دانلود رایگان مقاله تصمیم گیری مبتنی بر ابر و اتوماسیون برای بهبود دقت کشاورزی در باغ ها

چکیده

         تحولات تکنولوژیکی و تجاری اخیر، محاسبات ابری رابه  یک تکنولوژی و پلت فرم مقرون به صرفه، مقیاس پذیر و بسیار قابل دسترس تبدیل کرده است. در عین حال افزایش دقت در کشاورزی و بهبود عملیات کشاورزی با تصمیم گیری بهتر داده ها، نشان دهنده توانایی های این تکنولوژی است. با این وجود، توسعه بیشتردقت کشاورزی نیاز به تکنولوژی و ابزارهای بهتر برای پردازش داده ها به صورت موثر با هزینه معقول و انتقال داده ها به تصمیم گیری ها و اقدامات بهتر در یک زمینه دارد. ما یک چارچوب برای سیستم های تصمیم گیری مبتنی بر ابر و سیستم های اتوماسیون که می توانند داده ها را از منابع مختلف به دست آورند تنظیم کرده ایم ، سنتز تصمیم های خاص برنامه ، و دستگاه های کنترل میدان از ابر را توسعه دادیم. یکی از ویژگی های متمایز چارچوب ما، معماری نرم افزار قابل گسترش آن است: ماژول های تصمیم گیری  می توانند برای یک عملیات خاص اضافه شوند و یا پیکربندی شوند. این پلتفرم دارای ظاهرا یک  دستگاه-آگنوستیک است که می تواند داده های ورودی را در قالب ها و معانی مختلف پردازش کند. در نهایت، این پلت فرم شامل کنترل نرم افزاری است . یک پارادایم طراحی جدید نرم افزاری است که ما پیشنهاد کردیم تا کنترل های همه جانبه و ایمن دستگاه های زمینه را از یک پلت فرم محاسبات ابری ، کنترل کنیم. یک نسخه اولیه از این سیستم با حمایت USDA توسعه و آزمایش شده است.

1. معرفی

            کشاورزی دقیق یک نوع کشاورزی خاص است ، که از فن آوری ها برای اندازه گیری و واکنش به تغییرات بین و درون زمینه در محصولات کشاورزی استفاده می کند. این کار به عنوان یک ابزار حیاتی برای افزایش بهره وری کشاورزی و حفظ منابع طبیعی دیده می شود . "مغز" دقت کشاورزی یک سیستم پشتیبانی تصمیم (DSS) است که به فرآیند رشد کمک می کند و به داده های داخلی و بین زمین پاسخ می دهد. با پیشرفت های تکنولوژیکی اخیر، به ویژه فن آوری های حسگر و خدمات داده آنلاین، کشاورزی به طور فزاینده ای تبدیل به یک عملیات غنی با داده ها می شوده صنعت ویژه صنایع خاص در ایالات متحده، از طریق یک تغییر و تحول از طریق استفاده از فناوری اطلاعات است. با تعریف USDA، محصولات تخصصی عبارتند از "میوه ها و سبزیجات، آجیل درخت، میوه های خشک، باغبانی و محصولات پرورشگاهی (از جمله گلخانه ای)". محصولات تخصصی نیمی از ارزش دروازه تولید محصولات کشاورزی ایالات متحده را به عهده دارند] 1[ در مقایسه با محصولات خاص، محصولات تخصصی بیشتر و کارآمدتر هستند. این امر به تغییر در زمینه وضعیت کار و بسیاری از عوامل دیگر بستگی دارد. در حالی که بسیاری از عملیات کشاورزی می توانند از یک سیستم پشتیبانی تصمیم استفاده کنند، محصولات مخصوص می توانند  سیستم پشتیبانی بهتر بهره مند شوند؛ ولی امروزه  اکثر باغ های هنوز هم از یک فرایند تصمیم گیری سنتی انسان محور استفاده می کنند. 

