کشاورزی هوشمند milp

کشاورزی هوشمند milp

کشاورزی هوشمند milp

برنامه ریزی خطی عدد صحیح مختلط

امروزه سیستم‌های کشاورزی برای بهره‌گیری از فناوری‌های پیشرفته صنعت، از جمله هوش مصنوعی و اینترنت اشیاء (IoT) با هم رقابت می‌کنند. در کشاورزی هوشمند از فناوری هوش مصنوعی برای ساخت ربات‌هایی (ربات های کشاورزی هوشمند) برای نظارت، ردیابی، تجزیه و تحلیل و پردازش عملکردها و خدمات مختلف در زمان واقعی و بلادرنگ استفاده می‌شود. این فناوری‌ها می‌توانند فرآیندهای کشاورزی هوشمند را با استفاده از سیستم‌های خودکار و حذف هرگونه مداخله انسانی هوشمندتر و مقرون‌به‌صرفه‌تر کنند و از این رو تولید کشاورزی را برای برآورده کردن انتظارات آینده افزایش دهند.

اگرچه سیستم‌های کشاورزی فعلی که از معماری مبتنی بر ابر(Cloud) استفاده می‌کنند، زیرساخت محاسباتی قدرتمندی را برای حسگرهای توزیع شده اینترنت اشیاء فراهم کرده‌اند، اما هزینه مصرف انرژی برای انتقال داده‌های ناهمگن در چندین لایه شبکه برای پردازش، تجزیه و تحلیل و ذخیره اطلاعات حسگر در فضای ابری، بار عظیمی را بر زیرساخت‌های اطلاعات و ارتباطات ایجاد کرده است. انرژی مصرف شده توسط مراکز داده ابری دارای اثرات مخرب زیست محیطی همچون انتشار کربن (CO2) است. برای حل این مشکل می‌توان از پردازش بلادرنگ برخی از وظایف توسط لایه‌های لبه (edge و مه (fog)) استفاده کرد تا بار روی لایه ابری کاهش یابد. این فرآیند به کاهش مصرف انرژی و پردازش کارآمد برنامه‌ها و خدمات کشاورزی هوشمند کمک شایانی می‌کند.

معماری (MILP) mixed-integer linear programming

با توجه به نتایج هزاران حسگر کشاورزی، معماری MILP که از فناوری لبه-مه-ابر بهره می‌برد از نظر کاهش مصرف انرژی تا 36 درصد و انتشار کربن به میزان 43 درصد از معماری سنتی مبتنی بر ابر عملکرد بهتری دارد. علاوه بر این دستاوردها، نتایج نشان می‌دهد که معماری پیشنهادی می‌تواند ترافیک شبکه را تا 86 درصد کاهش دهد که در نتیجه تراکم شبکه را کاهش خواهد داد.

توسعه اخیر دستگاه‌های اینترنت اشیاء :

بعد جدیدی را در زمینه کشاورزی مدرن، باغداری هوشمند، آبزی پروری هوشمند، هواشناسی هوشمند، دامداری هوشمند و سنجش از دور به ارمغان آورده است . جایی که اینترنت اشیاء به دلیل معماری بسیار مقیاس‌پذیر و فراگیر آن به یک انتخاب ایده‌آل برای کشاورزی هوشمند تبدیل شده است. کشاورزی هوشمند به بکارگیری اینترنت اشیاء برای بهبود کارایی عملیاتی، به حداکثر رساندن بازده و به حداقل رساندن هدررفت از طریق جمع‌آوری بی‌درنگ داده‌ها، تجزیه و تحلیل داده‌ها و استقرار مکانیسم‌های کنترلی می‌پردازد. کاربردهای متنوع مبتنی بر اینترنت اشیاء مانند آبیاری هوشمند برای بهبود فرآیندهای کشاورزی بسیار مفید است. اینترنت اشیاء به عنوان یکی از راه حل‌های امیدوارکننده به منظور رسیدگی به مسائل مبتنی بر کشاورزی و افزایش کیفیت و کمیت تولیدات کشاورزی در نظر گرفته می‌شود. راه حل‌های اینترنت اشیاء به شدت با رایانش ابری برای پردازش حجم عظیمی از داده‌های ناهمگن در ارسال یا دریافت توسط حسگرها ارتباط دارد.

