Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Elektrotechnik und Systemtechnik# Netzwerke und Internet-Architektur# Signalverarbeitung

Smart Microfarming: Ein nachhaltiger Ansatz für Städte

Technologie und Gartenarbeit kombinieren für nachhaltige Städte.

― 5 min Lesedauer


StädtischesStädtischesSmart-Mikro-FarmingerklärtGartenarbeit effizienter zu machen.Technologie nutzen, um urbane
Inhaltsverzeichnis

Urban leben wird immer nachhaltiger mit zwei Hauptideen: Mikroanbau und urbane Datenverarbeitung. Mikroanbau bedeutet, in kleinen städtischen Flächen, normalerweise unter 5 Hektar, Nahrungsmittel anzubauen, während urbane Datenverarbeitung Daten aus verschiedenen Quellen nutzt, um das Leben in der Stadt zu verbessern. Wenn diese beiden Ideen zusammenkommen, entsteht smarter Mikroanbau, der Gärtnern in Städten zugutekommt.

Was ist smarter Mikroanbau?

Smarter Mikroanbau nutzt Technologie, um Menschen beim Pflanzenanbau in städtischen Umgebungen zu helfen. Mit Hilfe von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) kann es die besten Pflanzen für bestimmte Gärten basierend auf den Bodenbedingungen empfehlen. Dieser Prozess umfasst das Sammeln von Informationen von Sensoren, die die Bodenqualität über das Internet der Dinge (IoT) überwachen, welches diese Geräte mit dem Internet verbindet.

Wie funktioniert das?

Das System für smarten Mikroanbau besteht aus drei Hauptbestandteilen: IoT-Geräten, Edge-Geräten und Cloud-Services.

  1. IoT-Geräte: Das sind kleine Sensoren, die im Garten platziert werden und Daten über Bodenbedingungen wie Nährstoffe und Feuchtigkeitsgehalt sammeln. Diese Informationen werden an Edge-Geräte gesendet.

  2. Edge-Geräte: Diese Geräte, die oft leistungsfähigere Computer sind, verarbeiten die gesammelten Daten von IoT-Sensoren. Sie analysieren die Daten und geben erste Empfehlungen basierend auf den Messwerten ab.

  3. Cloud-Services: Trotz der Verarbeitung an der Edge werden komplexe Berechnungen und Maschinelles Lernen in der Cloud durchgeführt. Hier können grössere Datensätze analysiert werden, um die Empfehlungen im Laufe der Zeit zu verbessern.

Kommunikation im smarten Mikroanbau

Um Daten von IoT-Geräten zu Edge-Geräten zu senden, wird ein langreichweiten Kommunikationsprotokoll namens LoRa verwendet. Dieses System ermöglicht eine energieeffiziente und langstrecken Datenübertragung ohne teure Mobilfunknetze. Es ist besonders nützlich in hektischen städtischen Umgebungen, wo viele Geräte gleichzeitig kommunizieren könnten.

Der Daten-Erfassungsprozess

Wenn jemand eine Mikrofarm starten möchte, aktiviert er das System über eine einfache Benutzeroberfläche. Die Sensoren beginnen dann, Daten über wichtige Bodenmerkmale zu sammeln, wie die Menge an Stickstoff, Phosphor, Kalium, Temperatur und pH-Wert. Diese Informationen werden zur Analyse an die Edge-Geräte gesendet.

Empfehlungen für Pflanzen

Pflanzenempfehlungen werden durch mehrere Schritte gemacht:

  1. Daten-Eingabe: Gärtner können die Bodeninformationen manuell oder automatisch durch Sensoren bereitstellen. Diese Daten werden gesammelt und zur tiefergehenden Analyse in die Cloud gesendet.

  2. Datenverarbeitung: Die Cloud verwendet Techniken des kollaborativen Filterings, um fehlende Daten über Boden- und Pflanzenleistungen zu ergänzen. Das hilft, einen umfassenderen Datensatz für die Analyse zu erstellen.

  3. Modelltraining: Maschinelle Lernmodelle werden mit den gesammelten Daten trainiert. Diese Modelle lernen, welche Pflanzen in bestimmten Bodentypen und Bedingungen gedeihen, basierend auf vergangenen Daten.

  4. Empfehlungen: Sobald die ML-Modelle trainiert sind, können sie neue Bodendaten aus städtischen Gärten analysieren und die geeignetsten Pflanzen vorschlagen. Dieser Empfehlungsprozess läuft schnell und effizient ab.

Evaluierung der Systemleistung

Eine Reihe von Tests und Simulationen wird durchgeführt, um die Zuverlässigkeit der gesammelten Daten und der gegebenen Empfehlungen sicherzustellen. Leistungskennzahlen sind unter anderem, wie gut das Kommunikationssystem funktioniert, wie effektiv fehlende Daten ergänzt werden können, und wie genau die Pflanzenempfehlungen sind.