          توسعه ، یک سیستم پشتیبانی بهتر تصمیم برای صنایع تخصصی، چالش های خاصی را در زمینه فناوری اطلاعات ارائه می دهد. عملیات های  تخصصی محصول بسیار فصلی هستند. درخواست های پشتیبانی تصمیم می تواند به شدت در فصول و فصلی نوسان یابد. یکی از چالش ها این است که چگونه با خواسته های نوظهور مواجه شویم در حالیکه خدمات بسیاری در دسترس وجود دارد. علاوه بر این، هر باغچه ویژگی خاص خود را دارد. چالشی دیگر این است که چگونه  سیستم پشتیبانی تصمیمی تنظیم کنیم که بتواند برای یک عملیات خاص دوباره تنظیم شود. در نهایت یک عملیات دقیق کشاورزی یک سیستم کنترل نزدیک است که  ورودی ها  (مثلا حسگرها و سایر منابع داده) را  از مزرعه می گیرد  و بازخورد ها  (مثلا اعمال مزرعه) به مزرعه می دهد.سیستم پشتیبانی تصمیم گیری سنتی تنها بر بخش اول حلقه یعنی ورودی ها و تصمیم گیری های تلفیقی  کنترل و تأکید دارد. یک چالش بزرگ هم  چگونگی بستن حلقه کنترل با دستگاه های کنترل  مزرعه است به طوری که  با خیال راحت با تصمیمات بهینه بگیرد.

            با توجه به تعریف رسمی NIST  از محاسبات ابری "یک مدل برای دسترسی به شبکه گسترده و راحت و بر اساس تقاضا برای دسترسی به یک پایگاه مشترک از منابع محاسباتی قابل تنظیم (به عنوان مثال شبکه ها، سرورها، ذخیره سازی، برنامه ها و سرویس ها) که می تواند به سرعت در اختیار قرار گیرد و با حداقل تلاش مدیریت یا ارائه دهنده خدمات . محاسبات ابر از تحویل ابزار الهام گرفته شده است. ] 2[  مدل: محاسبات قدرت ممکن است به صورت تقاضا مانند برق یا گاز تحویل داده شود، در تلاش برای پاسخگویی به تقاضا برای محاسبات مقیاس پذیر، محاسبات اینترنت به شدت در دسترس و مقرون به صرفه است. سرویس محاسبات ابری کاربران را قادر می سازد درخواست و انتشار منابع را براساس تقاضا و تنها برای آنچه که مورد استفاده قرار گرفته است، پرداخت شود. با جمع آوری منابع با هم، سرویس محاسبات ابری معمولا دسترسی بیشتری نسبت به شبکه های سرورهای معمولی کاربر دارد.

            محاسبات ابری همچنین برای حمایت از تصمیم گیری در کشاورزی دقیق برای تولید  محصولات تخصصی کاربرد دارد.اول ، کشاورزی دقیق در یک باغ یک عملیات غنی با داده است. یک سیستم پشتیبانی تصمیم باید حجم زیادی از اطلاعات را از حسگرها و سایر منابع را دریافت و آنها را  اداره کند. محاسبات ابر مقیاس پذیری لازم برای مدیریت این داده ها را در زمان واقعی فراهم می کند. دوم ، تقاضا برای حمایت از تصمیمات به طور چشمگیری در فصول متغیر است. با ارائه منابع . محاسبات ابری به سرعت می تواند تعداد نمونه های سرور و سایر منابع را بر اساس تقاضا تغییر دهد. در نهایت، سیستم های پشتیبانی از تصمیمات کشاورزی به طور فزاینده ای در اینترنت برای استفاده از دستگاه های متصل به اینترنت ] 4[ و ایجاد یک انجمن آنلاین میزبانی می شوند. ارائه دهنده خدمات ابری پیچیدگی سخت افزار را اجرا می کند و میان افزار را برای افزایش دسترسی و امنیت نگه می دارد. این توسعه دهندگان بر منطق یک سیستم پشتیبانی مبتنی بر وب تمرکز دارند.

