Modeļu paredzošās kontroles integrācija precīzās lauksaimniecības tehnoloģijās

Precīzā lauksaimniecība ir moderna, uz datiem balstīta pieeja, kas izmanto progresīvas tehnoloģijas, lai pielāgotu lauksaimniecību konkrētiem lauka apstākļiem. Piemēram, lauksaimnieki izmanto GPS, lietu interneta sensorus, dronus un analītiku, lai reāllaikā uzraudzītu augsnes mitrumu, laikapstākļus un kultūraugu veselību. Pēc tam viņi īstajā vietā un laikā izmanto precīzu ūdens, mēslojuma vai pesticīdu daudzumu. Šī viedā pieeja uzlabo efektivitāti un ražu, vienlaikus samazinot atkritumus; vienā ziņojumā norādīts, ka precīzās metodes ir ļāvušas panākt aptuveni 4% pieaugumu kultūraugu ražošanā un 9% samazinājumu herbicīdu lietošanā. Šajā kontekstā modeļu paredzošā kontrole (MPC) ir kļuvusi par spēcīgu kontroles stratēģiju lauksaimniecībā.

MPC izmanto lauksaimniecības sistēmas matemātisku modeli, lai prognozētu turpmāko uzvedību un aprēķinātu optimālas kontroles darbības mainīgā laika periodā. Katrā solī tā atrisina optimizācijas problēmu, lai samazinātu izmaksas (piemēram, novirzi no mērķa augsnes mitruma vai enerģijas patēriņa), ņemot vērā ūdens, aprīkojuma ierobežojumus utt. Tā kā MPC raugās nākotnē un pielāgojas mainīgajiem apstākļiem, tā ir ideāli piemērota sarežģītu, ierobežotu lauksaimniecības procesu pārvaldībai. Kontroles sistēmas, piemēram, MPC, ir ļoti svarīgas mūsdienu lauksaimniecībā, kur audzētājiem ir jāžonglē ar daudziem mainīgajiem lielumiem (augsnes mainīgums, laika apstākļu izmaiņas, kultūraugu augšanas stadijas) un jādarbojas saskaņā ar stingriem resursu un vides ierobežojumiem.

Paredzot nākotnes vajadzības (piemēram, tuvojošos karstuma vilni vai lietus prognozi) un automātiski pielāgojot izpildmehānismus (vārstus, smidzinātājus, sildītājus), MPC nodrošina adaptīvāku lēmumu pieņemšanu nekā manuāla vai vienkārša atgriezeniskās saites vadība. Šī paredzošā, uz optimizāciju balstītā pieeja palīdz lauksaimniekiem taupīt ūdeni un enerģiju un uzlabot ražu – galvenie mērķi laikā, kad pasaule saskaras ar stingrākiem resursu ierobežojumiem un klimata svārstībām.

Modeļa paredzošās vadības pamati

Modeļa paredzošā vadība (MPC) darbojas, atkārtoti prognozējot sistēmas nākotnes stāvokļus un optimizējot vadības ievades datus ierobežotā laika periodā. Tā radās 20. gs. sešdesmitajos–septiņdesmitajos gados, apstrādes rūpniecība to pārņēma 20. gs. astoņdesmitajos gados un kopš tā laika ir attīstījusies cauri klasiskajiem, uzlabotajiem, modernajiem un uz datiem balstītajiem posmiem, pateicoties skaitļošanas jaudas attīstībai, uzlabotai ierobežojumu apstrādei un pieaugošai integrācijai ar mašīnmācīšanos un datu zinātni. Galvenie elementi ir šādi:

• Procesa modelis: MPC balstās uz lauksaimniecības procesa (kultūraugu augšanas, augsnes ūdens bilances, klimata dinamikas utt.) matemātisku modeli (fizisku vai uz datiem balstītu). Šis modelis prognozē, kā sistēma attīstīsies, ņemot vērā ievaddatus.
• Prognozes horizonts: Katrā vadības solī modelis, izmantojot pašreizējos mērījumus (piemēram, sensoru rādījumus) un iespējamās vadības darbības, projicē uz priekšu fiksētu laika logu (prognozēšanas horizontu).
• Izmaksu funkcija (mērķis): MPC definē izmaksas vai mērķi, kas jāsamazina, piemēram, novirzes no vēlamā augsnes mitruma vai temperatūras, kā arī sodus par resursu izmantošanu.
• Optimizācija: Kontrolieris atrisina ierobežotu optimizācijas problēmu laika gaitā, lai atrastu darbību secību (apūdeņošanas ātrumu, sildītāja iestatījumus utt.), kas samazina izmaksas, vienlaikus ievērojot ierobežojumus.
• Ierobežojumu apstrāde: MPC dabiski ietver ierobežojumus attiecībā uz ievades datiem un stāvokļiem, piemēram, sūkņa jaudu, vārstu ierobežojumiem, izpildmehānismu ātrumu un vides ierobežojumiem attiecībā uz ūdens izmantošanu vai barības vielu līmeņiem. Optimizētājs nodrošina, ka darbības ievēro šos ierobežojumus.

