Modelinio nuspėjamojo valdymo integravimas į tiksliojo ūkininkavimo technologijas

Tikslioji žemdirbystė – tai modernus, duomenimis pagrįstas metodas, kai naudojamos pažangios technologijos, siekiant pritaikyti ūkininkavimą konkrečioms lauko sąlygoms. Pavyzdžiui, ūkininkai naudoja GPS, daiktų interneto jutiklius, dronus ir analitiką, kad realiuoju laiku stebėtų dirvožemio drėgmę, orus ir pasėlių sveikatą. Tada jie tinkamoje vietoje ir laiku naudoja tikslų reikiamą vandens, trąšų ar pesticidų kiekį. Šis išmanus metodas pagerina efektyvumą ir derlių, tuo pačiu sumažindamas atliekas; vienoje ataskaitoje pažymima, kad tikslieji metodai lėmė maždaug 4% padidėjimą pasėlių produkcijoje ir 9% sumažėjimą herbicidų naudojime. Šiame kontekste modeliavimo nuspėjamoji kontrolė (MPC) tapo galinga žemės ūkio kontrolės strategija.

MPC naudoja matematinį ūkio sistemos modelį, kad numatytų būsimą elgseną ir apskaičiuotų optimalius valdymo veiksmus per kintantį laikotarpį. Kiekviename žingsnyje jis sprendžia optimizavimo problemą, kad sumažintų sąnaudas (pavyzdžiui, nukrypimą nuo tikslinio dirvožemio drėgmės ar energijos suvartojimo), atsižvelgiant į vandens, įrangos ribas ir kt. apribojimus. Kadangi MPC žvelgia į ateitį ir prisitaiko prie kintančių sąlygų, jis idealiai tinka sudėtingiems, apribotiems ūkininkavimo procesams valdyti. Valdymo sistemos, tokios kaip MPC, yra labai svarbios šiuolaikiniame žemės ūkyje, kur augintojai turi derinti daugybę kintamųjų (dirvožemio kintamumą, oro pokyčius, pasėlių augimo etapus) ir veikti esant griežtiems išteklių ir aplinkos apribojimams.

Numatydamas būsimus poreikius (pvz., artėjančią karščio bangą ar lietaus prognozę) ir automatiškai reguliuodamas pavaras (vožtuvus, purkštuvus, šildytuvus), MPC leidžia priimti adaptyvesnius sprendimus nei rankinis ar paprastas grįžtamojo ryšio valdymas. Šis nuspėjamasis, optimizavimu pagrįstas metodas padeda ūkininkams taupyti vandenį ir energiją bei didinti derlių – tai pagrindiniai tikslai, nes pasaulis susiduria su griežtesniais išteklių apribojimais ir klimato kaitos nepastovumu.

Modelinio nuspėjamojo valdymo pagrindai

Modelinis nuspėjamasis valdymas (MPC) veikia pakartotinai prognozuodamas sistemos būsimas būsenas ir optimizuodamas valdymo įvestis per baigtinį horizontą. Jis atsirado septintajame–aštuntajame dešimtmetyje, devintajame dešimtmetyje buvo pritaikytas procesų pramonėje ir nuo to laiko vystėsi per klasikinį, patobulintą, modernų ir duomenimis pagrįstą etapus, kuriuos lėmė skaičiavimo galios pažanga, patobulintas apribojimų tvarkymas ir auganti integracija su mašininiu mokymusi ir duomenų mokslu. Pagrindiniai elementai:

• Proceso modelis: MPC remiasi matematiniu (fiziniu arba duomenimis pagrįstu) ūkio proceso (pasėlių augimo, dirvožemio vandens balanso, klimato dinamikos ir kt.) modeliu. Šis modelis prognozuoja, kaip sistema vystysis atsižvelgiant į sąnaudas.
• Prognozavimo horizontas: Kiekviename valdymo etape modelis, naudodamas dabartinius matavimus (pvz., jutiklių rodmenis) ir galimus valdymo veiksmus, projektuoja fiksuotą laiko langą (prognozavimo horizontą).
• Sąnaudų funkcija (tikslas): MPC apibrėžia sąnaudas arba tikslą, kurį reikia sumažinti, pavyzdžiui, nukrypimus nuo pageidaujamos dirvožemio drėgmės ar temperatūros, ir baudas už išteklių naudojimą.
• Optimizavimas: Valdiklis sprendžia apribotą optimizavimo problemą ateityje, kad rastų veiksmų seką (laistymo greičius, šildytuvo nustatymus ir kt.), kuri sumažintų sąnaudas, kartu tenkinant apribojimus.
• Apribojimų tvarkymas: MPC natūraliai apima įvesties ir būsenų apribojimus, pavyzdžiui, siurblio našumą, vožtuvų ribas, pavarų greičius ir aplinkos apribojimus, susijusius su vandens naudojimu ar maistinių medžiagų lygiu. Optimizavimo priemonė užtikrina, kad veiksmai atitiktų šias ribas.

