Inteligentny system monitorowania gleby na rzecz zrównoważonego rolnictwa z wykorzystaniem TinyML i sieci czujników bezprzewodowych o bardzo niskim zużyciu energii
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 16 Nr 3 (2026)
-
Podejście oparte na głębokim uczeniu do automatycznego wykrywania raka skóry z analizą porównawczą różnych wielkości partii w klasyfikacji obrazów dermatologicznych
Abini M.A.5-13
-
Modelowanie i zasady zarządzania produkcją pasz granulowanych mieszanych z wykorzystaniem systemów informacyjno-analitycznych
Mahil Mammadov, Tural14-22
-
Inteligentny system automatycznego sterowania oparty na technologii IoT do energetycznie efektywnego suszenia zboża
Ainur Rustemova, Maria Yukhymchuk, Vladyslav Lesko, Marat Orynbet, Yurii Ivanov23-30
-
Projekt i walidacja eksperymentalna inteligentnego systemu zarządzania zapasami w lodówce opartego na technologii IoT-RPA
Lyudmila Samchuk, Yuliia Povstiana, Nataliia Lishchyna, Mykyta Ponomarenko31-38
-
Inteligentny system monitorowania gleby na rzecz zrównoważonego rolnictwa z wykorzystaniem TinyML i sieci czujników bezprzewodowych o bardzo niskim zużyciu energii
Muhammad Ovais Akhter39-48
-
Modelowanie działania dynamicznego systemu zarządzania kolejkami w supermarketach
Larysa Gumeniuk, Volodymyr Lotysh, Pavlo Humeniuk49-58
-
Eksperymentalna walidacja metod kompensacji błędów żyroskopów światłowodowych w warunkach półnaturalnych
Nurzhigit Smailov, Ainur Kuttybayeva, Yerlan Tashtay, Zhandos Dosbayev, Aruzhan Nazarova, Beibarys Sekenov, Aida Serbayeva, Akezhan Sabibolda59-63
-
Symulacja pracy czterokanałowego przepływomierza ultradźwiękowego o identycznych trajektoriach sygnału w kanałach akustycznych
Yosyp Bilynsky, Andrii Stetsenko64-68
-
Linia do grawerowania z zintegrowaną regeneracją elektrochemiczną służącą do odzyskiwania miedzi i ograniczania ilości osadu
Anatoliy Nester, Vadim Romanuke, Tetiana Yakovyshyna69-76
-
Metoda identyfikacji operatorów HCI w oparciu o ich „portrety wieloczynnikowe” subiektywizacji postrzegania obiektu HCI
Andrii Pukach, Vasyl Teslyuk, Artem Kazarian77-87
-
Udoskonalanie systemów diagnostycznych do analizy i sterowania trybami pracy w sieciach elektroenergetycznych
Igor Khomenko, Ruslan Lozhkin, Andrii Shkrebela, Oleksandr Miroshnyk, Anatolii Sereda, Taras Shchur, Mariana Bohach88-94
-
Modułowa architektura monolityczna dla oprogramowania zarządzającego stacjami ładowania pojazdów elektrycznych o wysokiej dostępności
Volodymyr Horshkov, Nataliia Lishchyna, Andrii Yashchuk, Olena Surynovych, Valerii Lishchyna95-102
-
Badanie wielopoziomowego falownika opartego na tranzystorach IGBT do zasilania bezzałogowego statku powietrznego na uwięzi z telemetrycznym monitorowaniem parametrów mocy
Kyrmyzy Taissariyeva, Kuanysh Muslimov, Gulim Jobalayeva, Ingkar Issakozhayeva, Zhansaya Ayapbergen103-107
-
Dynamiczne omijanie przeszkód przez bezpilotowe statki powietrzne z wykorzystaniem sterowania opartego na logice rozmytej i sieci neuronowej
Anton Makohonov, Ivan Marynych108-113
-