Pēc atrisināšanas MPC piemēro pirmo vadības darbību optimizētajā secībā, pēc tam gaida nākamo laika soli, atkārtoti mēra sistēmu un atrisina jaunu optimizāciju (šī ir “atkāpšanās horizonta” vai “slīdošās optimizācijas” shēma). Šī atgriezeniskā saite nodrošina MPC noturību pret traucējumiem un modeļa kļūdām, jo tā regulāri atjaunina prognozes ar jauniem datiem. Atšķirībā no tradicionālajām vadības metodēm:

1. PID kontrolieri pielāgot ievades datus, pamatojoties tikai uz pašreizējām un pagātnes kļūdām (proporcionāli-integrāli-atvasinājumi), nepārprotami neparedzot turpmākās izmaiņas vai neievērojot ierobežojumus. Tie labi darbojas viena mainīgā sistēmās, bet tiem ir grūtības ar daudzmainīgo optimizāciju vai stingriem ierobežojumiem.

2. Uz noteikumiem balstītas sistēmas seko iepriekš iestatītām heiristikām (piemēram, ieslēdz smidzinātāju, ja mitrums < X). Tiem trūkst formālas optimizācijas un tie nevar viegli līdzsvarot konkurējošus mērķus vai pielāgoties jauniem apstākļiem.

Salīdzinājumam, MPC paredzošā optimizācija padara to pārāku sarežģītu lauksaimniecības uzdevumu veikšanai. Tā var vienlaikus apstrādāt vairākus mainīgos (temperatūru, mitrumu, CO₂, ūdeni), ievērot stingrus ierobežojumus un pielāgoties prognozēm (piemēram, laika prognozes var ievadīt modelī). Galvenais kompromiss ir skaitļošanas ziņā: optimizācijas risināšana tiešsaistē katrā solī prasa lielāku skaitļošanas jaudu. Tomēr mūsdienīgi procesori un specializēti risinātāji (piemēram, OSQP, ACADO) ir padarījuši reāllaika MPC iespējamu pat lauksaimniecības lietojumprogrammām.

Tipiskai MPC sistēmai ir trīs komponenti: matemātiskais modelis (var būt balstīts uz fiziku vai apgūts no datiem), sensori un datu avoti (nodrošina augsnes, laikapstākļu, kultūraugu stāvokļa mērījumus reāllaikā) un MPC kontrolieris/optimizētājs (darbojas datorā vai iegultā ierīcē). Modelis var simulēt kultūraugu augšanu (ražas optimizācijai), augsnes ūdens dinamiku (apūdeņošanai) vai siltumnīcas klimatu. Sensori var ietvert augsnes mitruma zondes, lapu mitruma sensorus, temperatūras/mitruma monitorus vai tālizpētes attēlus. Pēc tam MPC kontrolieris nolasa datus, prognozē nākotnes stāvokļus un aprēķina vadības komandas (vārstu atvēršana, traktoru stūrēšana, lampu regulēšana).

Precīzās lauksaimniecības sistēmu pārskats

Precīzās lauksaimniecības mērķis ir palielināt produktivitāti, efektivitāti un ilgtspējību, izmantojot detalizētus datus par laukiem un kultūraugiem. Vienotas prakses vietā lauksaimnieki tagad pielāgo darbības vietējiem apstākļiem. Piemēram, augsnes sastāvs un mitrums var ievērojami atšķirties pat vienā laukā; precīzās tehnoloģijas ļauj lauksaimniekam zināt, kurām platībām nepieciešams vairāk mēslojuma un kurām – mazāk. Bieži sastopamās galvenās tehnoloģijas ietver:

1. IoT sensori un bezvadu tīkli: Augsnes mitruma zondes, temperatūras sensori, EC (augsnes sāļuma) zondes un citas lietu interneta ierīces nepārtraukti mēra lauka apstākļus. Šie sensori nosūta datus uz saimniecības pārvaldības sistēmām.
2. GPS un ĢIS sistēmas: GPS ļauj precīzi kartēt laukus. Lauksaimnieki izmanto ĢIS (ģeogrāfiskās informācijas sistēmas), lai izveidotu augsnes kartes un ražas kartes. Šīs kartes vada mainīgas devas sēklu, ūdens vai mēslojuma lietošanu (VRI).
3. Droni un satelītattēli: Aerofotogrāfijas (NDVI, termiskās, RGB) nodrošina lauka līmeņa kultūraugu veselības un stresa skenēšanu. Droni var pārvadāt arī sensorus (multispektrālās kameras, LiDAR), lai uzraudzītu augu dzīvīgumu.
4. Saimniecības pārvaldības programmatūra: Mākonī balstītas platformas apkopo un analizē visus šos datus, palīdzot lauksaimniekiem vizualizēt mainīgumu un pieņemt lēmumus (piemēram, kur laistīt vai smidzināt).

Šīs tehnoloģijas pārveido lēmumu pieņemšanu. Kāds nozares avots skaidro, ka, uzraugot augsnes un kultūraugu datus reāllaikā, audzētāji var izdarīt gudrākas izvēles un izmantot izejvielas tikai tur, kur nepieciešams. Praksē precīzā lauksaimniecība ir parādījusi lielus ieguvumus: piemēram, mainīga ātruma apūdeņošanas un mitruma sensoru izmantošana ASV saimniecībās varētu ietaupīt vēl 211 TP3 t ūdens. Kopumā mūsdienu precīzās lauksaimniecības saimniecības, pieņemot uz datiem balstītus lēmumus, var sasniegt lielāku ražu, ātrāku augšanu un zemākas izejvielu izmaksas.

