智能农业信息物理系统管理中面向网络-物理建模的跨层可靠性分析与边缘自适应多目标优化策略

摘要

本方案提出了一种用于智能温室管理的跨层信息物理建模与优化策略，可对可靠性与生态性能进行可重复的评估。

摘要

日益增长的粮食需求和气候压力推动了智慧农业的发展，但现有的信息物理系统（Cyber-Physical Systems, CPS）缺乏可靠的跨层集成和实时灵活性，限制了其在动态环境中的性能表现。本实验方案旨在为智能温室农业提供一种跨层的信息物理建模与优化策略，展示其在提升农业信息物理系统可靠性与适应性方面的潜在应用价值。该方法在物理层集成土壤-植物-大气连续体模型（Soil-Plant-Atmosphere Continuum model）和集合卡尔曼滤波（Ensemble Kalman Filter, EnKF）校准，以实现对土壤湿度的精确预测；在网络层采用多协议融合技术，并结合随机Petri网建模以评估通信可靠性；在控制层基于随机混杂系统实现联合决策协调。通过功能-时间-生态指标框架进一步评估系统可靠性，优化部分则结合多目标强化学习、安全约束与贝叶斯元学习，以支持作物轮作过程中的快速适应。边缘智能部署确保在通信中断期间仍能实现鲁棒控制。中国寿光温室番茄种植的实验结果表明，该方法在产量预测、水分利用效率和控制延迟等方面均表现出可重复且稳定的性能。该方法学为实现具备自适应性与高可靠性的农业信息物理系统提供了实用且可复制的技术流程。

引言

全球人口正在快速增长，而资源可用性却在下降，这正在改变农业的发展方式。传统的农业模式依赖大量劳动力和物资投入，且对自然条件依赖性强，难以实现高效和可持续发展。在此背景下，智慧农业已成为一种变革性的方法。通过结合物联网、大数据分析、人工智能和空间信息系统，智慧农业能够实现对农田的全面感知、精准决策和智能控制，从而提高资源利用效率，促进农业生产的可持续性^1,2。

全球智能农业市场正呈指数级增长，美国在精准农业技术领域不断发展，以色列在节水灌溉方面处于领先地位，而日本则在智能温室系统领域取得进展。³. 在中国，国家农业和农村信息化发展“十四五”规划^th 五年规划推动了农业的数字化转型，促进了数字育种、智能农机以及规模化智慧农业项目的进步⁴物联网（IoT）是指由相互连接的执行与传感设备构成的网络，能够采集、交换和处理数据。然而，尽管取得了上述进展，物联网网络在覆盖范围、传感器精度与可靠性、系统间信息交换以及跨学科知识获取等方面仍存在问题，限制了其广泛应用。^5,6.

农业中的信息物理系统（Cyber-Physical Systems, CPS）处于这一领域的核心地位，它将环境感知与智能控制相连接⁷。CPS 融合了计算过程与物理过程，并通过传感器、控制器和通信网络实现互联。然而，现有的建模方法通常基于物理层、网络层和控制层相互独立的假设，限制了各层之间的交互，从而在动态扰动期间降低了系统的预测能力⁸。现有的可靠性评估也主要关注功能性和时间维度，而生态可靠性（如水分利用效率和土壤盐分约束）仍缺乏深入研究⁹。此外，许多优化策略依赖于离线训练，导致边缘推理出现延迟，并难以适应快速变化的环境或作物状态¹⁰。

基于传感器的温室监测正日益普及，但仍面临诸多阻碍，限制了其更广泛的应用。系统可扩展性和可靠性受到高昂部署成本和传感器质量参差不齐的制约。当前用于基于传感器的温室监测的建模方法，依赖于环境条件稳定、作物生长模式一致以及通信网络信息传输可靠的假设。然而，在温室内部多种实际条件下，这些假设并不成立。这些局限性表明，有必要设计并实现一种能够应对传感器非恒定噪声读数、使用过程中传感器供电波动以及通信中断时段的框架，同时不牺牲性能质量或实施可行性。