          حرکت به سوی پشتیبانیِ تصمیم گیری مبتنی بر ابر ،  فرصت ها و چالش های جدید را ارائه می دهد. اول، کشاورزی دقیق از انواع حسگرها و منابع داده استفاده می کند، که هر کدام ممکن است فرمت و معانی خاص خود را داشته باشند. یک سیستم پشتیبانی مبتنی بر ابر نیاز به مدیریت یک نمایه متنوع از  انواع و فرمت های مختلف داده دارد. دوم، به طور سنتی یک سیستم پشتیبانی تصمیم نرم افزار خاص است. یک کشاورز ممکن است نیاز به دسترسی به سیستم های مختلف برای یک برنامه خاص (مانند آبیاری، لقاح و غیره) داشته باشد. برای ارائه یک تجربه کاربری ساده، یک سیستم پشتیبانی مبتنی بر ابر ، باید بتواند برای برنامه های مختلف تمدید و پیکربندی شود؛و در نهایت، توسعه اخیر اینترنت همه چیز (IoT) دستگاه های زمینه را از طریق اینترنت پیوند می دهد. انتظار می رود که یک سیستم پشتیبانی آینده تصمیمی برای کنترل پیشرفت در IoT، به طور ایمن از محیط ابر کنترل شود.

          در این مقاله چارچوب ما برای پشتیبانی از تصمیم گیری مبتنی بر ابر و سیستم های اتوماسیون (DSAS) و تجربه ما در اجرای آن در Agrilaksy، DSAS و ما از زمین تا قبل از استفاده از مقیاس پذیری و در دسترس بودن یک پلت فرم محاسبات ابر بحث می کنیم. ما تکنیک های جدیدی را برای رسیدگی به چالش های طراحی با DSAS مبتنی بر ابر طراحی کردیم. بقیه مقاله به شرح زیر برگزار می شود: بخش 2 خلاصه ای از چارچوب ما را ارائه می دهد. در بخش 3 ما در مورد ظاهر واردات داده ها در دستگاه-آگنوستیک بحث می کنیم که با منابع مختلف داده با فرمت داده ها و معانی شناخته شده تعریف می شود. در بخش 4 ما معماری نرم افزار قابل گسترش برای ماژول های تصمیم گیری را مورد بحث قرار می دهیم. در بخش 5 ما پارادایم کنترل فرآیندهای نرم افزاری را معرفی می کنیم، یک پارادایم جدید طراحی نرم افزار برای کنترل دستگاه های فیزیکی در زمینه ای از ابر .

بخش 6 در مورد اجرای فعلی Agrilaksy بحث می کند، سرانجام، در بخش 7 این مقاله را به پایان می رساند.

2. بررسی اجمالی سیستم

          شکل 1 نمای کلی چارچوب ما برای DSAS های مبتنی بر ابر را نشان می دهد. این دستگاه ظاهری وارداتی اطلاعاتی دارد. قسمت جلویی از مدل داده ها برای تعریف فرمت ها و معناشناسی مجموعه داده های ورودی استفاده می کند. جزئیات مدل داده در بخش 2 ارائه شده است. ماژول های تصمیم گیری آن با یک معماری نرم افزاری قابل برنامه ریزی طراحی شده است که شامل یک طراحی مدولار سلسله مراتبی می باشد. یک ماژول، که به عنوان یک برنامه وب در DSAS نامیده می شود، توسط رابط های آن مشخص می شود. یک برنامه وب جدید می تواند به سلسله مراتب تصمیم گیری بر روی پرواز اضافه شود یا برای جایگزینی یک ماژول موجود با یک رابط سازگار استفاده شود. جزئیات معماری نرم افزار قابل گسترش ما در بخش 3 معرفی شده است. در بخش 4، کنترل نرم افزاری تعریف شده، یک پارادایم جدید طراحی نرم افزار برای مدیریت پیچیدگی کنترل نمایه متنوع دستگاه ها را معرفی می کنیم. کنترل تعریف شده توسط نرم افزار ، مجازی سازی دستگاه های فیزیکی از طریق لایه های انتزاعی است. هر لایه جزئیات اجرایی لایه زیر را خلاصه می کند، در حالی که یک رابط کنترل  ، کنترل را به لایه بالا ارائه می دهد .