Išsprendęs problemą, MPC taiko pirmąjį optimizuotos sekos valdymo veiksmą, tada laukia kito laiko žingsnio, iš naujo išmatuoja sistemą ir sprendžia naują optimizavimą (tai yra “tolstančio horizonto” arba “slenkančio optimizavimo” schema). Šis grįžtamasis ryšys suteikia MPC atsparumą trikdžiams ir modelio klaidoms, nes jis reguliariai atnaujina prognozes naujais duomenimis. Priešingai nei tradiciniai valdymo metodai:

1. PID valdikliai koreguoti įvestis tik pagal dabartines ir praeities paklaidas (proporcingumo–integralumo–išvestinės), aiškiai nenumatant būsimų pokyčių ar apribojimų. Jie gerai veikia su vieno kintamojo sistemomis, tačiau sunkiai veikia su kelių kintamųjų optimizavimu ar griežtais apribojimais.

2. Taisyklėmis pagrįstos sistemos laikytis iš anksto nustatytų euristikos metodų (pvz., įjungti laistytuvą, jei drėgmė < X). Jiems trūksta formalaus optimizavimo ir jie negali lengvai subalansuoti konkuruojančių tikslų ar prisitaikyti prie naujų sąlygų.

Tuo tarpu MPC nuspėjamasis optimizavimas leidžia jį pranokti sudėtingoms ūkininkavimo užduotims. Jis gali vienu metu apdoroti kelis kintamuosius (temperatūrą, drėgmę, CO₂, vandenį), atitikti griežtus apribojimus ir prisitaikyti prie prognozių (pvz., į modelį galima įtraukti orų prognozes). Pagrindinis kompromisas yra skaičiavimo pajėgumas: optimizavimo sprendimas internetu kiekviename žingsnyje reikalauja daugiau skaičiavimo galios. Tačiau šiuolaikiniai procesoriai ir specializuoti sprendikliai (pvz., OSQP, ACADO) leido naudoti realaus laiko MPC net ir žemės ūkio reikmėms.

Tipinę MPC sistemą sudaro trys komponentai: matematinis modelis (gali būti pagrįstas fizika arba išmoktas iš duomenų), jutikliai ir duomenų šaltiniai (teikiantys dirvožemio, oro sąlygų, pasėlių būklės matavimus realiuoju laiku) ir MPC valdiklis / optimizavimo priemonė (veikianti kompiuteryje arba įterptajame įrenginyje). Modelis gali imituoti pasėlių augimą (derliaus optimizavimui), dirvožemio vandens dinamiką (drėkinimui) arba šiltnamio klimatą. Jutikliai gali būti dirvožemio drėgmės zondai, lapų drėgmės jutikliai, temperatūros / drėgmės monitoriai arba nuotolinio stebėjimo vaizdai. Tada MPC valdiklis nuskaito duomenis, prognozuoja būsimas būsenas ir apskaičiuoja valdymo komandas (vožtuvų atidarymas, traktorių vairavimas, lempų reguliavimas).

Tiksliosios žemdirbystės sistemų apžvalga

Tikslioji žemdirbystė siekia padidinti produktyvumą, efektyvumą ir tvarumą, naudojant išsamius duomenis apie laukus ir pasėlius. Vietoj vienodos praktikos ūkininkai dabar pritaiko veiksmus prie vietos sąlygų. Pavyzdžiui, dirvožemio sudėtis ir drėgmė gali labai skirtis net ir viename lauke; tikslioji technologija leidžia ūkininkui žinoti, kuriems plotams reikia daugiau trąšų, o kuriems – mažiau. Įprastos pagrindinės technologijos apima:

1. Daiktų interneto jutikliai ir belaidžiai tinklai: Dirvožemio drėgmės zondai, temperatūros jutikliai, EC (dirvožemio druskingumo) zondai ir kiti daiktų interneto įrenginiai nuolat matuoja lauko sąlygas. Šie jutikliai siunčia duomenis į ūkio valdymo sistemas.
2. GPS ir GIS sistemos: GPS leidžia tiksliai sudaryti laukų žemėlapius. Ūkininkai naudoja GIS (geografines informacines sistemas), kad sukurtų dirvožemio ir derlingumo žemėlapius. Šie žemėlapiai padeda nustatyti kintamą sėklų, vandens ar trąšų normą (VRI).
3. Dronai ir palydovinės nuotraukos: Aerofotografija (NDVI, terminė, RGB) leidžia nuskaityti pasėlių sveikatą ir stresą lauko lygmenyje. Dronai taip pat gali turėti jutiklius (daugiaspektrines kameras, LiDAR), skirtus augalų gyvybingumui stebėti.
4. Ūkio valdymo programinė įranga: Debesijos platformos renka ir analizuoja visus šiuos duomenis, padėdamos ūkininkams vizualizuoti kintamumą ir priimti sprendimus (pvz., kur laistyti ar purkšti).