为解决这些局限性，本方案引入了一种可重复的跨层建模与优化工作流程，将物理、网络与控制过程整合到一个统一的框架中。物理层采用基于集合卡尔曼滤波校准的土壤-植物-大气连续体模型，以实现精确的土壤水分预测¹¹。网络层利用随机Petri网模型进行多协议融合，以评估通信的可靠性。在控制层面，采用随机混杂系统实现跨层联合决策。通过功能-时间-生态指标体系来衡量系统可靠性，采用多目标深度强化学习对该体系进行优化，并结合安全约束与贝叶斯元学习，以快速适应作物轮换。边缘智能部署还增强了系统在通信中断情况下的鲁棒性。综合上述要素，该方案为提升智能农业中信息物理系统（CPS）应用的稳定性与灵活性提供了系统化且可复制的方法¹²。

本方案适用于中到大规模的温室环境（800–1500 m²），并配备用于土壤、微气候和CO₂监测的多样化无线传感器网络。为实现实时控制，建议最小采样分辨率为5分钟，且多节点部署（>200个节点）需采用LoRa/NB-IoT通信。本工作流程以温室番茄生产为例进行演示，但通过参数重新调优和元学习迁移，也可应用于黄瓜、辣椒和叶类蔬菜等作物。

该方案基于一个顺序工作周期，其中物理层模型确定土壤湿度，网络层确定数据传输的稳定性，而控制与优化层则生成灌溉和施肥策略，从而提供生态与运行的稳定性。图1展示了所提出的信息物理系统跨层工作流程。

方案

需要注意的是，本方案不涉及对人体或脊椎动物进行的实验。若未来任何研究将涉及人类参与或生物样本的使用，必须事先获得相关机构审查委员会的批准，并记录批准编号后方可实施。

1. 场地与硬件准备

注意：此步骤构建一个标准化的传感器网络，可为后续的物理建模与控制提供关于环境的精确且同步的信息。

1. 通过在监控软件中输入GPS坐标来确定温室的位置。从提供的作物库中选择作物种类，并设定环境目标（温度：20-28 °C，相对湿度：50%-70%）。
2. 记录温室的尺寸、通风系统和遮阳配置。
3. 使用网络时间协议（NTP）¹³将所有设备同步至统一时钟。
4. 根据制造商的规格安装土壤湿度、温度、湿度、光照和CO₂传感器。
   1. 安装60个无线土壤湿度和温度传感器（精度±2%）、10个湿度和CO₂传感器（CO₂精度±30 ppm）以及4个多光谱光照传感器。采用6 m × 5 m的网格间距，将土壤传感器分别置于10、20和30 cm深度。根据功能不同，所有传感器均采用LoRa收发器和NB-IoT模块进行无线通信。使用NTP同步网关与气象传感器，实现±1秒的时间戳精度。
5. 将固定传感器安装在指定深度和位置，以确保测量准确。
6. 将数据采样率设置为5 mph，并开启网关处的时间戳对齐功能。
7. 为所有传感器节点注册唯一ID，并检查网关连接性。进行24小时试运行，以评估丢包率和时钟漂移。
8. 保留基线日志以供将来使用。表1列出了建模步骤的配置和参数设置。

2. 物理层建模（土壤-植物-大气连续体（SPAC）与集合卡尔曼滤波（EnKF））

注意：该阶段通过近似模拟土壤、植物与大气之间的相互作用，以准确估算用于控制灌溉的土壤含水量。

1. 在SPAC模型中准备输入数据，因为其需要以下内容：土壤质地、田间持水量、根系分布、气象驱动数据以及冠层叶面积指数。
2. 所有输入数据集均在 Python 3.10 中使用 Pandas 的 resample('5min').mean() 函数重采样至统一的 5 分钟时间索引。缺失值采用 SciPy 的 CubicSpline 方法进行插补，而数据缺失段 >通过EnKF预测阶段传播SPAC模型预报，重建了5分钟的时间序列。不确定性标志被保留，用于可靠性分析。
   1. 使用三次样条插值填补缺失值¹⁴. 重建较长的缺损> 使用基于土壤湿度和气象预报的集合卡尔曼滤波（EnKF）预测阶段，进行5分钟的预测。标记所有重建值以用于不确定性追踪。
3. 建立用于模拟非饱和水流的理查兹方程。
    