Piemēram, apūdeņošanas un mēslošanas automatizācija, kuras pamatā ir sensoru dati, nozīmē mazāk atkritumu un efektīvāku resursu izmantošanu. Jāatzīmē, ka precīzās lauksaimniecības metodes samazina arī ietekmi uz vidi: nesen veiktā analīzē tika atklāts, ka precīzās lauksaimniecība samazināja herbicīdu lietošanu vidēji par 91% un ūdens patēriņu par 41% salīdzinājumā ar iepriekšējo gadu. Optimizējot ievades datus, precīzā lauksaimniecība samazina noteci un emisijas, palīdzot saimniecībām kļūt ilgtspējīgākām.

MPC integrācija un galvenie pielietojumi precīzajā lauksaimniecībā

Modeļa paredzošā vadība dabiski iederas viedās lauksaimniecības sistēmā kā “smadzenes”, kas pārvērš datus darbībās. Tipiskā plūsmā lietu interneta (IoT) sensori un ārējie dati (piemēram, laika prognozes) tiek ievadīti digitālā lauksaimniecības procesa modelī (kultūraugu augšana, augsnes ūdens bilance, siltumnīcas klimats utt.). Pēc tam MPC kontrolieris izmanto šo modeli, lai prognozētu nākotnes stāvokļus un aprēķinātu optimālo vadību. Cikls ir šāds: uztveršana → modelēšana/prognozēšana → optimizācija → aktivizēšana.

Piemēram, augsnes mitruma sensori un laika prognozes tiek ievadītas augsnes-ūdens modelī. MPC optimizētājs to izmanto, lai plānotu apūdeņošanu nākamajā dienā vai nedēļā, ņemot vērā lietus un temperatūras prognozes. Pēc tam tas nosūta komandas apūdeņošanas vārstiem vai sūkņiem. Katrā intervālā mērījumi atjaunina modeli, un optimizācija atkārtojas. Tas nodrošina adaptīvu vadību reāllaikā, kas nepārtraukti ņem vērā jauno informāciju.

MPC var palaist tiešsaistē (reāllaikā) saimniecības datoros vai kontrolleros. Lēnākiem procesiem (piemēram, sezonāliem apūdeņošanas plāniem) tā var veikt bezsaistes plānošanu un pēc tam ieviest grafiku. Atšķirība ir tāda, ka reāllaika MPC katrā solī izmanto aktuālos datus, savukārt bezsaistes MPC izmanto fiksētu plānu, kas tiek atjaunināts katru dienu vai katru nedēļu. Jaunākā koncepcija ir saimniecības vai siltumnīcas digitālais dvīnis – lauksaimniecības sistēmas virtuāla kopija.

Digitālais dvīnis integrē augsnes, kultūraugu, klimata un aprīkojuma modeļus. Lauksaimnieki var pārbaudīt vadības stratēģijas uz dvīņa (simulācijas), pirms tās tiek piemērotas reālajai saimniecībai. Precīzās lauksaimniecības dators (MPC) izmanto dvīni, lai prognozētu un optimizētu bez riska. Nākotnē mākoņdatošanas un 5G attīstība varētu nodrošināt jaudīgas digitālā dvīņa simulācijas reāllaikā, savukārt perifērijas skaitļošana (lokālie kontrolieri) veic ātru MPC robotiem vai tehnikai uz vietas. Daži no galvenajiem MPC pielietojumiem precīzajā lauksaimniecībā ir:

1. Apūdeņošanas pārvaldība: MPC tiek plaši izmantots, lai efektīvi kontrolētu apūdeņošanu. Izmantojot augsnes mitruma modeli un laika prognozi, MPC prognozē kultūraugu ūdens vajadzības un ieplāno laistīšanu. Tas nodrošina mērķa augsnes mitruma sasniegšanu, vienlaikus samazinot ūdens patēriņu un ievērojot sūkņa vai ūdensapgādes ierobežojumus. Piemēram, MPC kontrolieris var samazināt apūdeņošanu pirms prognozētā lietus vai pielāgot laistīšanu karstuma viļņa laikā.

Praksē paredzamā apūdeņošanas kontrole var ievērojami samazināt ūdens patēriņu — vienā ziņojumā norādīts, ka mākslīgā intelekta vadīta apūdeņošana samazina ūdens patēriņu līdz pat 351 TP3 t, vienlaikus palielinot ražu par 15–301 TP3 t. Daudzmērķu prognozējošā apūdeņošanas kontrole var arī īstenot deficīta apūdeņošanas stratēģijas (apzināti vieglu ūdens stresu), lai uzlabotu ražas kvalitāti (piemēram, vīna dārzos). Līdzsvarojot ražu ar ūdens ietaupījumu, daudzmērķu prognozējošā kontrole atrod optimālus kompromisus lauka ierobežojumu apstākļos.

2. Klimata kontrole siltumnīcās: Kontrolētas vides lauksaimniecība gūst lielu labumu no MPC. Siltumnīcām ir daudz savstarpēji saistītu mainīgo: temperatūra, mitrums, CO₂, gaisma utt. MPC var vienlaikus pārvaldīt visus izpildmehānismus (sildītājus, ventilācijas atveres, ventilatorus, apgaismojumu, CO₂ iesmidzinātājus), lai efektīvi uzturētu ideālus augšanas apstākļus.

Piemēram, vienā pētījumā par integrētu jumta siltumnīcu tika parādīts, ka nelineāra MPC stratēģija samazināja enerģijas patēriņu (apkurei/dzesēšanai) vidēji par 15,21 TP3T, salīdzinot ar tradicionālo kontroli. Paredzot ārējās laikapstākļu izmaiņas un augu vajadzības, MPC uztur klimatnoturīgu un zemas enerģijas izmaksas. Tā var, piemēram, izlemt, cik daudz atvērt ventilācijas atveres vai ieslēgt sildītāju pirms paredzamā aukstuma vilnis. Kopumā MPC nodrošina ievērojamu enerģijas un CO₂ ietaupījumu, vienlaikus nodrošinot maksimālu augu komfortu.

3. Mēslošanas līdzekļu un barības vielu pārvaldība: MPC var precīzi dozēt mēslošanas līdzekļus un barības vielas (augsnē vai hidroponikā), pamatojoties uz augšanas modeļiem. Izmantojot sensoru datus par barības vielu līmeņiem un kultūraugu augšanas stadijām, MPC plāno barības vielu piegādi, lai apmierinātu augu pieprasījumu bez pārmērīgas lietošanas. Šī precīzā dozēšana samazina mēslojuma noteci un atkritumus. Kontrolieri var arī pārvaldīt pH līmeni un elektrovadītspēju hidroponikas šķīdumos. Piemēram, MPC shēma varētu nodrošināt mērķa barības vielu koncentrāciju, vienlaikus samazinot kopējo izmantošanu, tieši optimizējot 4R principu "pareizo devu, pareizo laiku, pareizo vietu". Precīza barības vielu kontrole sniedz divkāršu labumu - palielina ražu un samazina ķīmisko piesārņojumu. Faktiski AEM pētījumā tika atzīmēts, ka precīza prakse uzlabo mēslošanas līdzekļu izvietošanas efektivitāti par aptuveni 7%.

4. Kultūraugu augšanas optimizācija: Papildus atsevišķiem procesiem MPC var darboties ar kultūraugu augšanas modeļiem, lai optimizētu ražu un kvalitāti. Dinamiskie modeļi (piemēram, DSSAT, AquaCrop) apraksta, kā kultūraugs aug noteiktā apūdeņošanas, barības vielu un klimata apstākļos. MPC var integrēt šos datus, lai noteiktu optimālus laistīšanas, mēslošanas un, iespējams, kaitēkļu apkarošanas grafikus visas sezonas garumā.

Piemēram, tas var aizkavēt apūdeņošanu, lai radītu vēlamo stresa līmeni kvalitātei, vai kritiskos augšanas logos lietot papildu mēslojumu. Tādējādi MPC kontrolieris kļūst par augšanas optimizētāju, kas reāllaikā maina lauksaimniecības ievades datus, lai maksimāli palielinātu ražu. Pētījumu pārskati izceļ kultūraugu augšanas un ražas optimizāciju kā galveno MPC pielietojumu.
. MPC tiek izmantota arī stresa pārvaldībai, piemēram, lai regulētu lapotnes mitrumu, tādējādi ierobežojot sēnīšu slimības, vienlaikus saglabājot augšanu.

5. Autonomā lauksaimniecības tehnika: Mūsdienu traktori, smidzinātāji un roboti izmanto MPC trajektorijas plānošanai un vadībai. Piemēram, autonoms smidzinātāja drons vai traktors var izmantot MPC, lai plānotu savu trajektoriju un veiktu precīzas lauka darbības. Iepriekš redzamajā attēlā redzams drons, kas lido virs lauka – tā lidojuma trajektoriju un smidzināšanas ātrumu varētu optimizēt MPC, pamatojoties uz GPS kartēšanu un šķēršļu sensoriem. MPC var tikt galā ar transportlīdzekļa dinamiku, vēja traucējumiem un akumulatora ierobežojumiem, lai robots noturētu kursu.

Praksē uz MPC balstīti plānotāji ļauj iekārtām aptvert laukus ar minimālu pārklāšanos, izvairīties no šķēršļiem un pielāgot ātrumu reāllaikā. Tas nodrošina resursu ziņā efektīvu darbību (piemēram, mazāk degvielas, vienmērīgāka izsmidzināšana) un drošāku navigāciju. Patiešām, MPC ir pazīstama ar savu robusto ierobežojumu apstrādi un reāllaika optimizāciju robotikā. Mūsdienu bezvadītāja traktori un robotizētie kombaini bieži ietver MPC vai līdzīgus uz modeli balstītus kontrollerus navigācijai un uzdevumu izpildei.

Modeļa paredzošās kontroles priekšrocības precīzajā lauksaimniecībā

Resursu efektivitāte: MPC paredzamā optimizācija nodrošina ievērojamus ietaupījumus. Pētījumi liecina, ka tā ietaupa ūdeni un enerģiju, plānojot apūdeņošanu un klimata kontroli tikai nepieciešamības gadījumā, bieži vien ietaupot 20–351 TP3 t ūdens salīdzinājumā ar naivu plānošanu. Tā arī ļauj precīzāk izmantot mēslojumu un pesticīdus, samazinot ķīmisko vielu patēriņu (AEM ziņo par 91 TP3 t mazāku pesticīdu izmantošanu, izmantojot precīzas metodes). Īsāk sakot, MPC palīdz lauksaimniekiem “izmantot mazāk, lai izaudzētu vairāk”, izmantojot pareizo izejvielu daudzumu dažādos apstākļos.

Augstāka raža un kvalitāte: Paredzot stresu un proaktīvi pielāgojot ieguldījumus, MPC var uzlabot ražas apjomu un kvalitāti. Optimālu apstākļu (augsnes mitruma, temperatūras, barības vielu) uzturēšana visas sezonas garumā tieši veicina augu augšanu. Piemēram, daudzos izmēģinājumos uz MPC balstīta klimata kontrole siltumnīcās ir palielinājusi dārzeņu ražu, vienlaikus ietaupot enerģiju. MPC pārskatā kā galvenos ieguvumus tiek uzsvērta uzlabota produkcijas kvalitāte un ekonomiskie ieguvumi.

Samazināta ietekme uz vidi: Efektīvāka ūdens, mēslošanas līdzekļu un ķīmisko vielu izmantošana nozīmē mazāku ekoloģisko pēdu. Precīzās metodes kopumā ir ļāvušas efektīvi “ietaupīt” miljoniem akru zemes, iegūstot vairāk no esošajiem laukiem. MPC ieguldījums šajā sasniegumā ir skaidrs: samazinot nevajadzīgu ūdens noteci un pārmērīgu mēslošanas līdzekļu daudzumu, tas samazina nitrātu izskalošanos un ķīmisko piesārņojumu. AEM analīzē norādīts, ka plašāka precīzās tehnoloģijas (tostarp MPC līdzīgu kontroles mehānismu) ieviešana jau tagad varētu novērst 10,1 miljonu metrisko tonnu CO₂ ekvivalenta emisiju, pateicoties zemes un degvielas ietaupījumiem.

Ierobežojumu un nenoteiktības pārvaldība: Atšķirībā no fiksētajiem regulatoriem, MPC var dabiski pakļauties ierobežojumiem (sūkņa jaudai, vārstu ierobežojumiem, vides noteikumiem) un optimizēt pat ar resursu ierobežojumiem. Tas var arī iekļaut prognozes nenoteiktību (piemēram, izmantojot stohastisko MPC), lai saglabātu noturību pret laika prognožu kļūdām. Šī spēja paredzēt nenoteiktību un pielāgoties tai ir galvenā priekšrocība.

Automatizācija un mērogojamība: MPC nodrošina lielāku automatizāciju. Tā atbrīvo lauksaimnieku no ikdienas lēmumu pieņemšanas, kas ietaupa darbaspēku un ļauj paplašināt darbību. Kad MPC sistēma ir iestatīta, tā nepārtraukti pielāgo vadības ierīces ar minimālu iejaukšanos. Šī mērogojamība nozīmē, ka MPC var piemērot jebkur, sākot no mazas siltumnīcas līdz lielai saimniecībai (atkarībā no ieguldījumiem), un laika gaitā to var paplašināt ar vairākiem sensoriem un izpildmehānismiem.

MPC izaicinājumi un ierobežojumi

Skaitļošanas pieprasījums: MPC prasa optimizācijas problēmas risināšanu katrā vadības solī. Liela mēroga saimniecībām vai ātriem procesiem tas var būt skaitļošanas ziņā sarežģīti. Reāllaika MPC ir nepieciešami ātrdarbīgi procesori vai vienkāršoti modeļi. Risinātāju un aparatūras (tostarp perifērijas ierīču) attīstība samazina šo slogu, taču tas joprojām ir izaicinājums, īpaši mazākām, lētām sistēmām. 2024. gada MPC pārskatā kā galveno izaicinājumu īpaši minēta skaitļošanas sarežģītība.

Modeļa precizitāte: MPC veiktspēja ir atkarīga no pamatā esošā modeļa precizitātes. Izstrādāt uzticamu modeli bioloģiskajām sistēmām (kultūraugiem, augsnei, siltumnīcai) ir grūti. Modeļa nenoteiktība (modeļa un realitātes neatbilstība) var pasliktināt kontroli. Pētnieki to risina, izmantojot adaptīvu MPC (modeļu atjaunināšanu tiešsaistē) vai uz datiem balstītus modeļus (mašīnmācīšanās modeļus). Tomēr laba modeļa iegūšanai bieži vien ir nepieciešamas ievērojamas jomas zināšanas un dati.