معماری MILP برای سیستم کشاورزی هوشمند (کشاورزی هوشمند milp) :

معماری‌های سنتی مبتنی بر ابر برای سیستم‌های کشاورزی مدرن برای برآورده کردن تمام الزامات سناریوهای فعلی ناکارآمد است زیرا فاقد پیش‌نیازهای ضروری مانند کاهش مصرف انرژی، کاهش انتشار CO2، کاهش ترافیک شبکه و غیره است؛ بنابراین، نیاز به توسعه یک معماری کارآمد انرژی برای یک سیستم کشاورزی هوشمند و کشاورزی دقیق برای برآوردن این الزامات وجود خواهد داشت.

برخی از برنامه‌ها و سرویس‌های مورد استفاده در کشاورزی هوشمند حجم زیادی از داده را تولید می‌کنند و نیاز به پردازش آنی دارند که ممکن است باعث بار سنگین در شبکه، زمان پاسخگویی طولانی و کیفیت پایین شود. احتمالا استفاده از معماری سنتی مبتنی بر ابر برای پشتیبانی از این برنامه‌ها کارآمد نیست و ممکن است به دلیل انتقال داده‌های کشاورزی دقیق به ابر منجر به مصرف انرژی بالا نیز شود. از طرف دیگر معمولاً مصرف برق با انتشار کربن  CO2همراه است.

تا کنون چندین معماری‌، تکنیک ‌و روش‌ مختلف برای سیستم‌های کشاورزی هوشمند با در نظر گرفتن فناوری‌های مختلف مانند اینترنت اشیاء، تجزیه و تحلیل داده‌های بزرگ و محاسبات ابری استفاده می‌شوند. با این حال، هیچ یک از کارهای موجود بر روی معماری لبه-مه-ابر که قصد کاهش مصرف انرژی، کاهش انتشار CO2 و کاهش ترافیک شبکه را با در نظر گرفتن سه لایه محاسباتی (لبه، مه و ابر) دارد، متمرکز نشده است. این رویکرد می‌تواند با بهره‌گیری از محاسبات لبه و مه به بهبود راه‌حل‌های بسیاری از مسائل کشاورزی سنتی کمک کند و باعث بهبود کارایی کلی انرژی و کاهش انتشار CO2  و ترافیک شبکه سیستم‌های کشاورزی هوشمند می‌شود.

گفتنی است که هر شبکه اصلی یک ارتباط مستقیم با یک شبکه (MAN) دارد که یک منطقه شهری را پوشش می‌دهد. اینترنت فناوری است که معمولاً در شبکه MAN استفاده می‌شود. شبکه محلی (LAN) نیز از دسترسی به اینترنت به چندین محل مختلف پشتیبانی می‌کند.

طرح کلی معماری لبه-مه-ابر  نقش بسزایی در ارائه پویایی و کارایی بر اساس برنامه‌های مختلف کشاورزی هوشمند مبتنی بر اینترنت اشیاء ارائه می‌کند. این معماری از چهار لایه ضروری به نام‌های لایه حسگر اینترنت اشیاء، لایه لبه، لایه مه و لایه ابر تشکیل شده است. هر لایه از معماری پیشنهادی به شرح زیر ارائه شده است.

لایه لبه

محاسبات لبه به یک مدل محاسباتی جدید اشاره دارد که محاسبات داده‌های حسگرها/عملگرها را در لبه شبکه پیاده سازی می‌کند. با این مفهوم، برخی از کاربردها و سرویس‌هایی که به منابع محاسباتی زیادی نیاز ندارند می‌توانند در لایه لبه (نزدیک به منبع داده) پردازش شوند و دیگر نیازی به عبور از شبکه برای پردازش توسط مه یا ابر نیست. بنابراین، محاسبات لبه می‌تواند عملکرد انتقال داده‌ها را بهبود بخشد، پردازش بلادرنگ را تضمین کند، و بار محاسباتی و همچنین مقدار داده‌های ارسال شده به و از مراکز داده مه یا ابر را کاهش دهد. اما در صورت در دسترس نبودن/عدم تناسب منابع در لایه لبه، حسگرها به طور خودکار درخواست پردازش داده‌های خود را در مه یا ابر می‌دهند و این کار به صورت سلسله مراتبی انجام می‌شود. محاسبات لبه می‌تواند عملکرد انتقال داده‌ها را بهبود ببخشد، پردازش بلادرنگ را تضمین کند و بار محاسباتی و همچنین مقدار داده‌های ارسال شده به/از مراکز داده مه یا ابر را کاهش دهد.

