An embedded deep learning–fuzzy logic framework for intelligent and automated irrigation in smart farming
Ze Luo · Zhuo Yang · Yi Hu 等 4 人
提出IrrigaDL-FL低成本物联网智能灌溉框架，融合深度学习与模糊逻辑优化路由和灌溉决策。
用CNN-模糊逻辑控制器处理多源传感器与作物数据，结合OSPF协议做节能路由。
在仿真中网络寿命、剩余能量、能耗方差、传输包数和平均路径长度均优于现有方法。
可探索真实农田部署下多作物、多气候场景的泛化能力与边缘计算资源约束优化。
提出低成本物联网智能灌溉框架，融合深度学习与模糊逻辑优化路由与灌溉决策，方法新颖、仿真验证充分，对智慧农业节水研究有参考价值。
水资源短缺与提高资源效率的需求，使智能化和自动化灌溉管理成为智慧农业中的重要研究挑战。本研究提出IrrigaDL-FL，一种基于物联网的低成本自动化智能灌溉框架，将智能数据路由与自适应灌溉决策相结合。该框架由两个互补部分组成。首先，将深度学习-模糊逻辑（DL-FL）框架与开放最短路径优先（OSPF）协议集成，以提高网络中的数据路由效率。DL-FL框架结合这些异构特征来识别合适的下一跳节点并建立节能路由路径。其次，灌溉决策通过轻量级卷积神经网络-模糊逻辑控制器（CNN-FLC）执行。CNN-FLC处理来自传感器的信息和作物相关信息，包括空气温度、相对湿度、土壤湿度、蒸散速率、作物生长系数、作物需水量、种植日期、累计降雨量、近期降雨量、灌溉历史、作物生长阶段以及实际土壤湿度与目标土壤湿度之间的差值。这些输入用于表征作物水分胁迫，并动态确定合适的灌溉方案和喷灌器启动时长。所提出的IrrigaDL-FL框架通过在预定义路由轮次下对不同数量传感器节点进行仿真评估，并与若干现有方法进行比较。结果表明，IrrigaDL-FL在网络寿命、剩余能量、能量方差、传输数据包数量和平均路径长度方面均取得了更优性能。