكات العصبية العميقة (DNNs). تم تصميم أنظمة الري الذكي لتحسين استخدام المياه في الممارسات الزراعية، مما يعزز الكفاءة والاستدامة. يتم تقديم المنطق الضبابي كنهج حسابي يحاكي التفكير البشري، مما يسمح باتخاذ القرارات في ظروف غير مؤكدة، وهو أمر ذو صلة خاصة بإدارة أنظمة الري. بالإضافة إلى ذلك، يتم تسليط الضوء على دور الشبكات العصبية العميقة، مع التأكيد على قدرتها على تحليل مجموعات البيانات المعقدة وتحسين دقة التنبؤ في إدارة الري. تضع هذه المفاهيم الأساسية الأساس لاستكشاف البحث في دمج هذه التقنيات لتطوير الممارسات الزراعية.
الطرق
تستعرض هذه القسم منهجيات مختلفة مستخدمة في أنظمة الري الذكية، مع التركيز على دمج المنطق الضبابي وتقنيات إنترنت الأشياء (IoT) لتحسين استخدام المياه وتعزيز الإنتاجية الزراعية. طور بُخاري وآخرون وحدة تحكم ري دقيقة باستخدام نظام استدلال ضبابي (FIS) ومنظم خطي تربيعي منفصل (DLQR)، محققين دقة عالية ولكن واجهوا مشاكل في كثافة الحسابات. استخدم نظام رهايو القائم على إنترنت الأشياء لزراعة عباد الشمس منطق ضبابي مانداني، مما عزز الإنتاجية ولكنه كان محدودًا من حيث قابلية التوسع. سلطت دراسات أخرى، مثل تلك التي أجراها مهند وآخرون وبنيزا وآخرون، الضوء على أنظمة منخفضة التكلفة تجمع البيانات البيئية لأتمتة الري، مما يظهر تحسين كفاءة الموارد وظروف المحاصيل من خلال تحليل المنطق الضبابي.
تتقدم المنهجية المقترحة أنظمة الري التقليدية من خلال استخدام شبكة عصبية عميقة (DNN) جنبًا إلى جنب مع المنطق الضبابي، مبتعدة عن اتخاذ القرارات المعتمدة على العتبات إلى نهج أكثر ديناميكية يأخذ في الاعتبار البيانات التاريخية والتغيرات البيئية في الوقت الحقيقي. يقوم هذا النظام بمراقبة مستمرة لمختلف المعلمات، بما في ذلك رطوبة التربة ودرجة الحرارة، لتحسين الري دون تدخل بشري. يتضمن نظامين أساسيين: نظام تحكم ري قائم على المنطق الضبابي وخوارزمية توجيه معززة بالمنطق الضبابي لشبكات المستشعرات اللاسلكية (WSNs)، مما يضمن إدارة فعالة للمياه مع تقليل الحمل الاتصالي. تختتم هذه القسم بمقارنة الطرق الأساسية مثل DLQR و SPIS و FWIS، التي، على الرغم من تقدمها، لا تزال تواجه تحديات في قابلية التوسع ومتطلبات الحوسبة، مما يبرر الحاجة إلى الطريقة المقترحة لتعزيز التكيف والكفاءة في الري الدقيق.
النتائج
في هذا القسم، يتم تقييم الطريقة المقترحة مقابل ثلاث خوارزميات أساسية—DLQR و SPIS و FWIS—عبر عدة مقاييس أداء، بما في ذلك عدد العقد النشطة، والطاقة المتبقية في الشبكة، وعمر الشبكة، والتأخير، ونسبة تسليم الحزم (PDR). تشير النتائج إلى أن الطريقة المقترحة تتفوق بشكل كبير على الأساليب الأساسية. على وجه التحديد، تمدد عدد العقد النشطة إلى 6108 طلبات، مقارنة بـ 5198 و 3218 و 2807 لـ DLQR و SPIS و FWIS، على التوالي. يُعزى هذا التحسن إلى استراتيجيات إدارة الطاقة الفعالة، والجدولة التكيفية، وآليات توزيع الحمل التي تحسن استهلاك الطاقة وتمنع فشل العقد قبل الأوان.
