تعتبر ندرة المياه مشكلة عالمية كبرى وتؤثر بشكل مباشر على الزراعة. لذلك، من الضروري الحفاظ على
الموارد المائية بطرق فعالة وذكية من خلال أنظمة الري. وتعتمد هذه الأنظمة على شبكات إنترنت الأشياء ( ،)IoTوالتي
تستخدام أجهزة الاستشعار لرصد المجال الزراعي. تستشعر أجهزة استشعار إنترنت الأشياء هذه كمية كبيرة من البيانات
وإرسالها إلى البوابة. ولذلك، فمن المهم إزالة البيانات الزائدة من أجهزة الاستشعار قبل إرسالها إلى البوابة. ستتخذ البوابة
قرار الري بنا ًء على البيانات التي تتلقاها، مما يمثل تحديًا في تقديم قرار دقيق بنا ًء على بيانات محدودة من أجهزة
الاستشعار. ولمواجهة هذه التحديات، تقترح هذه الأطروحة أربعة مناهج يعمل كل منها على مستويين ومن حيث الفترات.
أولا، نقترح تقليل البيانات الموزعة باستخدام نهج اتخاذ القرار ( .)DiDaReDينفذ DiDaReDخوارزمية تسجيل
تعتمد على تقليل الإرسال على كل قيمة رطوبة تربة التي تم التقاطها لتحديد ما إذا كان سيتم إرسال قراءات رطوبة التربة
خلال الفترة الحالية. بالإضافة إلى ذلك،تطبق بوابة الحافة تقنية التصويت بنا ًء على نتائج القراءات المستلمة من أجهزة
الاستشعار لتحديد ري الحقل الزراعي الخاضع للمراقبة , مع الاخذ في الاعتبارحالة رطوبة التربه. ويسمى النهج الثاني
( EDaT-SFIMoSنقل البيانات الموفر للطاقة مع نظام ذكي لمراقبة الري الزراعي)، وهو مستوحى من نهج
DiDaReDباستخدام نفس طريقة تقليل البيانات داخل أجهزة الاستشعار ولكن يتم إرسال قيم التسجيل بدلاً من ذلك من
القراءات الأصلية. على مستوى بوابه الحافة , يستخدم نموذج التعلم الالي بناء على درجات القراءات المستلمه اجهزة
الاستشعارلاتخاذ قرار بشأن ري الحقل الزراعيالخاضع للمراقبة وفقا لحالة رطوبة التربه في هذا الحقل. ثالثا, اقترحنا
تقليل بيانات اجهزة الاستشعار المتعددة الموفرة للطاقة ودمجها مع دعم القرارالذكي للري الزراعي( )EMuDaReFفي
شبكات انترنت الاشياء . يعمل نهج EMuDaReFعلى مستويين : جهاز الاستشعار وبوابة الحافة, يستخدم جهاز
الاستشعار اسلوب تقليل البيانات استنادا الى تنبؤ مرشح كالمان وطرق ضغط Zlibللتخلص من قراءات رطوبة التربهغير
الضرورية. تستخدم بوابة الحافة الشبكة العصبية التلافيفية احادية البعد( )ID-CNNلاتخاذ قرار بشان حالة الحقل
الزراعي. يتم ارسال القرارالى الجهة المشغلة والتي اما ان تقوم بري الحقل الزراعيالخاضع للمراقبة او لا اعتمادا على
حالة رطوبة التربة. رابعا, نحن نستخدم نهجا ثنائي المستوى للكشف عن رطوبة التربة الميدانية, وهو موفر للطاقة في
الزراعةعن بعد , يجمع نهج ETFiSoMDSبين نموذج التنبؤبمرشح كالمان وضغط Zlibمع ميزات مستخرجة من
قراءات رطوبة التربة الدورية على مستوى المستشعر, تليها عملية اتخاذ القراربأستخدام نموذج التعلم الاليلري الحقل
الزراعيالخاضع للمراقبة بالاعتماد على حالة رطوبة التربة. يتم تقييم الاساليب المقترحة باستخدام مقاييس اداء مختلفة ,
تستهلك طاقةEMuDaReF, ETFiSoMDA, EDaT-SFIMoS, DiDaReD وتظهر النتائج ان
EDaT- على التوالي ضمن اجهزة الاستشعار. توفر0.0050919,0.004594,0.000918757,0.00063649
SFIMoS, EMuDaReF, ETFiSoMDAنسبة مؤية من تقليل البيانات تساوي قراراتEMuDaReF, ETFiSoMDA على التوالي. يوفر نظام المراقبة59.9636%,63.6783%,92.735%
ري اكثر دقة للحقول الزراعية مقارنه بالطرق الاخرى