Šios technologijos keičia sprendimų priėmimą. Vienas pramonės šaltinis paaiškina, kad stebėdami dirvožemio ir pasėlių duomenis realiuoju laiku, augintojai gali priimti protingesnius sprendimus ir naudoti išteklius tik ten, kur reikia. Praktiškai tikslioji žemdirbystė parodė didelę naudą: pavyzdžiui, naudojant kintamo greičio drėkinimą ir drėgmės jutiklius visuose JAV ūkiuose, būtų galima sutaupyti papildomai 211 TP3 T vandens. Apskritai šiuolaikiniai tiksliosios žemdirbystės ūkiai, priimdami duomenimis pagrįstus sprendimus, gali pasiekti didesnį derlių, spartesnį augimą ir mažesnes sąnaudas.

Pavyzdžiui, drėkinimo ir tręšimo automatizavimas remiantis jutiklių duomenimis reiškia mažiau atliekų ir efektyvesnį išteklių naudojimą. Pažymėtina, kad tikslioji žemdirbystė taip pat sumažina poveikį aplinkai: neseniai atliktoje analizėje nustatyta, kad tiksliosios žemdirbystės metodai vidutiniškai sumažino herbicidų naudojimą 9%, o vandens – 4%. Optimizuodama sąnaudas, tikslioji žemdirbystė sumažina nuotėkį ir išmetamųjų teršalų kiekį, padėdama ūkiams tapti tvaresniais.

MPC integracija ir pagrindiniai taikymai tiksliojoje žemdirbystėje

Modelinis nuspėjamasis valdymas natūraliai dera su išmaniąja ūkininkavimo sistema kaip “smegenys”, kurios duomenis paverčia veiksmais. Įprastame sraute daiktų interneto jutikliai ir išoriniai duomenys (pvz., orų prognozės) įtraukiami į skaitmeninį ūkio proceso modelį (pasėlių augimas, dirvožemio vandens balansas, šiltnamio klimatas ir kt.). MPC valdiklis tada naudoja šį modelį būsimoms būsenoms numatyti ir optimaliam valdymui apskaičiuoti. Ciklas yra toks: jutimas → modeliavimas / prognozavimas → optimizavimas → aktyvavimas.

Pavyzdžiui, dirvožemio drėgmės jutikliai ir orų prognozės patenka į dirvožemio ir vandens modelį. MPC optimizavimo priemonė naudoja tai, kad suplanuotų drėkinimą kitą dieną ar savaitę, atsižvelgdama į lietaus ir temperatūros prognozes. Tada ji siunčia komandas drėkinimo vožtuvams arba siurbliams. Kiekvienu intervalu matavimai atnaujina modelį ir optimizavimas kartojasi. Tai įgalina realaus laiko, adaptyvų valdymą, kuris nuolat atsižvelgia į naują informaciją.

MPC gali būti vykdomas internetu (realiuoju laiku) ūkio kompiuteriuose arba valdikliuose. Lėtesniems procesams (pvz., sezoniniams drėkinimo planams) jis gali atlikti planavimą neprisijungus ir tada įgyvendinti tvarkaraštį. Skirtumas tas, kad realiuoju laiku vykdomas MPC kiekviename etape naudoja dabartinius duomenis, o neprisijungus – fiksuotą planą, atnaujinamą kasdien arba kas savaitę. Pažangiausia koncepcija yra skaitmeninis ūkio ar šiltnamio dvynys – virtuali žemės ūkio sistemos kopija.

Skaitmeninis dvynys integruoja dirvožemio, pasėlių, klimato ir įrangos modelius. Ūkininkai gali išbandyti valdymo strategijas dvynyje (modeliacijas) prieš taikydami jas realiame ūkyje. Tikslusis kompiuterinis modelis (MPC) naudoja dvynį prognozėms ir optimizavimui be rizikos. Ateityje debesų kompiuterijos ir 5G pažanga gali sudaryti sąlygas galingoms skaitmeninio dvynio simuliacijoms akimirksniu, o kraštiniai kompiuteriai (vietiniai valdikliai) atlieka greitą MPC robotams ar technikai vietoje. Kai kurie pagrindiniai MPC taikymo būdai tiksliajame ūkininkavime:

1. Drėkinimo valdymas: MPC plačiai naudojamas efektyviam drėkinimui valdyti. Naudodamas dirvožemio drėgmės modelį ir orų prognozę, MPC prognozuoja augalų vandens poreikius ir sudaro laistymo grafiką. Jis užtikrina, kad būtų pasiektas tikslinis dirvožemio drėgmės lygis, tuo pačiu sumažinant vandens sunaudojimą ir laikantis siurblio ar vandens tiekimo apribojimų. Pavyzdžiui, MPC valdiklis gali sumažinti drėkinimą prieš prognozuojamą lietų arba reguliuoti laistymą karščio bangos metu.

Praktiškai nuspėjamoji drėkinimo kontrolė gali smarkiai sumažinti vandens sunaudojimą – vienoje ataskaitoje pažymima, kad dirbtinio intelekto valdomas drėkinimas sumažina vandens sunaudojimą iki 351 TP3 T, o derlių padidina 15–301 TP3 T. Daugiafunkcis nuspėjamasis drėkinimo valdymas (MPC) taip pat gali įgyvendinti deficitinio drėkinimo strategijas (tyčia sumažinti vandens trūkumą), kad pagerintų pasėlių kokybę (pvz., vynuogynuose). Balansuodamas derlių ir vandens taupymą, daugiafunkcis MPC nustato optimalius kompromisus atsižvelgiant į lauko apribojimus.

2. Klimato kontrolė šiltnamiuose: Kontroliuojamos aplinkos žemės ūkis labai naudingas naudojant MPC. Šiltnamiuose yra daug tarpusavyje susijusių kintamųjų: temperatūra, drėgmė, CO₂, šviesa ir kt. MPC gali vienu metu valdyti visus pavaros mechanizmus (šildytuvus, ventiliacijos angas, ventiliatorius, apšvietimą, CO₂ purkštuvus), kad efektyviai palaikytų idealias augimo sąlygas.

Pavyzdžiui, vienas tyrimas su integruotu stoginiu šiltnamiu parodė, kad nelinijinė MPC strategija sumažino energijos suvartojimą (šildymui / vėsinimui) vidutiniškai 15,21 TP3T, palyginti su tradiciniu valdymu. Numatydama išorinius oro pokyčius ir augalų poreikius, MPC palaiko atsparumą klimatui ir mažas energijos sąnaudas. Ji gali nuspręsti, pavyzdžiui, kiek atidaryti ventiliacijos angas ar įjungti šildytuvą prieš numatomą atšalimą. Apskritai MPC leidžia sutaupyti daug energijos ir CO₂, tuo pačiu užtikrinant maksimalų augalų komfortą.

3. Trąšų ir maistinių medžiagų valdymas: MPC gali tiksliai dozuoti trąšas ir maistines medžiagas (dirvožemyje arba hidroponikoje) pagal augimo modelius. Naudodamas jutiklių duomenis apie maistinių medžiagų lygius ir augalų augimo etapus, MPC planuoja maistinių medžiagų tiekimą, kad patenkintų augalų poreikius be pertekliaus. Toks tikslus dozavimas sumažina trąšų nuotėkį ir atliekas. Valdikliai taip pat gali valdyti pH ir elektrinį laidumą hidroponiniuose tirpaluose. Pavyzdžiui, MPC schema gali užtikrinti tikslinę maistinių medžiagų koncentraciją, tuo pačiu sumažinant bendrą sunaudojimą, tiesiogiai optimizuodama 4R principų “tinkamą normą, tinkamą laiką, tinkamą vietą”. Tikslus maistinių medžiagų valdymas turi dvigubą naudą: padidina derlių ir sumažina cheminę taršą. Iš tiesų, AEM tyrime pažymėta, kad tikslios praktikos padidina trąšų įterpimo efektyvumą maždaug 7%.

4. Pasėlių augimo optimizavimas: Be atskirų procesų, MPC gali dirbti su augalų augimo modeliais, kad optimizuotų derlių ir kokybę. Dinaminiai modeliai (pvz., DSSAT, AquaCrop) aprašo, kaip augalas auga esant tam tikram drėkinimui, maistinėms medžiagoms ir klimatui. MPC gali integruoti šiuos duomenis, kad nustatytų optimalius laistymo, tręšimo ir galbūt kenkėjų kontrolės grafikus visą sezoną.

Pavyzdžiui, jis gali atidėti drėkinimą, kad sukeltų norimą kokybės stresą, arba naudoti papildomas trąšas kritiniais augimo laikotarpiais. Taigi MPC valdiklis tampa augimo optimizatoriumi, kuris realiuoju laiku keičia ūkininkavimo sąnaudas, kad maksimaliai padidintų derlių. Tyrimų apžvalgose pabrėžiama, kad pasėlių augimo ir derliaus optimizavimas yra pagrindinė MPC taikymo sritis.
. MPC taip pat naudojamas streso valdymui, pavyzdžiui, lajos drėgmei reguliuoti, siekiant apriboti grybelines ligas ir išlaikyti augimą.

5. Autonominė žemės ūkio įranga: Šiuolaikiniai traktoriai, purkštuvai ir robotai naudoja MPC kelio planavimui ir valdymui. Pavyzdžiui, autonominis purškiantis dronas arba traktorius gali naudoti MPC savo trajektorijai planuoti ir tiksliems lauko darbams atlikti. Aukščiau pateiktame paveikslėlyje parodytas dronas, skrendantis virš lauko – jo skrydžio trajektoriją ir purškimo greitį MPC galėtų optimizuoti pagal GPS žemėlapius ir kliūčių jutiklius. MPC gali valdyti transporto priemonės dinamiką, vėjo trikdžius ir akumuliatoriaus apribojimus, kad robotas išliktų teisingame kurse.

Praktiškai MPC pagrįsti planuotojai leidžia įrangai aprėpti laukus su minimaliu persidengimu, išvengti kliūčių ir realiuoju laiku reguliuoti greitį. Tai lemia efektyvų išteklių naudojimą (pvz., mažiau degalų, tolygesnis purškimas) ir saugesnę navigaciją. Iš tiesų, MPC yra žinomas dėl patikimo apribojimų valdymo ir optimizavimo realiuoju laiku robotikoje. Šiuolaikiniai autonominiai traktoriai ir robotiniai derliaus nuėmimo įrenginiai dažnai turi MPC arba panašius modeliu pagrįstus valdiklius navigacijai ir užduočių vykdymui.

Modelinio nuspėjamojo valdymo privalumai tiksliojoje žemdirbystėje

Išteklių naudojimo efektyvumas: MPC prognozavimo optimizavimas leidžia sutaupyti daug lėšų. Tyrimai rodo, kad jis taupo vandenį ir energiją, planuodamas drėkinimą ir klimato kontrolę tik tada, kai to reikia, dažnai sutaupant 20–351 TP3 t vandens, palyginti su naiviu planavimu. Tai taip pat leidžia tiksliau naudoti trąšas ir pesticidus, sumažinant cheminių medžiagų naudojimą (AEM praneša apie 91 TP3 t mažesnį pesticidų naudojimą taikant tikslias praktikas). Trumpai tariant, MPC padeda ūkininkams “naudoti mažiau, kad užaugintumėte daugiau”, pasitelkiant tinkamą sąnaudų kiekį įvairiomis sąlygomis.

Didesnis derlius ir kokybė: Numatydamas stresą ir proaktyviai koreguodamas sąnaudas, MPC gali pagerinti pasėlių derlių ir kokybę. Optimalių sąlygų (dirvožemio drėgmės, temperatūros, maistinių medžiagų) palaikymas visą sezoną tiesiogiai skatina augalų augimą. Pavyzdžiui, daugelyje bandymų MPC pagrįsta klimato kontrolė šiltnamiuose padidino daržovių derlių ir kartu taupė energiją. MPC apžvalgoje pabrėžiama, kad pagrindiniai privalumai yra geresnė produkcijos kokybė ir ekonominė nauda.

Sumažintas poveikis aplinkai: Efektyvesnis vandens, trąšų ir chemikalų naudojimas reiškia mažesnį ekologinį pėdsaką. Tikslieji metodai apskritai leido efektyviai “sutaupyti” milijonus akrų žemės, gaunant daugiau iš esamų laukų. MPC indėlis į tai akivaizdus: sumažinus nereikalingą vandens nuotėkį ir trąšų perteklių, sumažėja nitratų išplovimas ir cheminė tarša. AEM analizėje pažymima, kad platesnis tiksliųjų technologijų (įskaitant MPC tipo kontrolės priemones) diegimas jau dabar galėtų padėti išvengti 10,1 milijono tonų CO₂ ekvivalento išmetimo dėl sutaupytos žemės ir degalų.

Apribojimų ir neapibrėžtumo valdymas: Skirtingai nuo fiksuotų valdiklių, MPC gali automatiškai paklusti apribojimams (siurblio našumui, vožtuvų riboms, aplinkosaugos reglamentams) ir gali optimizuoti net ir esant išteklių apribojimams. Jis taip pat gali įtraukti prognozės neapibrėžtumą (pvz., per stochastinį MPC), kad išliktų atsparus orų prognozių klaidoms. Šis gebėjimas numatyti neapibrėžtumą ir prie jo prisitaikyti yra pagrindinis privalumas.

Automatizavimas ir mastelio keitimas: MPC leidžia geriau automatizuoti. Tai pašalina įprastą sprendimų priėmimą nuo ūkininko pečių, o tai taupo darbą ir leidžia plėsti veiklą. Įdiegus MPC sistemą, ji nuolat koreguoja valdiklius su minimaliu įsikišimu. Šis mastelio keitimas reiškia, kad MPC galima taikyti bet kur – nuo mažo šiltnamio iki didelio ūkio (atsižvelgiant į investicijas) ir laikui bėgant išplėsti pridedant daugiau jutiklių ir pavarų.

MPC iššūkiai ir apribojimai

Skaičiavimo paklausa: MPC reikalauja išspręsti optimizavimo problemą kiekviename valdymo etape. Didelio masto ūkiuose arba greituose procesuose tai gali būti sudėtinga skaičiavimo sistema. Realaus laiko MPC reikalingi didelės spartos procesoriai arba supaprastinti modeliai. Sprendimų ir aparatinės įrangos (įskaitant periferinius įrenginius) pažanga mažina šią naštą, tačiau ji išlieka iššūkiu, ypač mažesnėms, nebrangioms sistemoms. 2024 m. MPC apžvalgoje skaičiavimo sudėtingumas konkrečiai nurodomas kaip pagrindinis iššūkis.

Modelio tikslumas: MPC našumas priklauso nuo pagrindinio modelio tikslumo. Sukurti patikimą biologinių sistemų (pasėlių, dirvožemio, šiltnamio) modelį yra sunku. Modelio neapibrėžtumas (modelio ir realybės neatitikimas) gali pabloginti valdymą. Tyrėjai tai sprendžia taikydami adaptyvų MPC (modelių atnaujinimą internete) arba duomenimis pagrįstus modelius (mašininio mokymosi modelius). Nepaisant to, norint gauti gerą modelį, dažnai reikia didelių srities žinių ir duomenų.

Duomenų kokybė ir prieinamumas: MPC reikalingi aukštos kokybės jutiklių duomenys ir galbūt orų prognozės. Žemės ūkyje jutikliai gali būti reti arba triukšmingi, belaidis ryšys gali būti silpnas, o prognozės netikslios. Trūkstami arba netikslūs duomenys gali lemti neoptimalius arba nesaugius valdymo veiksmus. Efektyvus MPC diegimas turi apimti patikimą būsenos įvertinimą arba gedimų aptikimą (pvz., Kalmano filtrus), kad būtų galima apdoroti jutiklių klaidas.

Kaina ir sudėtingumas: MPC įdiegimas yra susijęs su išlaidomis (jutikliai, kompiuteriai, programinė įranga) ir reikalauja techninių žinių. Mažiems ūkiams gali prireikti didelių pradinių investicijų. MPC konfigūravimas taip pat yra sudėtingas (horizontų, svorių derinimas ir kt.). Įdiegimą gali stabdyti nežinojimas: ūkininkai gali rinktis paprastesnes sistemas, nebent nauda akivaizdžiai viršija išlaidas. Nuolatinis darbas žemės ūkio plėtros ir patogių naudoti platformų srityje siekia sumažinti šias kliūtis.

Ūkininkų įvaikinimas: Galiausiai, pažangios kontrolės, tokios kaip MPC, diegimas priklauso nuo ūkininkų pasitikėjimo ja ir jos supratimo. Mokymo ir demonstraciniai projektai yra labai svarbūs. Kai kurie ūkininkai gali skeptiškai vertinti “juodosios dėžės” optimizavimą. Skaidrumas (pvz., MPC sąsajos, kurios paaiškina sprendimus) ir lauko bandymai, rodantys investicijų grąžą, gali padėti sukurti pasitikėjimą.

Atvejų analizės ir realaus pasaulio įgyvendinimas

Keletas bandomųjų projektų ir tyrimų rodo MPC potencialą žemės ūkyje. Šiltnamių ūkyje netiesinis MPC valdiklis buvo išbandytas ant Niujorko stogo esančio šiltnamio. Jis sėkmingai reguliavo temperatūrą, drėgmę ir CO₂, optimizuodamas energijos suvartojimą ir pasiekdamas apie 15,21 TP3T vidutinį energijos taupymą, palyginti su standartinėmis valdymo strategijomis. Tai rodo MPC potencialą miesto ir aukštųjų technologijų šiltnamiuose.

Drėkinimo srityje, nors konkretūs MPC lauko bandymai dar tik pradedami, susijusios technologijos jau parodė pažangą. Pavyzdžiui, išmanieji drėkinimo valdikliai (dažnai pagrįsti dirbtiniu intelektu) buvo pradėti naudoti komerciniais tikslais, o pranešama apie 30–35% vandens taupymą ir reikšmingą derliaus padidėjimą. Kai kurie tyrimų ūkiai integruoja MPC su drėgmės jutikliais ir meteorologinėmis stotimis; šie bandymai rodo geresnį vandens naudojimo efektyvumą, palyginti su laikmačio pagrindu veikiančiomis sistemomis.

Taip pat kuriami išmanieji traktoriai ir robotai, naudojantys MPC. Pavyzdžiui, dideliuose ūkiuose bandomi autonominiai purkštuvai su nuspėjamojo maršruto planavimo sistemomis (MPC programa). Pirmosiose gamintojų ataskaitose teigiama, kad pasiekiamas tikslus padengimas ir mažesnis persidengimas, o tai reiškia mažesnį degalų ir cheminių medžiagų sunaudojimą. Šių diegimų pamokos pabrėžia patikimo ryšio, tvirtų jutiklių tinklų ir patogių naudoti prietaisų skydelių svarbą, tačiau apskritai jos patvirtina, kad MPC gali gerai veikti ir už laboratorijos ribų.

Išmoktos pamokos: Lauko tyrimų rezultatai pabrėžia, kad tikslūs dirvožemio ir klimato modeliai daro didelę įtaką. Pavyzdžiui, šiltnamiuose, norint visiškai sutaupyti energijos, labai svarbu kalibruoti šiluminį modelį pagal konkrečią šiltnamio struktūrą. Drėkinimo srityje labai svarbu užtikrinti, kad jutikliai būtų tinkamai prižiūrimi (siekiant išvengti dreifo), kad MPC turėtų patikimus duomenis. Be to, laipsniškas MPC integravimas – pradedant nuo aukštesnio lygio planavimo, o ne nuo kritinių realaus laiko ciklų – padeda ūkininkams įgyti pasitikėjimo.

Naujos tendencijos ir palyginimas su kitais kontrolės metodais

Ateities pokyčiai žada sustiprinti sustiprinto mokymosi (MPC) vaidmenį ūkininkavime. Viena iš tendencijų yra dirbtinio intelekto sustiprintas MPC: mašininis mokymasis gali patobulinti modelius arba net juos pakeisti (išmokta dinamika), kad būtų galima užfiksuoti sudėtingą augalų elgesį. Hibridiniai metodai derina fizikos modelius su neuroniniais tinklais, siekiant didesnio tikslumo. Tyrėjai tiria sustiprinto mokymosi (RL) ir MPC derinį (RL-MPC) kai kurioms užduotims atlikti.