Hybrydowa platforma symulacyjno-eksperymentalna do wykrywania usterek w czasie rzeczywistym w przetwornikach podwyższających napięcie w instalacjach fotowoltaicznych z wykorzystaniem logiki rozmytej i łączności LoRa
Oussama Sait, Mabrouk Khemliche, Samia Latreche, Sait Belkacem, Hamza Khemliche114-122
-
Porównanie algorytmów uczenia maszynowego do wysoko precyzyjnego prognozowania mocy elektrowni fotowoltaicznych na skalę przemysłową
Ahmed Saidi, Abdelghani Draoui, Touhami Abdelouahed123-128
-
Badanie dynamicznych zmian poziomu bezpieczeństwa systemu ochrony informacji
Olha Saliieva, Yurii Yaremchuk129-133
-
Nowy generator hiperchaotyczny: realizacja obwodu i analiza
Volodymyr Rusyn, Petro Kindrachuk, Bogdan Markovych134-138
-
Strategie zapewnienia funkcjonalnej stabilności złożonej sieci sensorowej na podstawie badan dynamiki zachowania równań ewolucyjnych
Valentyn Sobchuk, Yurii Kravchenko, Mykhaylo Sharapov, Oleksandr Laptiev, Andrii Sobchuk139-143
-
Opracowanie odpornej transmisji DVB-T2 OFDM: ocena BER i ograniczanie zakłóceń kanałowych dla niezawodnej transmisji wysokiej rozdzielczości
Olarewaju Peter Ayeoribe144-149
-
Wykrywanie anomalii sieciowych w czasie rzeczywistym w O-RAN z wykorzystaniem głębokiego uczenia się na dużych danych przesyłanych strumieniowo
Satya Sumanth Vanapalli, Rajesh Polepogu, Parish Venkata Kumar K, Vijayasankar Anumala, Vinodh Babu Panguluri, Lakshmi Narayana Jammula, Brahmaiah Madamanchi, Sravani Duvvu, Bhanusree Nanduri, Syam Sundar Musinala150-158
-
Techniczna analiza predykcyjna dużych zbiorów danych do planowania zasobów w oparciu o Apache Spark
Bakhshali Bakhtiyarov, Aynur Jabiyeva, Ulkar Musavi159-166
-
Konwersja modeli wokselowych na siatki poligonowe z zachowaniem integralności strukturalnej i możliwości edycji
Semen Duvanov, Iryna Baranowa167-172
-
Metoda Fuzzy Delphi do identyfikacji kluczowych parametrów w optymalizacji inteligentnych systemów sterowania w procesach rafinacji ropy naftowej
Kamala Aliyeva173-179
-
Metoda określania podstaw klasyfikacji danych jako informacji służbowych oraz stopnia ograniczenia dostępu "Do użytku służbowego"
Yurii Dreis, Oleh Harasymchuk180-183
-
Model i narzędzia do tworzenia i publikowania treści w oparciu o duże modele językowe
Artem Kazarian, Vasyl Teslyuk, Andrii Pukach184-190
-
Ocena użyteczności serwisów internetowych zawierających mapy interaktywne
Łukasz Sendecki, Sergiusz Skalski, Mariusz Dzieńkowski191-197
-
Model rozmyty do oceny poziomu kompetencji w zakresie bezpieczeństwa cyfrowego w populacjach o różnych profilach społecznych
Volodymyr Polishchuk, Vasyl Sehlianyk, Inna Polishchuk, Andrii Shafar198-203
-
Inteligentny moduł do oceny produktywności pracowników zdalnych w systemach monitorowania czasu pracy
Aigul Moldakalykova, Maria Yukhymchuk, Gulzhan Kashaganova, Vladyslav Lesko, Yurii Ivanov, Natalia Sachaniuk-Kavets’ka204-209
-
Hybrydowy model uczenia maszynowego do prognozowania i oceny rankingów uniwersytetów
Nurzhigit Smailov, Nursultan Kuldeyev, Akezhan Sabibolda, Raigul Ustemirova210-216
Archiwum
-
Tom 16 Nr 3
2026-09-30 30
-