لایه مه

مفهوم محاسبات مه در ابتدا توسط سیسکو در سال 2014 برای گسترش منابع رایانش ابری تا لبه شبکه مخابراتی پیشنهاد شد. در این زمینه، لایه مه مسئولیت پردازش و تجزیه و تحلیل داده‌های ارسال شده از حسگرهای IoT را دارد که به حداقل رساندن تاخیر برای برنامه‌ها و خدمات کشاورزی هوشمند کمک می‌کند. همچنین لایه مه قابلیت پردازش و تحلیل داده‌های پیچیده را بیشتر از لایه لبه دارد.

هم مه و هم لبه می‌توانند خدمات محاسباتی، شبکه‌ای و ذخیره سازی را در بین لایه حسگر و لایه ابر ارائه دهند. به این معنی که به جای اجرای تمام پردازش‌ها در لایه ابر، لایه‌های مه و لبه می‌توانند داده‌های کشاورزی هوشمند (مقاله : کشاورزی هوشمند چیست) را به صورت محلی و نزدیک به لایه حسگر (بر اساس توانایی خود) پردازش و تجزیه و تحلیل کنند تا تاخیر و هزینه را کاهش دهند.

لایه ابر

رایانش ابری یک عامل حیاتی برای رشد کاربردهای اینترنت اشیاء و هوش مصنوعی در کشاورزی هوشمند به حساب می‌آید. لایه ابر داده‌های کشاورزی جدید دریافتی از لایه حسگر یا لایه مه را برای پردازش، تجزیه و تحلیل و ذخیره آنها در ابر مدیریت می‌کند. رایانش ابری می‌تواند داده‌های سنگین را که به عملیات پیچیده‌تری نیاز دارد و در لایه مه انجام شدنی نیست را پردازش و تجزیه و تحلیل کند (به عنوان مثال، پردازش کلان داده ( big data ) و تجزیه و تحلیل پیش‌بینی‌کننده مانند پیش‌بینی آب‌وهوا (هواشناسی هوشمند)، هشدار آتش‌سوزی و خشک‌سالی خاک).

لایه سنسور IoT

حسگرهای مختلف اینترنت اشیاء مستقر در مناطق مختلف حوزه کشاورزی هوشمند، داده‌های ناهمگن عظیمی را به دروازه‌ها هدایت می‌کنند. همچنین، این لایه می‌تواند تصمیماتی را از محرک‌های کنترل (به عنوان مثال، روشن و خاموش کردن سیستم آبیاری) دریافت کند. در هوشمند سازی کشاورزی و باغداری هوشمند طیفی از حسگرهای اینترنت اشیاء برای شناسایی چندین پدیده در مناطق شهری ( مقاله : کشاورزی شهری هوشمند) از جمله pH خاک، دمای خاک، رطوبت خاک، هدایت الکتریکی خاک و دمای محیط استفاده می‌شوند.

شکل 1: معماری لبه-مه-ابر مبتنی بر اینترنت اشیاء برای سیستم کشاورزی هوشمند.

معماری لبه-مه-ابر مبتنی بر اینترنت اشیاء برای سیستم کشاورزی هوشمند

طراحی مدل MILP

در این بخش سناریوها و طراحی مدل انجام شده به منظور ارزیابی معماری MILP را توضیح می‌دهیم. همانطور که در شکل 1 نشان داده شده است، سناریوهای مختلفی را می توان با این معماری پیشنهادی برای نشان دادن اثربخشی آن پیاده سازی کرد.

سناریوها

در هوشمند سازی کشاورزی در مزارع هوشمند یا دامداری هوشمند به روش MILP سناریوها به ترتیب سلسله مراتب و بر اساس توانایی لبه، مه و ابر در نظر گرفته می‌شوند. به طور معمول همه وظایف از دستگاه‌ها و حسگرهای اینترنت اشیاء در زمینه کشاورزی هوشمند (مقاله : کتاب کشاورزی هوشمند 3) با استفاده از شبکه‌های بی‌سیم مختلف IoT به دروازه‌های شبکه بارگذاری شده و سپس به لایه لبه، مه یا ابر هدایت می‌شوند. هر لایه نکات مثبت و در عین حال معایبی دارد؛ به عنوان مثال، پردازش وظایف در لایه لبه در هزینه برق و ترافیک انتقال درخواست به لایه مه یا ابر صرفه جویی می‌کند. با این حال، انجام انواع وظایف در لایه لبه امکان پذیر نیست، زیرا این لایه ظرفیت محدودی دارد؛ بنابراین، لایه های مه و ابر برای پردازش وظایف سنگین مناسب‌تر هستند.