Datu kvalitāte un pieejamība: MPC ir nepieciešami augstas kvalitātes sensoru dati un, iespējams, laika prognozes. Lauksaimniecībā sensori var būt reti vai trokšņaini, bezvadu pārklājums var būt vājš, un prognozes var būt nepilnīgas. Trūkstoši vai neprecīzi dati var izraisīt neoptimālas vai nedrošas vadības darbības. Efektīvai MPC ieviešanai jāietver stabila stāvokļa novērtēšana vai kļūdu noteikšana (piemēram, Kalmana filtri), lai apstrādātu sensoru kļūdas.

Izmaksas un sarežģītība: MPC ieviešana ir saistīta ar izmaksām (sensori, datori, programmatūra) un prasa tehniskas zināšanas. Mazām saimniecībām sākotnējie ieguldījumi var būt lieli. MPC konfigurēšana ir sarežģīta (apskalošanas horizontu, svaru u. c. regulēšana). Ieviešanu var kavēt nepazīstamība: lauksaimnieki var dot priekšroku vienkāršākām sistēmām, ja vien ieguvumi nepārprotami neatsver izmaksas. Pastāvīgais darbs lauksaimniecības paplašināšanas un lietotājdraudzīgu platformu jomā ir vērsts uz šo šķēršļu mazināšanu.

Lauksaimnieku adopcija: Visbeidzot, tādas uzlabotas kontroles kā MPC ieviešana ir atkarīga no lauksaimnieku uzticēšanās tai un izpratnes. Apmācības un demonstrācijas projekti ir ļoti svarīgi. Daži lauksaimnieki var būt skeptiski pret "melnās kastes" optimizāciju. Pārredzamība (piemēram, MPC saskarnes, kas izskaidro lēmumus) un lauka izmēģinājumi, kas demonstrē ieguldījumu atdevi, var palīdzēt veidot uzticību.

Gadījumu izpēte un ieviešana reālajā pasaulē

Vairāki pilotprojekti un pētījumi apliecina MPC potenciālu lauksaimniecībā. Siltumnīcu audzēšanā nelineārs MPC kontrolieris tika pārbaudīts uz Ņujorkas jumta siltumnīcas. Tas veiksmīgi regulēja temperatūru, mitrumu un CO₂, vienlaikus optimizējot enerģijas patēriņu, panākot aptuveni 15,21 TP3T vidējo enerģijas ietaupījumu, salīdzinot ar standarta vadības stratēģijām. Tas parāda MPC potenciālu pilsētu un augsto tehnoloģiju siltumnīcās.

Apūdeņošanas jomā, lai gan specifiski MPC lauka izmēģinājumi vēl tikai top, saistītās tehnoloģijas ir uzrādījušas ieguvumus. Piemēram, komerciāli ir ieviesti viedie apūdeņošanas kontrolieri (bieži vien uz mākslīgā intelekta bāzes), un ziņots par ūdens ietaupījumu 30–35% un ievērojamu ražas pieaugumu. Dažas pētniecības saimniecības integrē MPC ar mitruma sensoriem un meteoroloģiskajām stacijām; šie izmēģinājumi liecina par labāku ūdens izmantošanas efektivitāti salīdzinājumā ar sistēmām, kuru pamatā ir taimeris.

Tiek izstrādāti arī viedie traktori un robotika, kas izmanto MPC. Piemēram, lielās saimniecībās tiek testēti autonomi smidzinātāji, kas aprīkoti ar paredzamo ceļu plānotājiem (MPC lietojumprogramma). Ražotāju pirmie ziņojumi liecina par precīzu pārklājumu un samazinātu pārklāšanos, kas nozīmē mazāku degvielas un ķīmisko vielu patēriņu. Šo ieviešanas pieredze uzsver uzticamu komunikāciju, stabilu sensoru tīklu un lietotājam draudzīgu informācijas paneļu nozīmi, taču kopumā tās apstiprina, ka MPC var labi darboties arī ārpus laboratorijas.

Gūtās mācības: Lauka ieviešanas pieredze uzsver, ka precīziem augsnes un klimata modeļiem ir liela nozīme. Piemēram, siltumnīcās termiskā modeļa kalibrēšana konkrētajai siltumnīcas struktūrai bija galvenais, lai panāktu pilnīgu enerģijas ietaupījumu. Apūdeņošanā ir svarīgi nodrošināt sensoru labu apkopi (lai izvairītos no novirzes), lai MPC iegūtu labus datus. Turklāt pakāpeniska MPC integrēšana — sākot ar augstāka līmeņa plānošanu, nevis kritiskām reāllaika cilpām — palīdz lauksaimniekiem veidot pārliecību.

Jaunās tendences un salīdzinājums ar citām kontroles metodēm

Nākotnes attīstība sola stiprināt pastiprinātās matemātikas (MPC) lomu lauksaimniecībā. Viena no tendencēm ir ar mākslīgo intelektu uzlabota MPC: mašīnmācīšanās var uzlabot modeļus vai pat aizstāt tos (apgūtā dinamika), lai aptvertu sarežģītu augu uzvedību. Hibrīdās pieejas apvieno fizikas modeļus ar neironu tīkliem, lai nodrošinātu lielāku precizitāti. Pētnieki pēta pastiprināšanas mācīšanos (RL) apvienojumā ar MPC (RL-MPC) dažiem uzdevumiem.

Lielo datu un mākoņdatošanas integrācija: Saimniecībām uzkrājot arvien vairāk datu (augsnes kartes, daudzgadu ražas), minimālās skaitļošanas (MPC) kontrolieri var izmantot ilgtermiņa tendences. Mākonī balstītas platformas var veikt jaudīgu optimizāciju (ilgtermiņa perspektīvas), savukārt perifērijas ierīces var veikt ātrāku lokālo MPC. Digitālie dvīņi kļūs jaudīgāki, ļaujot lauksaimniekiem simulēt MPC stratēģijas nākotnes klimata scenārijos.

Perifērijas skaitļošanas un lietu interneta (IoT) attīstība: Jauni mikrokontrolleri un lietu interneta (IoT) mikroshēmas tagad var darbināt mērenus MPC risinātājus ar akumulatora enerģiju. Tas nozīmē, ka pat maziem automatizētiem apūdeņošanas vārstiem vai traktoriem var būt iebūvēti paredzošie kontrolieri. Ātrāki tīkli (5G) un satelītu lietu internets (piemēram, Starlink vai specializēti mazjaudas plaša apgabala tīkli) padara reāllaika datu plūsmu uzticamāku.

Klimata noturība: Ņemot vērā klimata pārmaiņas, MPC var būt nozīmīga noturības ziņā. Piemēram, kontrolieri var iekļaut oglekļa vai ūdens pēdas nospieduma mērķus vai integrēt laikapstākļu galējību prognozes, lai aizsargātu kultūraugus. Autonomās saimniecības, kurās stādīšana un ražas novākšana ir pilnībā automatizēta, ir drīzumā; MPC (vai vispārīgāk optimizācijā balstīta vadība) būs šādu sistēmu centrālais elements, koordinējot robotikas parkus un resursu plūsmas.

Salīdzinot ar PID vadību, MPC piedāvā skaidru prognozēšanu un optimizāciju. PID cilpa reaģē uz strāvas kļūdu (piemēram, pārāk sausa augsne iedarbina apūdeņošanu). Turpretī MPC paredz, kur mitrums tiks pakļauts vējam, iztvaikošanai un plāno laistīšanu uz priekšu. PID var pārsniegt jaudu vai vibrēt ierobežojumu dēļ, savukārt MPC ievēro ierobežojumus pēc konstrukcijas. MPC arī apstrādā vairākas ieejas/izejas (MIMO), savukārt PID pēc būtības ir vienas cilpas (viens sensors, viens izpildmehānisms).

Salīdzinot ar uz noteikumiem balstītām sistēmām, MPC ir elastīgāka. Noteikumu sistēma varētu teikt: "ja mitrums < slieksnis un nav prognozēts lietus, apūdeņot 10 vienības." MPC tā vietā optimizēs precīzu apūdeņošanas grafiku, kas vislabāk līdzsvaro turpmāko lietu, augu vajadzības un ūdens izmaksas. MPC parasti nodrošina labāku sniegumu sarežģītās, mainīgās vidēs. Kompromiss ir tāds, ka noteikumus ir vienkāršāk ieviest; MPC ir nepieciešams modelis un risinātājs. Tomēr liela mēroga vai augstas vērtības kultūrās MPC priekšrocības kļūst ievērojamas.

Rīki, programmatūra un platformas modeļu paredzošajai vadībai

Praktiķi var veidot un testēt MPC, izmantojot dažādus rīkus. Izplatītākās simulācijas vides ietver MATLAB/Simulink (ar MPC Toolbox) un Python bibliotēkas, piemēram, GEKKO, do-mpc vai CasADi, lai nodrošinātu optimālu vadību. Tas ļauj izstrādātājiem izveidot un noregulēt MPC modeļus programmatūrā. Izvietošanai specializēti kontrolieri vai PLC var palaist MPC algoritmus lauka ātrumā.

Lauksaimniecības tehnoloģiju jomā dažas lietu interneta platformas un API atbalsta daudzfunkcionālu skaitļošanu (MPC). Piemēram, viedās apūdeņošanas sistēmas var ļaut lietotājiem augšupielādēt pielāgotus vadības algoritmus. Tādi uzņēmumi kā John Deere, Trimble un mazi jaunuzņēmumi piedāvā saimniecības pārvaldības sistēmas ar paredzošām funkcijām (lai gan bieži vien patentētām). Atvērtā pirmkoda ietvari (piemēram, FarmOS, OpenAg) ļauj hobijiem un pētniekiem integrēt MPC pašu spēkiem.

Komerciālās digitālā dvīņa un lietu interneta (IoT) platformas (Azure FarmBeats, AWS IoT vai Google Sunrise) var izvietot MPC kodolu mākonī, kamēr perifērijas ierīces apstrādā sensorus. Dažas jaunas perifērijas mākslīgā intelekta mikroshēmas un viedie sensori pat ietver iebūvētas optimizācijas iespējas. Lauksaimnieki var izvēlēties pilnībā gatavus risinājumus (piemēram, siltumnīcu klimata kontrolierus ar iebūvētu MPC) vai kombinēt un saskaņot: sākotnējai projektēšanai izmantot MATLAB vai Python, pēc tam ieviest ierīcēs, izmantojot, piemēram, FPGA vai mikrokontrollerus. Pagaidām nav neviena dominējoša standarta; šī joma attīstās. Daudzi praktiķi sāk ar atvērtiem rīkiem (MATLAB vai Python) simulācijai un pēc tam pārnes tos uz izturīgāku aparatūru lauka darbībai.