   何处  是体积含水量的变化速率 θ (m³相对于时间 t, h 压力水头（cm），K(θ) 为水力传导度。算子 ∇ 表示空间梯度，表达式 (∇h+1) 表示总水力梯度。
4. 使用范·吉努亨滕模型估算土壤水力参数：
   
   其中 K_s 饱和水力传导度，S_e (θ-θ_r )/(θ_s -θ_r) 是以 θ 表示的有效饱和度_s 和 θ_x 饱和含水量和残余含水量。 l 是孔隙连通性参数， m 和 n 且为通过（相关联的形状参数 与 n>1). 表示有效饱和度增加至孔隙连通性参数 l基于有效饱和度 S_e，van Genuchten水力函数参数  描述非线性土壤水分保持特性及形状参数 m.
5. 将Richards方程与Farquhar光合作用模型耦合，整合Penman-Monteith蒸腾模型以考虑光照、温度和CO₂的影响。₂.
6. 初始化集合卡尔曼滤波（EnKF）的参数先验分布和状态向量。
   注意：集合卡尔曼滤波（EnKF）是一种蒙特卡罗数据同化方法，通过将模型预测与传感器的实时观测数据相结合，并对误差协方差进行统计估计，从而更新土壤水分状态的估算结果。¹⁵.
7. 运行集合卡尔曼滤波（EnKF）预测-更新循环，直至土壤水分预测的均方根误差（RMSE）低于2%，或达到最大50次迭代。
8. 归档所有校准参数，以供后续分析。 图2 展示了经过SPAC-EnKF校准后生成的土壤水分稳定化曲线。
9. 执行SPAC-EnKF的数值模拟过程。使用MATLAB R2023b计算SPAC-EnKF。设定时间步长Δt = 300 s，集合大小N = 100，并将状态变量θ、h和K(θ)初始化。利用Richards方程求解器进行预报阶段，并结合观测的土壤水分数据进行更新阶段，直至达到RMSE的收敛阈值 < 当达到2%时，重复进行预测-更新循环。

3. 网络层建模（异构网络与随机Petri网（SPN））

注意：本节评估通信的可靠性，以实现控制决策的及时和连续数据传输。

1. 部署异构通信模块，包括用于长距离气象数据传输的LoRa、用于土壤传感器的NB-IoT，以及用于高频表型相机的5G。
   1. 将长距离、低带宽的气象数据（风速、辐射、降雨量）分配给LoRa模块。为需要中等带宽和低功耗运行的土壤传感器节点启用NB-IoT模块。使用5G NR模块传输高频表型相机数据，实现高速视频传输。在每个通信节点上连接基于Raspberry Pi的边缘网关，支持多协议管理。
2. 将系统配置为支持每个网关连接超过200个节点，并以5分钟为采样频率。
3. 持续记录接收信号强度指示（RSSI）、信噪比（SNR）和电池状态。每5分钟计算一次数据包接收率。
4. 若检测到异常接收，请检查天线对准情况并排查潜在的干扰源。定义并求解随机Petri网（SPN）通信可靠性模型
   1. 使用 Mobius 2.0 实现 SPN。定义三个位置：正常（Normal）、>95% 接收率）、延迟（80-95%）、中断（<80%）。配置转换速率 λ_nd，λ_二，和 λ_在 作为信噪比和剩余电池电量的函数：
      
   2. 使用线性平衡方程 πQ = 0 计算稳态分布，以获得通信中断概率 P_整数 = π_中断.
5. 定义一个具有三种通信状态的SPN模型： N 正常（>95% 接收率），延迟 D （80-95%），并中断 我 (<80%). Q 表示连续时间马尔可夫链的生成矩阵。
   
   状态转换由速率参数 λ 决定_X→Y，其中 X、Y ∈ {N,D,我}. 为确保每一行 Q 总和为零，每个对角线元素是该状态向外转移速率的负总和。
6. 基于信噪比和剩余能量指标估算过渡速率。
   
