Geography-Aware Energy-Adaptive IoT-WSN Monitoring for Sustainable Smart Irrigation in Precision Agriculture.

方法

优化部署、射频能量建模、事件驱动通信、太阳能收集与机器学习灌溉风险预测仿真。

发现

ML辅助自适应监测减少56.57%–61.94%传输，综合可持续性排名最高。

机会点

可探索多目标优化与真实田间长期验证，结合边缘智能提升预测与能耗协同。

基于物联网的无线传感器网络正日益应用于智能灌溉，可实现对土壤、气象及作物水分状况的连续监测。然而，仅依据地理位置进行传感器部署无法确保可持续监测，因为通信距离、剩余能量、数据包投递、动态灌溉风险及节点寿命等运行约束仍然至关重要。本文提出了一种基于地理感知能量自适应物联网无线传感器网络（IoT-WSN）的可持续智能灌溉监测框架。该框架涵盖优化传感器部署、无线电能量建模、汇聚节点放置分析、事件驱动与自适应通信、太阳能收集以及基于机器学习的下一轮灌溉风险预测。仿真采用包含土壤湿度、土壤养分状况、温度、湿度、降水、太阳辐射、蒸散发、空间坐标及关键事件标签等多重测量的灌溉监测数据集进行。结果表明，直接传输可实现完整的数据包投递但寿命较短；事件驱动通信将传输量降低94%以上，但削弱了监测连续性；机器学习辅助的自适应监测将传输量降低56.57%–61.94%，同时自适应能量收集取得了最强的综合可持续性排名，数据包投递率为0.8317，寿命达1000轮。本研究为精准农业在田间约束下联合评估能效、可靠性、预测与可持续性提供了集成框架。