Kommunikationsleistung

Die Tests, die mit LoRa-Kommunikation durchgeführt werden, konzentrieren sich darauf, wie gut Daten von IoT-Geräten zu Edge-Geräten gesendet werden. Es hat sich herausgestellt, dass es Probleme wie Paketkollisionen geben kann, wenn mehrere Geräte gleichzeitig Daten senden. Um diese Probleme zu mindern, wird ein Mechanismus zur Kollisionserkennung und -vermeidung eingesetzt.

Leistung des kollaborativen Filterings

Um zu bewerten, wie effektiv das System bei der Vorhersage von Pflanzenleistungen ist, testen Forscher die Genauigkeit der Methode des kollaborativen Filterings. Sie analysieren, wie gut diese Methode mit verschiedenen Datenmängeln umgeht und entdecken, dass mehr Daten zu einer besseren Vorhersagegenauigkeit führen.

Maschinelles Lernen für Empfehlungen nutzen

Acht verschiedene Algorithmen für maschinelles Lernen werden getestet, um herauszufinden, welcher die besten Empfehlungen für Pflanzen bietet. Verschiedene Kennzahlen wie Genauigkeit und mittlerer quadratischer Fehler werden verfolgt, um zu bestimmen, welcher Algorithmus unter verschiedenen Bedingungen am besten abschneidet.

Einige der getesteten Algorithmen sind:

  • K-Nearest Neighbors (KNN)
  • Neuronale Netzwerke (NN)
  • Entscheidungsbaum
  • Random Forest
  • Support Vector Machine (SVM)
  • Gradient Boost (GB)
  • Extreme Gradient Boost (XGB)

Die Ergebnisse zeigen, dass Gradient Boosting und Extreme Gradient Boosting schnell höhere Genauigkeitslevels erreichen im Vergleich zu anderen Methoden.

Fazit

Smarter Mikroanbau ist ein vielversprechender Ansatz für das Gärtnern in der Stadt, der Technologie mit nachhaltigem Leben kombiniert. Die Integration von IoT-Geräten, Edge-Verarbeitung und Cloud-Computing ermöglicht eine effiziente Datensammlung und -analyse. Durch den Einsatz von maschinellem Lernen kann das System personalisierte Empfehlungen für städtische Gärtner geben und ihnen helfen, die besten Pflanzen für ihre spezifischen Bodenbedingungen auszuwählen.

Obwohl das System grosses Potenzial zeigt, gibt es weiterhin Herausforderungen, insbesondere bei der Kommunikationszuverlässigkeit und der Vollständigkeit der Daten. Zukünftige Arbeit wird sich darauf konzentrieren, die Geschwindigkeit und Leistung der Modelle für maschinelles Lernen zu verbessern, um sicherzustellen, dass städtische Gärtner die genauesten Empfehlungen bekommen.

Durch die Annahme dieser smarten Lösungen können wir die städtische Landwirtschaft unterstützen und das Leben in der Stadt nachhaltiger gestalten, was letztendlich zu gesünderen Gemeinschaften und Umgebungen führt.

Originalquelle

Titel: Towards Smart Microfarming in an Urban Computing Continuum

Zusammenfassung: Microfarming and urban computing have evolved as two distinct sustainability pillars of urban living today. In this paper, we combine these two concepts, while majorly extending them jointly towards novel concepts of smart microfarming and urban computing continuum. Smart microfarming is proposed with applications of artificial intelligence (AI) in microfarming, while an urban computing continuum is proposed as a major extension of the concept towards an efficient Internet of Things (IoT) -edge-cloud continuum. We propose and build a system architecture for a plant recommendation system that uses machine learning (ML) at the edge to find, from a pool of given plants, the most suitable ones for a given microfarm using monitored soil values obtained from IoT sensor devices. Moreover, we propose to integrate long-distance LongRange (LoRa) communication solution for sending the data from IoT to the edge system, due to its unlicensed nature and potential for open source implementations. Finally, we propose to integrate open source and less constrained application protocol solutions, such as Advanced Message Queuing Protocol (AMQP) and Hypertext Transport Protocol (HTTP) protocols, for storing the data in the cloud. An experimental setup is used to evaluate and analyze the performance and reliability of the data collection procedure and the quality of the recommendation solution. Furthermore, collaborative filtering is used for the completion of an incomplete information about soils and plants. Finally, various ML algorithms are applied to identify and recommend the optimal plan for a specific microfarm in an urban area.

Autoren: Marla Grunewald, Mounir Bensalem, Jasenka Dizdarević, Admela Jukan

Letzte Aktualisierung: 2024-11-13 00:00:00

Sprache: English

Quell-URL: https://arxiv.org/abs/2408.02992

Quell-PDF: https://arxiv.org/pdf/2408.02992

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel