AI-Driven Smart Irrigation System Using Edge-Based Embedded Controllers
Fahad Al-Jame · Perera Manthila
提出基于边缘嵌入式控制器的AI智能灌溉系统，实现实时自适应灌溉调度。
Raspberry Pi 4做AI推理、STM32做执行控制，结合环境传感与轻量
半干旱区试验显示节水38%、增产20%，延迟34毫秒、功耗低于2.5W。
可探索TinyML模型在多种作物与土壤气候下的泛化能力及低成本边缘节点组网协同。
边缘AI灌溉系统实测节水38%、增产20%，方法新颖数据扎实，但论文发表于两周后、时效性偏弱，适合作为技术类精选。
本研究提出了一种基于人工智能的新型智能灌溉装置，采用模拟边缘控制器，旨在解决日益严重的缺水问题和农业操作不当问题。该系统将环境传感、轻量级机器学习算法和微控制器上的执行器相结合，能够实现实时自适应灌溉调度。其关键部分的实现方式包括将树莓派4（Raspberry Pi 4）作为AI推理模块，将STM32微控制器作为执行器控制器，从而提升了响应速度、增强了安全性并降低了能耗，因为无需依赖云计算。利用当地气候和土壤湿度数据，机器学习模型根据温度、湿度、降雨和作物特定阈值等多种参数，确定最佳灌溉时间和时长。整个决策过程自动化并在边缘端执行，使其即使在互联网连接较差或无互联网连接的地区也能不间断运行。通过在半干旱农业区进行广泛的田间测试，验证了所推荐方案的有效性。研究结果表明，资源效率有显著提升，与传统基于时间的灌溉方案相比，用水量减少了高达38%，作物产量增加了20%。此外，该系统平均延迟仅为34毫秒，功耗低于2.5瓦，在农村地区部署中非常实用。TinyML及其与低成本边缘硬件的兼容性具有可扩展性和可持续性，为发展中国家灌溉基础设施的现代化开辟了一条高效路径。本文不仅强调了嵌入式AI在精准农业中的革命性，还为数据驱动农场管理和自主农场管理领域的进一步创新发展奠定了基础。所提出的方案是实现环境可持续性、提高农业生产力以及做出智能本地化决策以合理用水的一种可行选择。