ترجمه فارسی مقاله به سوی کشاورزی خرد هوشمند در پیوستار محاسبات شهری

چکیده

Microfarming and urban computing have evolved as two distinct sustainability pillars of urban living today. In this paper, we combine these two concepts, while majorly extending them jointly towards novel concepts of smart microfarming and urban computing continuum. Smart microfarming is proposed with applications of artificial intelligence in microfarming, while an urban computing continuum is proposed as a major extension of the concept towards an efficient IoT-edge-cloud continuum. We propose and build a system architecture for a plant recommendation system that uses machine learning at the edge to find, from a pool of given plants, the most suitable ones for a given microfarm using monitored soil values obtained from IoT sensor devices. Moreover, we propose to integrate long-distance LoRa communication solution for sending the data from IoT to the edge system, due to its unlicensed nature and potential for open source implementations. Finally, we propose to integrate open source and less constrained application protocol solutions, such as AMQP and HTTP protocols, for storing the data in the cloud. An experimental setup is used to evaluate and analyze the performance and reliability of the data collection procedure and the quality of the recommendation solution. Furthermore, collaborative filtering is used for the completion of an incomplete information about soils and plants. Finally, various ML algorithms are applied to identify and recommend the optimal plan for a specific microfarm in an urban area.

چکیده به فارسی (ترجمه ماشینی)

ریزگردها و محاسبات شهری به عنوان دو ستون پایداری مجزا از زندگی شهری امروزه تکامل یافته اند.در این مقاله ، ما این دو مفهوم را با هم ترکیب می کنیم ، در حالی که عمدتا آنها را به طور مشترک به سمت مفاهیم جدید از میکروگرم هوشمند و زنجیره محاسبات شهری گسترش می دهیم.ریزگردها هوشمند با کاربردهای هوش مصنوعی در ریزگردها پیشنهاد شده است ، در حالی که یک زنجیره محاسبات شهری به عنوان یک برنامه اصلی مفهوم به سمت یک زنجیره ایمن-لبه-ابر-ابر ارائه شده است.ما یک معماری سیستم را برای یک سیستم توصیه گیاهی که از یادگیری ماشین در لبه استفاده می کند ، برای یافتن ، از استخر گیاهان داده شده ، مناسب ترین موارد برای یک میکروفرم معین با استفاده از مقادیر خاک نظارت شده به دست آمده از دستگاه های سنسور IoT پیشنهاد و ایجاد می کنیم.علاوه بر این ، ما پیشنهاد می کنیم راه حل ارتباطی LORA مسافت طولانی را برای ارسال داده ها از IoT به سیستم Edge ، به دلیل ماهیت بدون مجوز و پتانسیل برای اجرای منبع باز ادغام کنیم.سرانجام ، ما پیشنهاد می کنیم راه حل های پروتکل برنامه کاربردی منبع باز و محدودتر ، مانند پروتکل های AMQP و HTTP ، برای ذخیره داده ها در ابر.از یک مجموعه آزمایشی برای ارزیابی و تجزیه و تحلیل عملکرد و قابلیت اطمینان روش جمع آوری داده ها و کیفیت راه حل توصیه استفاده می شود.علاوه بر این ، از فیلتر مشترک برای تکمیل اطلاعات ناقص در مورد خاک و گیاهان استفاده می شود.سرانجام ، از الگوریتم های مختلف ML برای شناسایی و توصیه برنامه بهینه برای یک میکروفرم خاص در یک منطقه شهری استفاده می شود.