Tom 16 Nr 2
2026-06-30 27
-
Tom 16 Nr 1
2026-03-30 27
-
Tom 15 Nr 4
2025-12-20 27
-
Tom 15 Nr 3
2025-09-30 24
-
Tom 15 Nr 2
2025-06-27 24
-
Tom 15 Nr 1
2025-03-31 26
-
Tom 14 Nr 4
2024-12-21 25
-
Tom 14 Nr 3
2024-09-30 24
-
Tom 14 Nr 2
2024-06-30 24
-
Tom 14 Nr 1
2024-03-31 23
-
Tom 13 Nr 4
2023-12-20 24
-
Tom 13 Nr 3
2023-09-30 25
-
Tom 13 Nr 2
2023-06-30 14
-
Tom 13 Nr 1
2023-03-31 12
-
Tom 12 Nr 4
2022-12-30 16
-
Tom 12 Nr 3
2022-09-30 15
-
Tom 12 Nr 2
2022-06-30 16
-
Tom 12 Nr 1
2022-03-31 9
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
Rolnictwo precyzyjne wymaga ciągłego, niezależnego energetycznie monitorowania gleby, umożliwiającego wykrywanie krytycznych stanów, takich jak gwałtowna utrata wilgotności lub wyczerpanie składników odżywczych zbliżające się do progów zagrażających uprawom. Konwencjonalne bezprzewodowe sieci czujników stoją przed fundamentalnym dylematem wyboru między wieloletnią żywotnością baterii a opóźnieniem reakcji poniżej sekundy, ponieważ cykliczne odpytywanie marnuje energię na zapytania w stanie bezczynności, podczas gdy komunikacja w trybie ciągłym pozostaje niewykonalna w przypadku zasilanych bateryjnie instalacji polowych obejmujących setki akrów. W niniejszej pracy przedstawiono nowatorską integrację wnioskowania brzegowego opartego na technologii TinyML z zaprojektowanym na zamówienie, ultraenergooszczędnym odbiornikiem typu „wake-up” (WuRX) wykonanym w technologii CMOS 40 nm, umożliwiającą sterowane zdarzeniami, asynchroniczne monitorowanie stanu gleby bez konieczności polegania na okresowych harmonogramach odpytywania. Proponowana trójwarstwowa architektura typu „edge-fog-cloud” wykorzystuje węzły czujnikowe mierzące wilgotność, temperaturę, pH, zawartość azotu, fosforu i potasu, a także kwantyzowane sieci neuronowe, które zostały wytrenowane i zweryfikowane na 64 800 oznaczonych próbkach zebranych z wyposażonych w czujniki pól kukurydzy i soi w ciągu 180 dni, osiągając dokładność klasyfikacji na poziomie 91,3% i wskaźnik F1 wynoszący 93,0% przy koszcie energetycznym wnioskowania wynoszącym 0,87 mJ na cykl. Symulacje na poziomie obwodów układu CMOS WuRX w technologii 40 nm potwierdzają stratę odbicia na wejściu wynoszącą -15,8 dB, wzmocnienie transmisji wynoszące +18,2 dB oraz sprawność dodanej mocy wynoszącą 45,3% przy czułości -60 dBm, przy czym ciągły pobór mocy w trybie czuwania wynosi 45–53 µW. Analiza bilansu energetycznego na poziomie systemu potwierdza żywotność baterii wynoszącą 200–300 dni przy zastosowaniu ogniw litowych o pojemności 240 mAh, uzupełnionych o monokrystaliczny panel słoneczny o powierzchni 5 cm². Do głównych ograniczeń należą: ograniczenie walidacji terenowej do dwóch rodzajów upraw oraz zależność od odpowiedniego natężenia promieniowania słonecznego w celu zapewnienia pracy neutralnej energetycznie. Proponowana architektura zmniejsza obciążenie komunikacyjne o 80–90% w porównaniu z systemami opartymi na progach, zapewniając praktyczne ramy dla skalowalnych wdrożeń rolnictwa precyzyjnego w warunkach ograniczonych zasobów.
Słowa kluczowe:
Cele Zrównoważonego Rozwoju (SDG)
- Odpowiedzialna konsumpcja i produkcja
- Życie na lądzie
Bibliografia
[1] Akhter, M. O., & Amin, N. M. (2021). Design and Optimization of 2.1 mW ULP Doherty Power Amplifier with Interstage Capacitances Using 65 nm CMOS Technology. Mathematical Problems in Engineering, 2021, 1–12. https://doi.org/10.1155/2021/3364016 DOI: https://doi.org/10.1155/2021/3364016
[2] Akhter, M. O., & Buksh, S. K. (2026). Federated deep learning for triple bottom line optimization in virtual refrigeration through simulation-based sustainable food management. Sustainable Food Technology, 4(3), 2605–2615. https://doi.org/10.1039/D5FB00739A DOI: https://doi.org/10.1039/D5FB00739A
[3] Akhter, M. O., Amin, N. M., & Zia, R. (2022). Design and optimisation of high‐efficient class‐F ULP‐PA using envelope tracking supply bias control for long‐range low power wireless local area network IEEE 802.11ah standard using 65 nm CMOS technology. IET Circuits, Devices & Systems, 16(7), 553–568. https://doi.org/10.1049/cds2.12125 DOI: https://doi.org/10.1049/cds2.12125
[4] Aldhaheri, L., Alshehhi, N., Manzil, I. I. J., Khalil, R. A., Javaid, S., Saeed, N., & Alouini, M.-S. (2025). LoRa Communication for Agriculture 4.0: Opportunities, Challenges, and Future Directions. IEEE Internet of Things Journal, 12(2), 1380–1407. https://doi.org/10.1109/JIOT.2024.3486369 DOI: https://doi.org/10.1109/JIOT.2024.3486369
[5] Amin, N. M., Shen, L., Wang, Z.-G., Akhter, M. O., & Afridi, M. T. (2017). 60 GHz-Band Low-Noise Amplifier. Journal of Circuits, Systems and Computers, 26(05), 1750075. https://doi.org/10.1142/S021812661750075X DOI: https://doi.org/10.1142/S021812661750075X
[6] Basu, J., Fassio, L., Ali, K., & Alioto, M. (2024). Picowatt-Power Super-Cutoff Analog Building Blocks and 78-pW Battery-Less Wake-Up Receiver for Light-Harvested Near-Always-On Operation. IEEE Journal of Solid-State Circuits, 59(4), 1038–1049. https://doi.org/10.1109/JSSC.2023.3346387 DOI: https://doi.org/10.1109/JSSC.2023.3346387
[7] Benbuk, A. A. (2020). Ultra-low Power Wake-up Receivers for IoT Devices with Application to Smart Agriculture [American University of Beirut]. https://scholarworks.aub.edu.lb/items/baad0c5d-28bb-4763-9a83-8f8679039265
[8] Chicco, D., & Jurman, G. (2023). The Matthews correlation coefficient (MCC) should replace the ROC AUC as the standard metric for assessing binary classification. BioData Mining, 16(1), 4. https://doi.org/10.1186/s13040-023-00322-4 DOI: https://doi.org/10.1186/s13040-023-00322-4
[9] Chiu, H.-C., Huang, C.-R., Lin, C.-H., Yu, C.-H., Kao, H.-L., Lin, S.-Y., & Lin, B. (2025). High Power Added Efficiency Enhancement-Mode Γ-Gate RF HEMT With High/Low p-GaN Doping Profile. IEEE Journal of the Electron Devices Society, 13, 285–289. https://doi.org/10.1109/JEDS.2025.3551313 DOI: https://doi.org/10.1109/JEDS.2025.3551313
[10] Gamm, G. U., Sippel, M., Kostic, M., & Reindl, L. M. (2010). Low power wake-up receiver for wireless sensor nodes. 2010 Sixth International Conference on Intelligent Sensors, Sensor Networks and Information Processing, 121–126. https://doi.org/10.1109/ISSNIP.2010.5706778 DOI: https://doi.org/10.1109/ISSNIP.2010.5706778
[11] Kadhum, J. H., Dheyaa Radhi, A., Ismail, L. S., Ghaleb Waheed, M., Alzamily, H., Mohammad, I. A., & Adnan Hashim, W. (2025). Ultra-Low Power Sensor Data Processing in Smart Agriculture Using Attention-Optimized TinyML Models for Edge Microcontrollers. 2025 3rd International Conference on Cyber Resilience (ICCR), 1–8. https://doi.org/10.1109/ICCR67387.2025.11292028 DOI: https://doi.org/10.1109/ICCR67387.2025.11292028
[12] Kim, H., & Shin, H. (2013). A 2.4-GHz current-reuse OOK wake-up receiver for MICS applications. IEICE Electronics Express, 10(14), 20130293–20130293. https://doi.org/10.1587/elex.10.20130293 DOI: https://doi.org/10.1587/elex.10.20130293
[13] Liu, R., K. T., A. B., Dorrance, R., Dasalukunte, D., Kristem, V., Santana Lopez, M. A., Min, A. W., Azizi, S., Park, M., & Carlton, B. R. (2020). An 802.11ba-Based Wake-Up Radio Receiver With Wi-Fi Transceiver Integration. IEEE Journal of Solid-State Circuits, 55(5), 1151–1164. https://doi.org/10.1109/JSSC.2019.2957651 DOI: https://doi.org/10.1109/JSSC.2019.2957651
[14] Lumumba, V., Kiprotich, D., Mpaine, M., Makena, N., & Kavita, M. (2024). Comparative Analysis of Cross-Validation Techniques: LOOCV, K-folds Cross-Validation, and Repeated K-folds Cross-Validation in Machine Learning Models. American Journal of Theoretical and Applied Statistics, 13(5), 127–137. https://doi.org/10.11648/j.ajtas.20241305.13 DOI: https://doi.org/10.11648/j.ajtas.20241305.13
[15] Luo, K., Chen, Y., Lin, R., Liang, C., & Zhang, Q. (2024). A Portable Agriculture Environmental Sensor with a Photovoltaic Power Supply and Dynamic Active Sleep Scheme. Electronics, 13(13), 2606. https://doi.org/10.3390/electronics13132606 DOI: https://doi.org/10.3390/electronics13132606
[16] Mercier, P. P., Calhoun, B. H., Wang, P.-H. P., Dissanayake, A., Zhang, L., Hall, D. A., & Bowers, S. M. (2022). Low-Power RF Wake-Up Receivers: Analysis, Tradeoffs, and Design. IEEE Open Journal of the Solid-State Circuits Society, 2, 144–164. https://doi.org/10.1109/OJSSCS.2022.3215099 DOI: https://doi.org/10.1109/OJSSCS.2022.3215099
[17] Mittal, A., Xu, Z., & Shrivastava, A. (2024). Energy-Efficient, Secure, and Spectrum-Aware Ultra-Low Power Internet-of-Things System Infrastructure for Precision Agriculture. IEEE Transactions on AgriFood Electronics, 2(2), 198–208. https://doi.org/10.1109/TAFE.2024.3409166 DOI: https://doi.org/10.1109/TAFE.2024.3409166
[18] Müller, K., Weidner, J., Franchi, N., & Wägemann, P. (2024). TinyEP: TinyML-Enhanced Energy Profiling for Extreme Edge Devices. IEEE Access, 12, 193747–193762. https://doi.org/10.1109/ACCESS.2024.3520089 DOI: https://doi.org/10.1109/ACCESS.2024.3520089
[19] Nguyen, M.-T., Zakri, M. A. D. B. M., Belleudy, C., Ferrero, F., Groen, D., Rajaei, H., & Delgado, A. B. (2025). Wake-Up radio with Plant-Microbial Fuel Cells Power Budget. 2025 IEEE International Workshop on Metrology for Industry 4.0 & IoT (MetroInd4.0 & IoT), 243–247. https://doi.org/10.1109/MetroInd4.0IoT66048.2025.11122055 DOI: https://doi.org/10.1109/MetroInd4.0IoT66048.2025.11122055
[20] Polonelli, T., Villani, F., & Magno, M. (2021). Ultra-Low Power Wake-Up Receiver for Location Aware Objects Operating with UWB. 2021 17th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob), 369–376. https://doi.org/10.1109/WiMob52687.2021.9606248 DOI: https://doi.org/10.1109/WiMob52687.2021.9606248
[21] Psaltopoulos, D., Wade, A. J., Skuras, D., Kernan, M., Tyllianakis, E., & Erlandsson, M. (2017). False positive and false negative errors in the design and implementation of agri-environmental policies: A case study on water quality and agricultural nutrients. Science of The Total Environment, 575, 1087–1099. https://doi.org/10.1016/j.scitotenv.2016.09.181 DOI: https://doi.org/10.1016/j.scitotenv.2016.09.181
[22] Rahman, M. A. (2018). General wake-up radio module for ism band. https://hh.diva-portal.org/smash/get/diva2:1187369/FULLTEXT02.pdf
[23] Raval, M. S., & Chaudhary, S. (2024). Preprocessing of Agricultural and Natural Resource Data. In M. S. Raval, S. Chaudhary, J. Adinarayana, & W. Guo (Eds), Harnessing Data Science for Sustainable Agriculture and Natural Resource Management (Vol. 161, pp. 47–73). Springer Nature Singapore. https://doi.org/10.1007/978-981-97-7762-4_3 DOI: https://doi.org/10.1007/978-981-97-7762-4_3
[24] Son, H., Lim, J. W., Park, S., Park, B., Han, J., Kim, H. B., Lee, M. C., Jang, K.-J., Kim, G., & Chung, J. H. (2022). A Machine Learning Approach for the Classification of Falls and Activities of Daily Living in Agricultural Workers. IEEE Access, 10, 77418–77431. https://doi.org/10.1109/ACCESS.2022.3190618 DOI: https://doi.org/10.1109/ACCESS.2022.3190618
[25] Steckler, D., Lischke, S., Yamamoto, Y., Wen, W.-C., Peczek, A., Beyer, J., Kroh, A., Fursenko, O., Bärwolf, F., Marschmeyer, S., Kulse, P., Wolansky, D., & Zimmermann, L. (2025). Monolithic electro-optic platform on silicon with bandwidth of 100 GHz and beyond. Nature Communications, 16(1), 10789. https://doi.org/10.1038/s41467-025-66566-2 DOI: https://doi.org/10.1038/s41467-025-66566-2
[26] Thiagarajan, G., & Gurugopinath, S. (2025). Analysis of Analogue-Domain Energy-Based Low-Power Wake-Up Receivers in Coloured Noise. 2025 17th International Conference on COMmunication Systems and NETworks (COMSNETS), 473–480. https://doi.org/10.1109/COMSNETS63942.2025.10885617 DOI: https://doi.org/10.1109/COMSNETS63942.2025.10885617
[27] Wang, P. (2024). Multi-node temperature monitoring method for digital agricultural planting based on wireless sensor network. Turkish Journal of Agriculture and Forestry, 48(2), 212–225. https://doi.org/10.55730/1300-011X.3175 DOI: https://doi.org/10.55730/1300-011X.3175
[28] Yoon, D.-Y., Jeong, C.-J., Cartwright, J., Kang, H.-Y., Han, S.-K., Kim, N.-S., Ha, D.-S., & Lee, S.-G. (2012). A New Approach to Low-Power and Low-Latency Wake-Up Receiver System for Wireless Sensor Nodes. IEEE Journal of Solid-State Circuits, 47(10), 2405–2419. https://doi.org/10.1109/JSSC.2012.2209778 DOI: https://doi.org/10.1109/JSSC.2012.2209778
##plugins.themes.bootstrap3.article.details##
Abstract views: 13
Downloads: 7