Didelių duomenų ir debesijos integracija: Ūkiams kaupiant daugiau duomenų (dirvožemio žemėlapius, daugiametį derlių), MPC valdikliai gali išnaudoti ilgalaikes tendencijas. Debesijos platformose gali būti vykdomas didelio našumo optimizavimas (ilgalaikis perspektyva), o periferiniuose įrenginiuose – greitesnis vietinis MPC. Skaitmeniniai dvyniai taps galingesni, leisdami ūkininkams imituoti MPC strategijas pagal ateities klimato scenarijus.

Kraštinių skaičiavimų ir daiktų interneto pažanga: Nauji mikrovaldikliai ir daiktų interneto lustai dabar gali valdyti vidutinio dydžio minimalių našumo sprendiklius, naudodami akumuliatoriaus energiją. Tai reiškia, kad net maži automatizuoti drėkinimo vožtuvai ar traktoriai gali turėti integruotus nuspėjamuosius valdiklius. Greitesni tinklai (5G) ir palydovinis daiktų internetas (pvz., „Starlink“ arba specializuoti mažos galios plačiajuosčiai tinklai) užtikrina patikimesnį duomenų srautą realiuoju laiku.

Atsparumas klimato kaitai: Dėl klimato kaitos MPC gali atlikti svarbų vaidmenį didinant atsparumą. Pavyzdžiui, valdikliai gali įtraukti anglies dioksido ar vandens pėdsako tikslus arba integruoti ekstremalių orų prognozes, kad apsaugotų pasėlius. Autonominiai ūkiai, kuriuose sodinimas ir derliaus nuėmimas yra visiškai automatizuoti, yra horizonte; MPC (arba, bendriau tariant, optimizavimu pagrįstas valdymas) bus tokių sistemų pagrindas, koordinuojantis robotų parkus ir išteklių srautus.

Lyginant su PID valdymu, MPC siūlo aiškų prognozavimą ir optimizavimą. PID kilpa reaguoja į srovės paklaidą (pvz., per sausas dirvožemis suaktyvina laistymą). Priešingai, MPC numato, kur drėgmė bus tiekiama vėjui, garavimui ir planuoja laistymą iš anksto. PID gali viršyti nustatytą ribą arba vibruoti, o MPC – pagal numatytuosius nustatymus. MPC taip pat automatiškai tvarko kelis įėjimus / išėjimus (MIMO), o PID iš esmės yra vienos kilpos (vienas jutiklis, vienas pavara).

Palyginti su taisyklėmis pagrįstomis sistemomis, MPC yra lankstesnis. Taisyklių sistema gali nurodyti: “jei drėgmė < slenkstinė vertė ir neprognozuojamas lietus, laistyti 10 vienetų”. Vietoj to, MPC optimizuos tikslų laistymo grafiką, kuris geriausiai subalansuoja būsimą lietų, augalų poreikius ir vandens sąnaudas. MPC paprastai duoda geresnių rezultatų sudėtingoje, kintančioje aplinkoje. Kompromisas yra tas, kad taisykles lengviau įgyvendinti; MPC reikia modelio ir sprendiklio. Tačiau didelio masto arba didelės vertės pasėliuose MPC pranašumai tampa reikšmingi.

Modelių nuspėjamojo valdymo įrankiai, programinė įranga ir platformos

Praktikai gali kurti ir testuoti MPC naudodami įvairius įrankius. Įprastos modeliavimo aplinkos apima MATLAB/Simulink (su MPC Toolbox) ir Python bibliotekas, tokias kaip GEKKO, do-mpc arba CasADi, siekiant optimalaus valdymo. Tai leidžia kūrėjams kurti ir derinti MPC modelius programine įranga. Diegimui specializuoti valdikliai arba PLC gali vykdyti MPC algoritmus lauko greičiu.

Kalbant apie ūkio technologijas, kai kurios daiktų interneto platformos ir API palaiko MPC. Pavyzdžiui, išmaniosios drėkinimo sistemos gali leisti vartotojams įkelti pasirinktinius valdymo algoritmus. Tokios įmonės kaip „John Deere“, „Trimble“ ir mažos įmonės siūlo ūkio valdymo sistemas su nuspėjamosiomis funkcijomis (nors dažnai patentuotomis). Atvirojo kodo sistemos (pvz., „FarmOS“, „OpenAg“) leidžia mėgėjams ir tyrėjams patiems integruoti MPC.

Komercinės skaitmeninio dvynio ir daiktų interneto platformos („Azure FarmBeats“, „AWS IoT“ arba „Google“ „Sunrise“) gali talpinti MPC branduolį debesyje, o kraštiniai įrenginiai tvarko jutiklius. Kai kurie nauji kraštiniai dirbtinio intelekto lustai ir išmanieji jutikliai netgi turi integruotas optimizavimo galimybes. Ūkininkai gali rinktis visiškai paruoštus sprendimus (pvz., šiltnamių klimato valdiklius su integruotu MPC) arba derinti įvairius variantus: naudoti MATLAB arba Python pradiniam projektavimui, o tada įdiegti įrenginiuose naudojant, pvz., FPGA arba mikrovaldiklius. Kol kas nėra vieno dominuojančio standarto; ši sritis vystosi. Daugelis specialistų pradeda nuo atvirųjų įrankių (MATLAB arba Python) modeliavimui, o tada perkelia juos į patikimesnę aparatinę įrangą lauko darbams.