در مدل مطرح شده، ابتدا بررسی می‌شود که آیا گره لبه منابع لازم را برای پردازش در دسترس دارد، سپس وظایف به لایه لبه منتقل می‌شود تا آن‌ها را پردازش کند. در صورت ناکافی بودن یا عدم دسترسی به پردازش وظایف در لایه لبه، درخواست به لایه مه انتقال می‌یابد و بررسی می‌شود که آیا ظرفیت کافی وجود دارد یا خیر. اگر جواب منفی بود، وظایف برای پردازش به لایه ابری که از برنامه های کاربردی با منابع فشرده پشتیبانی می‌کند فرستاده می‌شود(فرض شده است که ابر دارای منابع و توانایی کافی برای انجام انواع وظایف است.

پارامترهای ورودی مدل ها

در مدل MILP، چهار لایه در یک سیستم کشاورزی هوشمند (مقاله : کتاب کشاورزی هوشمند 2) پیکربندی شده است که از لایه حسگر IoT، لایه لبه، لایه مه و لایه ابر تشکیل شده است. پیکربندی لایه‌های لبه، مه و ابر به نوع وظایف درخواست‌شده توسط هر حسگر یا دستگاه کشاورزی هوشمند مبتنی بر اینترنت اشیاء در لایه حسگر اینترنت اشیاء بستگی دارد. پارامترهای ورودی مدل لایه‌های مختلف به ترتیب در جداول 1، 2، 3 و 4 نشان داده شده‌اند.

پارامترهای ورودی لایه حسگر اینترنت اشیاء

ورودی های انتشار کربن دی اکسید

نتایج به کارگیری معماری MILP در مصرف انرژی، انتشار کربن و ترافیک شبکه به شرح زیر است:

مصرف انرژی

شکل 2 مصرف انرژی وظایف مختلف را در معماری لبه-مه-ابر در مقایسه با معماری سنتی مبتنی بر ابر نشان می‌دهد.

نتایج نشان داد که وظایف سنجش به لایه لبه بارگذاری می‌شوند، زیرا ظرفیت کافی دارد، وظایف پردازش عادی به ترتیب در مه بارگذاری می‌شوند، زیرا لایه مه دارای منابع کافی است. همه درخواست‌های باقی‌مانده در لایه ابری بارگذاری می‌شوند، زیرا هیچ ظرفیتی در لبه و لایه‌های مه وجود ندارد تا وظایف پردازشی سنگین را انجام دهد.

شکل 2: مصرف انرژی معماری MILP در مقابل معماری سنتی مبتنی بر ابر.

مصرف انرژی معماری MILP در مقابل معماری سنتی مبتنی بر ابر

شکل 3 میزان مصرف برق را در مدل MILP در مقایسه با معماری سنتی مبتنی بر ابر، با در نظر گرفتن فناوری‌های مختلف بی‌سیم اینترنت اشیاء نشان می‌دهد. به وضوح نشان داده شده است که معماری MILP تا 36 درصد از کل مصرف برق صرفه جویی کرده است.

شکل 3: صرفه جویی در انرژی معماری MILP در مقابل معماری سنتی مبتنی بر ابر.

صرفه جویی در انرژی معماری MILP در مقابل معماری سنتی مبتنی بر ابر

انتشار کربن

شکل 4 مجموع انتشار کربن در کشاورزی هوشمند (مقاله : کتاب کشاورزی هوشمند 1) به روش MILP را در مقابل معماری سنتی مبتنی بر ابر، با در نظر گرفتن تامین انرژی لایه حسگر اینترنت اشیاء و لایه لبه توسط منبع انرژی خورشیدی، نشان می‌دهد.

شکل 4: مجموع انتشار کربن معماری MILPدر مقابل معماری سنتی مبتنی بر ابر.

مجموع انتشار کربن معماری MILPدر مقابل معماری سنتی مبتنی بر ابر

ترافیک شبکه

شکل 5 کل ترافیک را در هر لایه شبکه در معماری MILP در مقابل معماری سنتی مبتنی بر ابر نشان می‌دهد. نتایج نشان داد که روش جدید می‌تواند در مقایسه با رویکرد مبتنی بر ابر، ترافیک کل را به ترتیب 14% و 86% در سطوح MAN و WAN کاهش دهد.

شکل 5: ترافیک شبکه معماری MILP در مقابل معماری سنتی مبتنی بر ابر.

مصرف انرژی معماری MILP در مقابل معماری سنتی مبتنی بر ابر


محصولات شرکت دانش بنیان پرتوتاپ رایان

برای دریافت اطلاعات بیشتر وارد شوید و فرم های زیر را تکمیل بفرمایید

مشاوره

ورود بیشتر بدانید

آموزش

ورود بیشتر بدانید

اشتراک گذاری / مقالات و اخبار دیگر