   何处 E 为归一化残余能量（0-1），SNR 为观测到的信噪比（分贝）。k_XY 是一个状态间转换速率的缩放常数 X 陈述 Y，而 k_s 调节SNR依赖性响应的陡峭程度。发生转换的SNR阈值 X→Y 是 SNR_XY低电池电量会增加发生转换的可能性，如图所示。 c_XY 和 p_XY.  ∈_XY 是一个确保转换概率非零的小基线速率。调节信噪比（SNR）敏感性的逻辑函数为
   
   其中 σ(u) 表示逻辑斯谛S型函数，指数项 e^-u 控制函数在 0 和 1 之间过渡的速率。
7. 求解稳态分布以获得中断概率。定义 α = λ_N→D，β = λ_N→I，γ = λ_D→N，δ = λ_D→I，ε = λ_I→N，ζ = λ_I→D稳态中断概率为：
   
   其中 π_我 显示系统长期（稳态）保持在中断状态的概率。三个状态之间的六个转移速率由参数 α、β、γ、δ、ε 和 ζ 表示。分母表示所有转移过程中的总体流动平衡，而分子汇总了通向中断状态的所有有效转移路径。在给定的速率结构下，通信中断的稳态概率由该结果值提供。 表 2 展示了所提出的信息物理系统中建模层之间的过程数据流转换。 

4. 控制层建模（SHS 中的 MPC）

注意：此过程可最大程度地优化灌溉与施肥方案，同时解决沟通方面的问题。

1. 构建一个模型预测控制（Model Predictive Control, MPC）系统，目标是优化24小时结束时的作物产量。执行基于模型预测控制（MPC）的灌溉调度。在Python 3.10 / CasADi库中实现MPC。定义预测时域Hp = 24步，控制时域Hc = 6，以及控制输入u(t)（灌溉通量）。使用IPOPT求解器优化代价函数：
   J = Σ (θ_target − θ(t))² + λu(t)²，
   约束条件为0 ≤ u(t) ≤ 6 mm/h。
2. 定义与灌溉和施肥过程相关的决策变量。
3. 对土壤含水量范围、根区电导率以及控制延迟施加约束。
4. 将网络中断概率作为时间不确定性加入MPC求解器中。
5. 在代价函数中使用权重引入软约束。输入权重Q = 0.5–1.0；输出权重Q = 0.3–0.7。根据初步调参试验调整权重，以确保MPC的预测稳定性。
6. 当发生数据包丢失时，利用SPAC模型预测未来1小时的土壤含水量，并计算补偿性灌溉量。
7. 在通信恢复后立即同步控制状态，以避免重复操作。
8. 将连续的物理系统、离散的网络系统以及控制动作整合为一个随机混合系统（Stochastic Hybrid System, SHS）转移模型。

5. 可靠性量化

注意：为了评估系统在受到干扰时的鲁棒性，本部分将评估功能、时间及生态可靠性。

1. 使用了三个可靠性指标：(1) 由产量预测误差（E_γ, %）和土壤湿度估计均方根误差（RMSE）量化的功能可靠性；(2) 由端到端控制延迟（L_e₋_e, s）衡量的时间可靠性；以及 (3) 通过水分利用效率（WUE, g·kg⁻¹）和根区电导率超过安全阈值的时间比例（T_ec>2.5dS/m, %）评估的生态可靠性。
2. 构建一个随机博弈模型，其中包含三个参与方：传感器（最小化故障概率）、攻击者（最大化故障可能性）和环境（向模型引入随机扰动）。
3. 定义收益函数并求解纳什均衡，以确定可靠性边界。采用Sobol指数进行全局敏感性分析，对参数贡献度进行排序¹⁶。
4. 参数贡献度通过绝对初等效应的均值（EE，Morris敏感性指数）进行量化，该值由扰动采样轨迹计算得出，并结合EE的方差进行联合评估，以捕捉参数间的交互强度和非线性特征；具有最高均值|EE|且EE方差较高的参数被识别为主要贡献者，并被选为后续优化的目标参数。