Abstract

         Recent technological and commercial developments make cloud computing an affordable, scalable, and highly-available platform technology. Meanwhile, precision agriculture is showing its potentials by improving agricultural operations through better data-driven decision making. Nevertheless, further development of precision agriculture requires better technology and tools to process data efficiently at a reasonable cost, and to translate the data to better decisions and actions in a field. We developed a framework for cloud-based Decision Support and Automation systems that can acquire data from various sources, synthesize application-specific decisions, and control field devices from the Cloud. A distinctive feature of our framework is its extensible software architecture: decision modules can be added and/or configured for a specific operation. The platform features a device-agnostic frontend that can process incoming data in different formats and semantics. Finally, the platform incorporates software-defined control, a new software design paradigm we proposed to enable versatile and safe control of field devices from a cloud computing platform. An early version of the system has been developed and tested with support from the USDA.

          Cloud computing is particularly beneficial for decision support in precision agriculture for specialty crops. First, precision agriculture in an orchard is a data-rich operation. A decision support system needs to handle a large volume of data from sensors and other sources. Cloud computing provides scalability necessary for handling these data in real time. Second, the demand for decision support fluctuates greatly on- and off-seasons. Through resource provisioning [3], cloud computing can change quickly the number of server instances and other resources, based on the demand. Finally, agriculture decision support systems are increasingly hosted on Internet, to take advantage of internet-connected devices (Internet of things[4]) and to build an online community. A cloud service provider handles the complexity of running hardware and maintaining middleware for enhanced availability and security. This leaves developers to focusing on the logics of a web-based decision support system.

         Moving towards cloud-based decision support presents opportunities as well as new challenges. First, precision agriculture uses a variety of sensors and data sources, each of which may have its own data format and semantics. A cloud-based decision support system needs to handle a diversified profile of data types and formats; second, traditionally a decision support system is application-specific. A farmer may need to access different systems for a specific application (e.g. irrigation, fertilization, etc). To provide a streamlined user experience, a cloud-based decision support system shall be able to be extended and configured for different applications; and finally, recent development of Internet of Things (IoT) links field devices through Internet. To capitalize the progress in IoT, a future decision support system is expected to control field device safely from the cloud.

          In this paper we discuss our framework for cloud-based decision support and automation systems (DSAS), and our experience of implementing it in Agrilaxy, a DSAS we developed from ground up to take advantage of the scalability and availability of a cloud computing platform. We developed new techniques to address the design challenges faced by a cloud-based DSAS. The rest of the paper will be organized as follows: Section 2 gives an overview of our framework. In Section 3 we discuss its device-agnostic data importation frontend, which works with different data sources with custom-defined data format and semantics. In Section 4 we discuss its extensible software architecture for decision modules. In Section 5 we introduce Software-Defined Control paradigm, a new software design paradigm for controlling physical devices in a field from the cloud. Section 6 discusses the current implementation of Agrilaxy, Finally, Section 7 concludes this paper.

2. System overview

         Figure 1 shows the overview of our framework for cloud-based DSASs. It has a device-agnostic data importation frontend. The front end uses data models to define the formats and semantics of input data sets. The details of a data model are given in Section 2. Its decision modules are developed with an extensible software architecture, featuring a hierarchical modular design. A module, referred to as a web app in the DSAS, is characterized by its interfaces. A new web app can be added to decision module hierarchy on-the-fly, or used to replace an existing module with a compatible interface. The details of our extensible software architecture are introduced in Section 3. In Section 4, we introduce Software-Defined Control, a new software design paradigm for managing the complexity of controlling a diversified profile of devices. Software-defined control virtualizes physical devices through layers of abstraction. Each layer abstracts the implementation details of the layer underneath, while providing a uniform control interface to the layer above.

چکیده

1. معرفی

2. بررسی اجمالی سیستم

3. وارد کردن اطلاعات مربوط به دستگاه آگنوستیک 

4. یک معماری نرم افزاری گسترده برای ماژول های تصمیم گیری

5.کنترل تعریف شده توسط نرم افزار: یک پارادایم طراحی نرم افزاری برای کنترل مبتنی بر ابر است  

6. پیاده سازی سیستم 

7. نتیجه گیری

منابع

Abstract

1. Introduction

2. System overview

3. Device-agnostic data importation

4. An extensive software architecture for decision modules

5. Software-defined control: a software design paradigm for cloud-based control

6. System implementation

7. Conclusions

References