Išvada

Modelių nuspėjamoji kontrolė (MPC) yra pasirengusi atlikti pagrindinį vaidmenį tiksliosios žemdirbystės ateityje. Naudodama modelius ir prognozes ūkininkavimo veiksmams optimizuoti, MPC padeda ūkiams efektyviau naudoti vandenį, energiją ir chemikalus, kartu didindama derlių ir produktų kokybę. Gebėjimas valdyti daugybę sąnaudų, apribojimų ir neapibrėžtumo daro ją puikiai tinkančią sudėtingoms žemės ūkio sistemoms. Ūkininkavimui tampant vis labiau technologijomis pagrįstam, MPC suteikia “smegenis” išmaniam sprendimų priėmimui. Praktiškai MPC valdomos sistemos jau parodė įspūdingą naudą – energijos taupymą šiltnamiuose, vandens taupymą laukuose ir mažesnes sąnaudas.

Privalumai neatsiejami nuo platesnių tvarumo tikslų. Analitikai pažymi, kad tikslūs metodai, tokie kaip daugiafunkcis kompiuterinis skaičiavimas (MPC), leidžia mums “naudoti mažiau, kad užaugintume daugiau”, taip sumažinant žemės ūkio poveikį aplinkai. Nors iššūkių (kaina, modeliavimas, duomenys) vis dar kyla, nuolatinė dirbtinio intelekto, jutiklių ir skaičiavimo pažanga daro MPC prieinamesnį. Apibendrinant galima teigti, kad MPC yra technologija, skatinanti tvarų, aukštųjų technologijų ūkininkavimą, padedanti žemės ūkiui patenkinti augančią maisto paklausą griežtesniais apribojimais. Nuolat diegiant inovacijas ir jas diegiant, visiškai autonominiai ūkiai, valdomi nuspėjamųjų valdiklių, gali būti kitas žingsnis tiksliosios žemdirbystės srityje.

Dažnai užduodami klausimai (DUK)

1. Kas yra MPC paprastai tariant?
MPC yra tarsi išmanus autopilotas ūkininkavimui. Jis naudoja ūkio modelį ir prognozes (pvz., orus), kad iš anksto suplanuotų veiksmus (laistymą, šėrimą ir kt.). Užuot reagavusi tik į esamas sąlygas, ji “žvelgia į ateitį” ateinančioms valandoms ar dienoms ir randa geriausią planą jūsų tikslams (pvz., sveikiems pasėliams) pasiekti, naudojant minimalius išteklius.

2. Ar MPC yra brangi ūkininkams?
MPC reikalauja technologijų (jutiklių, kompiuterių, programinės įrangos), todėl yra išankstinių išlaidų. Tačiau skaičiavimo išlaidos sumažėjo, o pigesnių daiktų interneto jutiklių tapo plačiai prieinami. Daugelis šiuolaikinių traktorių ir įrangos jau turi jutiklius. Be to, debesijos ir atvirojo kodo įrankiai daro MPC prieinamesnį. Svarbiausia, kad efektyvumo padidėjimas (mažiau vandens, trąšų, energijos švaistymo) ir didesnis derlius laikui bėgant gali atsipirkti investicijos.

3. Ar MPC gali veikti mažuose ūkiuose?
Taip. MPC algoritmus galima pritaikyti bet kokio dydžio sistemai. Mažame šiltnamyje ar sode galima naudoti paprastą MPC sąranką (net nešiojamąjį kompiuterį ar „Raspberry Pi“). Daugelis nuotolinio stebėjimo programėlių leidžia smulkiesiems ūkininkams išbandyti modeliu pagrįstus sprendimus naudojant išmanųjį telefoną. Svarbiausia yra suderinti sistemos sudėtingumą su ūkio dydžiu. Mažiems ūkiams gali nereikėti labai ilgų perspektyvų ar didžiulių modelių. Net ir paprastas MPC su vienu ar dviem jutikliais gali padėti mažam ūkiui tapti efektyvesniam.

4. Kiek tikslūs yra MPC modeliai ir prognozės?
Tikslumas priklauso nuo duomenų kokybės ir modelio konstrukcijos. Paprasti tiesiniai modeliai kai kuriose sistemose gali būti pakankamai tikslūs. Sudėtingesni modeliai (pvz., neuroniniai tinklai) gali užfiksuoti sudėtingą augalų ar dirvožemio elgseną. Praktiškai MPC yra sukurtas taip, kad būtų patikimas: jis reguliariai perkalibruoja planus pagal naujus matavimus, todėl net jei prognozės nėra tobulos, laikui bėgant jis pasitaiso. Modelio klaidos ir trikdžiai tvarkomi grįžtamuoju ryšiu. Naudodamas gerus jutiklius ir derinimą, šiuolaikinis MPC gali pasiekti didelį tikslumą valdymo užduotyse.