6. 优化策略

注意：此部分旨在最大化控制决策，以实现最佳的生产效率、成本效益和生态稳定性，同时在更换作物时仍保持快速适应能力。

1. 确定状态空间，包括叶面积指数、SPAC–EnKF–估算的土壤含水量以及在边缘控制器记录的控制延迟。
2. 通过定义灌溉量、施肥速率和传感器采样频率作为在边缘控制器实施的离散且有界的控制动作，建立动作空间。
3. 通过加权优化整合可靠性、经济成本和环境性能，构建多目标奖励函数。
4. 使用NSGA-III算法观察帕累托最优策略（表3）。
5. 利用控制屏障函数（CBFs）提供安全限制，通过对根区土壤含水量设置下限、对土壤盐分设置上限，以防止干旱和盐胁迫。
6. 通过在生长状态向量上定义一个正定的李雅普诺夫函数，并强制其时间导数在安全运行边界内为负定，提供李雅普诺夫稳定性条件。
7. 使用贝叶斯元学习，以便在更换作物时快速更新参数。
   注意：在此步骤后，可暂停工作流程以离线验证模型更新。通过重新加载最新检查点恢复执行。
8. 适应最近7天的数据，并将再训练时间控制在5分钟以内。通过剪枝和训练后量化方法训练一个压缩的强化学习模型，然后利用本地采集的交互数据在边缘设备上进行微调。
9. 当出现通信中断时，启用降级机制，以确保控制延迟保持在30秒以下。在通信恢复后同步恢复云端状态。

结果

根据SHAP汇总图（图3），土壤湿度和信噪比（SNR）对灌溉决策具有最大的正向SHapley Additive exPlanations（SHAP）影响。高延迟促使策略趋向保守的备用方案，表明其符合可靠性感知的控制架构。表4展示了计算模块的操作指令和配置细节

实验设置

为验证所提出的农业信息物理系统（CPS）网络物理建模结构及可靠性优化策略的有效性，在寿光开展了温室番茄实验。该设计包含极端环境模拟与受控试验，从而能够与传统及主流的智能控制方法进行对比。评估从可靠性、安全性和计算效率三个角度进行，同时实施消融实验以揭示核心模块的作用机制。整个研究遵循场景重构、数据支撑和定量验证的原则，以确保研究的科学严谨性与实际应用价值¹⁰。

实验地点与数据采集系统

讨论

实验结果表明，所提出的CPS框架及优化策略在可靠性、安全性和计算效率三个维度上均表现出色。跨层耦合建模成功克服了物理系统与网络表征之间长期存在的割裂问题。通过在统一的SHS框架内嵌入SPAC和SPN，该系统在极端高温条件下将产量预测误差降低了32.7%，同时将延迟缩短了45%。安全约束确保了生态性能未受损害，水分利用效率（WUE）提高了19%，根区电导率（EC）超标率仅为2.1%。贝叶斯元学习与边缘智能降级机制的引入，使系统能够快速适应新作物品种，并在通信中断期间保持稳定运行，展现出对动态农业环境的实际鲁棒性²³。

关键的实验步骤对于系统的成功至关重要。具体而言，实时可靠性是实现SPAC-EnKF建模过程准确校准与实施、异构通信模块的精确配置与监控，以及安全约束下多目标强化学习准确执行的前提条件。若这些步骤未能准确完成，可能导致预测误差增大、通信稳定性降低，或控制策略次优。

该研究解决了农业信息物理系统（CPS）中的三个主要挑战：跨层耦合不足、可靠性指标不完整以及策略适应性不足。...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
多光谱相机	MicaSense	RedEdge-MX	采集冠层反射率以估算叶面积指数（LAI）
NVIDIA Jetson Nano	NVIDIA	945-13450-0000-100	用于本地AI推理的边缘计算设备
土壤水分传感器	Decagon Devices	EC-5	测量土壤体积含水量
气象站	Campbell Scientific	CR300	记录温度、湿度和降水量