بالإضافة إلى ذلك، تحقق الطريقة المقترحة طاقة متبقية قدرها 35.12 جول بعد 10,000 طلب، متجاوزة القيم المسجلة لـ 26.13 و 24.85 و 31.52 جول لـ DLQR و SPIS و FWIS، على التوالي. هذه الكفاءة المحسنة في الطاقة هي نتيجة لبروتوكولات التوجيه الذكية التي تقلل من النقل غير الضروري وتوازن استخدام الطاقة عبر العقد. كما تُظهر الطريقة أداءً متفوقًا من حيث عمر الشبكة، والتأخير، و PDR، مع تأخيرات أقل وتحسين بنسبة 1.29% في PDR مقارنةً بأفضل أداء أساسي. بشكل عام، تؤكد النتائج على قوة وفعالية الطريقة المقترحة لإدارة الري الذكي القابل للتوسع والفعال، مما يعالج القيود الرئيسية للأنظمة الحالية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الحالة الحالية والتحديات التي تواجه أنظمة الري الذكية القائمة على إنترنت الأشياء التي تستخدم التحكم الضبابي. تقوم هذه الأنظمة بتحسين الري من خلال البيانات في الوقت الحقيقي واتخاذ القرارات، ومع ذلك، تواجه مشاكل مثل قابلية التوسع، والتكاليف العالية، وعدم كفاءة الطاقة، والقدرة المحدودة على التكيف مع الظروف المتغيرة. تم تحديد دمج تقنيات التعلم الآلي المتقدمة مع الأنظمة الضبابية كفجوة كبيرة تتطلب مزيدًا من التحقيق لتحسين الكفاءة والدقة في ممارسات الري.
تمت مراجعة العديد من الدراسات الحديثة، مما يعرض أساليب مبتكرة لتعزيز أنظمة الري. على سبيل المثال، قدم تشين وآخرون خوارزمية لتحديد الأنماط عالية الفائدة، بينما طور زو وآخرون إطار عمل للتعلم الآلي لاكتشاف الشبكات الضارة في شبكات إنترنت الأشياء، مع التركيز على كفاءة الطاقة. تشمل المساهمات الأخرى وحدة التحكم في الري الدقيقة لبخاري وآخرون باستخدام أنظمة الاستدلال الضبابي (FIS) ونظام الري الذكي القائم على إنترنت الأشياء لرهايو لزراعة عباد الشمس. تُظهر هذه التطورات إمكانيات المنطق الضبابي وتقنيات إنترنت الأشياء لأتمتة وتحسين الري، مما يؤدي في النهاية إلى تحسين غلة المحاصيل والحفاظ على الموارد. ومع ذلك، لا تزال التحديات مثل التكاليف الأولية العالية والحاجة إلى اتصال إنترنت موثوق في المناطق الريفية قائمة، مما يبرز ضرورة البحث والتطوير المستمر في هذا المجال.
DOI: https://doi.org/10.1038/s41598-025-98137-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40281085
Publication Date: 2025-04-25
Author(s): Xinying Liu et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper addresses the critical issue of water scarcity in agriculture, highlighting the inefficiencies of traditional irrigation practices that lead to excessive water consumption and environmental degradation. To tackle this challenge, the authors propose an innovative, low-cost intelligent irrigation system that leverages the Internet of Things (IoT) and fuzzy rule-based inference for real-time decision-making. This system optimizes irrigation methods based on sensor data regarding soil moisture and temperature, while also incorporating an energy-aware routing algorithm to enhance information transmission. The system’s design allows for remote monitoring and control via mobile devices, making it suitable for diverse agricultural settings, including greenhouses and farms. Simulation results indicate that the proposed system significantly outperforms existing algorithms, such as DLQR, SPIS, and FWIS, in terms of network lifetime and power consumption, thus contributing to sustainable agricultural practices.
Despite its advantages, the proposed system faces limitations that require further investigation. Key challenges include scalability for large agricultural deployments and adaptability to dynamic environmental conditions. The authors suggest that integrating advanced energy-harvesting mechanisms and developing more efficient routing algorithms could enhance performance in dense sensor networks. Additionally, while the current reliance on GSM for communication is cost-effective, it may limit applicability in areas with poor network coverage. Future research directions include exploring alternative communication technologies like LoRa or satellite systems and conducting field experiments to validate the system’s performance in real-world conditions. Addressing these limitations will be essential for refining the system to meet the evolving demands of sustainable and efficient agriculture.