Secinājums

Modelēšanas paredzošā kontrole (MPC) ir gatava spēlēt galveno lomu precīzās lauksaimniecības nākotnē. Izmantojot modeļus un prognozes, lai optimizētu lauksaimniecības darbības, MPC palīdz saimniecībām efektīvāk izmantot ūdeni, enerģiju un ķīmiskās vielas, vienlaikus palielinot ražu un produktu kvalitāti. Tās spēja apstrādāt vairākus ievades faktorus, ierobežojumus un nenoteiktību padara to labi piemērotu sarežģītām lauksaimniecības sistēmām. Tā kā lauksaimniecība kļūst arvien tehnoloģiski pamatotāka, MPC nodrošina “smadzenes” viedai lēmumu pieņemšanai. Praksē MPC vadītās sistēmas jau ir parādījušas iespaidīgus ieguvumus – enerģijas ietaupījumu siltumnīcās, ūdens ietaupījumu laukos un zemākas ievades resursu izmaksas.

Ieguvumi iet roku rokā ar plašākiem ilgtspējības mērķiem. Analītiķi norāda, ka tādas precīzās metodes kā precīza lauksaimniecības pētniecība (MPC) ļauj mums "izmantot mazāk, lai izaudzētu vairāk", samazinot lauksaimniecības ietekmi uz vidi. Lai gan problēmas joprojām pastāv (izmaksas, modelēšana, dati), nepārtrauktā mākslīgā intelekta, sensoru un skaitļošanas attīstība padara MPC pieejamāku. Rezumējot, MPC ir ilgtspējīgas, augsto tehnoloģiju lauksaimniecības pamattehnoloģija, kas palīdz lauksaimniecībai apmierināt pieaugošo pārtikas pieprasījumu stingrāku ierobežojumu apstākļos. Turpinoties inovācijām un ieviešanai, pilnībā autonomas saimniecības, ko vada paredzošie kontrolieri, varētu būt nākamais solis precīzajā lauksaimniecībā.

Bieži uzdotie jautājumi (BUJ)

1. Kas ir MPC vienkāršoti?
MPC ir kā viedais autopilots lauksaimniecībai. Tā izmanto saimniecības modeli un prognozes (piemēram, laika apstākļus), lai iepriekš plānotu darbības (apūdeņošanu, mēslošanu utt.). Tā vietā, lai reaģētu tikai uz pašreizējiem apstākļiem, tā "skatās uz priekšu" nākamajām stundām vai dienām un atrod labāko plānu jūsu mērķu sasniegšanai (piemēram, veselīga raža), izmantojot minimālus resursus.

2. Vai MPC ir dārga lauksaimniekiem?
MPC ir nepieciešamas tehnoloģijas (sensori, datori, programmatūra), tāpēc ir sākotnējās izmaksas. Tomēr aprēķinu izmaksas ir samazinājušās, un ir plaši pieejami lētāki lietu interneta (IoT) sensori. Daudzi moderni traktori un aprīkojums jau ir aprīkoti ar sensoriem. Turklāt mākoņpakalpojumu un atvērtā pirmkoda rīki padara MPC pieejamāku. Svarīgi ir tas, ka efektivitātes pieaugums (mazāk ūdens, mēslojuma, enerģijas atkritumu) un lielāka raža laika gaitā var atmaksāt ieguldījumus.

3. Vai MPC var darboties mazās saimniecībās?
Jā. MPC algoritmus var pielāgot jebkura izmēra sistēmai. Neliela siltumnīca vai dārzs var izmantot vienkāršu MPC iestatījumu (pat klēpjdatoru vai Raspberry Pi). Daudzas tālizpētes lietotnes ļauj mazajiem saimniekiem izmēģināt uz modeļiem balstītus lēmumus, izmantojot viedtālruni. Galvenais ir saskaņot sistēmas sarežģītību ar saimniecības lielumu. Mazām saimniecībām var nebūt nepieciešami ļoti tāli horizonti vai milzīgi modeļi. Pat vienkārša MPC ar vienu vai diviem sensoriem var palīdzēt mazai saimniecībai kļūt efektīvākai.

4. Cik precīzi ir MPC modeļi un prognozes?
Precizitāte ir atkarīga no datu kvalitātes un modeļa dizaina. Vienkārši lineāri modeļi dažām sistēmām var būt pietiekami precīzi. Sarežģītāki modeļi (piemēram, neironu tīkli) var uztvert sarežģītu augu vai augsnes uzvedību. Praksē MPC ir izstrādāta tā, lai tā būtu stabila: tā regulāri pārkalibrē plānus, pamatojoties uz jauniem mērījumiem, tāpēc pat ja prognozes nav perfektas, tā laika gaitā sevi labo. Modeļa kļūdas un traucējumus novērš atgriezeniskā saite. Ar labiem sensoriem un regulēšanu mūsdienu MPC var sasniegt augstu precizitāti vadības uzdevumos.