Introduction
In the introduction, the paper outlines key concepts pertinent to the study, focusing on smart irrigation systems, fuzzy logic, and deep neural networks (DNNs). Smart irrigation systems are designed to optimize water usage in agricultural practices, enhancing efficiency and sustainability. Fuzzy logic is introduced as a computational approach that mimics human reasoning, allowing for decision-making in uncertain conditions, which is particularly relevant for managing irrigation systems. Additionally, the role of deep neural networks is highlighted, emphasizing their capability to analyze complex datasets and improve predictive accuracy in irrigation management. These foundational concepts set the stage for the research’s exploration of integrating these technologies to advance agricultural practices.
Methods
The section outlines various methodologies employed in intelligent irrigation systems, emphasizing the integration of fuzzy logic and Internet of Things (IoT) technologies to optimize water usage and enhance agricultural productivity. Bukhari et al. developed a precision irrigation controller using a Fuzzy Inference System (FIS) and Discrete Linear Quadratic Regulator (DLQR), achieving high accuracy but facing computational intensity issues. Rahayu’s IoT-based system for sunflower cultivation utilized Mamdani fuzzy logic, enhancing productivity but limited by scalability. Other studies, such as those by Mhaned et al. and Benyezza et al., highlighted low-cost systems that collect environmental data to automate irrigation, demonstrating improved resource efficiency and crop conditions through fuzzy logic analysis.
The proposed methodology advances traditional irrigation systems by employing a Deep Neural Network (DNN) alongside fuzzy logic, moving away from threshold-based decision-making to a more dynamic approach that considers historical data and real-time environmental changes. This system continuously monitors various parameters, including soil moisture and temperature, to optimize irrigation without human intervention. It incorporates two core algorithms: a fuzzy-based irrigation control system and a fuzzy-enhanced routing algorithm for Wireless Sensor Networks (WSNs), ensuring efficient water management while minimizing communication overhead. The section concludes by contrasting baseline methods like DLQR, SPIS, and FWIS, which, despite their advancements, still face challenges in scalability and computational demands, thus justifying the need for the proposed method to enhance adaptability and efficiency in precision irrigation.
Results
In this section, the proposed method is evaluated against three baseline algorithms—DLQR, SPIS, and FWIS—across several performance metrics, including active node count, residual network energy, network lifetime, delay, and packet delivery ratio (PDR). The results indicate that the proposed method significantly outperforms the baseline approaches. Specifically, it extends the active node count to 6108 requests, compared to 5198, 3218, and 2807 for DLQR, SPIS, and FWIS, respectively. This improvement is attributed to effective energy management strategies, adaptive scheduling, and load-balancing mechanisms that optimize energy consumption and prevent premature node failures.
Additionally, the proposed method achieves a residual energy of 35.12 Joules after 10,000 requests, surpassing the values of 26.13, 24.85, and 31.52 Joules recorded for DLQR, SPIS, and FWIS, respectively. This enhanced energy efficiency is a result of intelligent routing protocols that minimize unnecessary transmissions and balance energy usage across nodes. The method also demonstrates superior performance in terms of network life, delay, and PDR, with lower delays and a 1.29% improvement in PDR compared to the best-performing baseline. Overall, the findings confirm the robustness and practicality of the proposed method for scalable and efficient smart irrigation management, addressing key limitations of existing systems.
Discussion
The discussion section of the research paper highlights the current state and challenges of IoT-based intelligent irrigation systems that utilize fuzzy control. These systems optimize irrigation through real-time data and decision-making, yet they encounter issues such as scalability, high costs, energy inefficiency, and limited adaptability to varying conditions. The integration of advanced machine learning techniques with fuzzy systems is identified as a significant gap that warrants further investigation to improve efficiency and precision in irrigation practices.
Several recent studies are reviewed, showcasing innovative approaches to enhance irrigation systems. For instance, Chen et al. introduced an algorithm for identifying high-utility patterns, while Zhou et al. developed a machine learning framework for botnet detection in IoT networks, emphasizing energy efficiency. Other contributions include Bukhari et al.’s precision irrigation controller using fuzzy inference systems (FIS) and Rahayu’s IoT-based smart irrigation system for sunflower cultivation. These advancements demonstrate the potential of fuzzy logic and IoT technologies to automate and optimize irrigation, ultimately leading to improved crop yields and resource conservation. However, challenges such as high initial costs and the need for reliable internet connectivity in rural areas persist, underscoring the necessity for ongoing research and development in this field.