# إطار عمل AI-IoT يعتمد على MATLAB لتحسين أنظمة الري الذكي بالطاقة الشمسية

> يقدم إطار عمل AI-IoT الجديد المعتمد على MATLAB نموذج LSTM للتنبؤ باحتياجات الري، مما يساعد على تقليل استهلاك المياه والطاقة في الزراعة المعتمدة على الطاقة الشمسية.

- Canonical URL: https://coreiten.com/article/إطار-عمل-ai-iot-عبر-matlab-لتحسين-الري-الذكي-بالطاقة-الشمسية
- Language: ar
- Section: مصادر الطاقة
- Author: Sami
- Published: 2026-10-14T08:01:43+03:00
- Modified: 2026-10-14T08:01:43+03:00
- Publisher: CoreITen (https://coreiten.com)
- Keywords: MATLAB, AI-IoT, LSTM, NASA POWER, MPPT, ANN, SVM, ري ذكي, طاقة شمسية

## ملخص

اقترح باحثون إطار عمل جديداً في بيئة MATLAB يدمج الذكاء الاصطناعي وإنترنت الأشياء لتحسين إدارة أنظمة الري الذكي بالطاقة الشمسية.

- يعتمد إطار العمل على خمسة أنظمة فرعية متكاملة وبنية تنفيذية تدمج بين الحوسبة الطرفية والسحابية لضمان التشغيل المستمر.
- استُخدمت بيانات بيئية حقيقية من قاعدة بيانات NASA POWER لمنطقة الدلتا الجديدة في مصر لعام 2024.
- حقق نموذج LSTM للتنبؤ بدقة بلغت 96.11% وتفوق على نماذج ANN و SVM في تصنيف حالات تشغيل مضخة الري.
- أدت استراتيجية الري التكيفية إلى توفير سنوي في المياه بنسبة 28.57% وانخفاض استخدام طاقة المحرك بنسبة 74.74%.

**لماذا يهم:** يمثل هذا الإطار أساساً واعداً لتطوير أنظمة ري زراعية ذكية ومستدامة تعتمد على الطاقة الشمسية والذكاء الاصطناعي.

---

اقترح باحثون إطار عمل جديداً للمحاكاة مبنياً في بيئة MATLAB يدمج بين الذكاء الاصطناعي وإنترنت الأشياء (IoT) لإدارة أنظمة الري الذكي بالطاقة الشمسية. وتهدف الدراسة إلى سد فجوة في مجال الزراعة الدقيقة من خلال الجمع بين شبكة عصبية من نوع LSTM للتنبؤ بمتطلبات الري، وإدارة الري التكيفية، والتحكم في الطاقة الكهروضوئية (PV)، وإدارة حالة شحن البطارية (SOC).

### بنية النظام ومكوناته

يتكون إطار عمل AI-IoT المقترح للري الذكي بالطاقة الشمسية من خمسة أنظمة فرعية متكاملة مُمثلة داخل بيئة MATLAB. وتشمل هذه الأنظمة وحدة محاكاة للاستشعار البيئي، وبنية اتصالات مفاهيمية، وإدارة للبيانات السحابية، ونظام تنبؤ يعتمد على الذكاء الاصطناعي، واستراتيجيات تكيفية للتحكم في المضخات. ولضمان التشغيل المستمر في الوقت الفعلي، يعتمد إطار العمل على بنية تنفيذية تدمج بين الحوسبة الطرفية والسحابية (Edge-Cloud). وتُنفذ المهام الحساسة لزمن الاستجابة محلياً، مثل استنتاجات نموذج LSTM، والتحكم التكيفي في سرعة المضخة، وتنظيم تتبع نقطة الطاقة القصوى (MPPT)، وإدارة حالة شحن البطارية. في المقابل، تُخصص المنصة السحابية للمراقبة عن بُعد، وتخزين البيانات التاريخية، والوظائف الإشرافية.

### البيانات البيئية والمعالجة المسبقة

اختُبر إطار العمل باستخدام بيانات بيئية وأرصاد جوية حقيقية مستمدة من قاعدة بيانات NASA POWER لمنطقة الدلتا الجديدة في مصر على مدار عام 2024. وتتضمن مجموعة البيانات متغيرات مثل درجة حرارة الهواء، والرطوبة النوعية والنسبية، والضغط السطحي، وسرعة الرياح، والإشعاع الشمسي. وحُوّلت بيانات الإشعاع الشمسي إلى واط/متر مربع لتسهيل حسابات الطاقة. كما قُدّرت رطوبة التربة باستخدام المتوسط الحسابي لرطوبة السطح ومنطقة الجذور. ولإضافة طابع واقعي يحاكي عدم يقين المستشعرات والاضطرابات الميدانية في القياسات، أُضيفت ضوضاء غاوسية عشوائية إلى القياسات البيئية.

### نموذج التنبؤ LSTM

صُممت مهمة التنبؤ كمشكلة تصنيف ثنائي، حيث تتنبأ شبكة LSTM بحالة تشغيل مضخة الري (تشغيل أو إيقاف). ويعالج النموذج القياسات البيئية وتلك المتعلقة بالطاقة في تسلسلات زمنية ثابتة الطول تتكون من 12 ملاحظة متتالية. وقُسّمت مجموعة البيانات إلى مجموعات فرعية للتدريب (بنسبة 70%)، والتحقق (بنسبة 15%)، والاختبار (بنسبة 15%)، مع زيادة عينات الفئة الأقل عشوائياً لموازنة بيانات التدريب.

ويتميز نموذج LSTM ببنية خفيفة الوزن تحتوي على 32,466 معلمة قابلة للتدريب. ودُرّب النموذج باستخدام مُحسّن Adam بمعدل تعلم ثابت يبلغ 0.0005 لمدة 20 حقبة. ومن حيث الكفاءة الحسابية، استغرق النموذج 122.11 ثانية للتدريب وحقق متوسط وقت استنتاج يبلغ 0.186 مللي ثانية لكل عينة، مما يجعله مناسباً لاتخاذ القرارات في الوقت شبه الفعلي.

### الطاقة المتجددة والنمذجة الرياضية

يصمم النظام الفرعي للطاقة المتجددة عمليات توليد الطاقة، وتخزينها، وإدارة الطاقة المستخدمة في الري. ويفترض إطار العمل وجود مصفوفة كهروضوئية بمساحة 18 متراً مربعاً وبكفاءة تحويل تبلغ 22%. وتنظم مرحلة MPPT نقطة التشغيل الكهروضوئية بكفاءة ثابتة مفترضة تبلغ 97%. ويُقدّر استهلاك طاقة المحرك باستخدام قانون تقارب المضخات، مما يسمح بتنظيم سرعة المضخة ديناميكياً بناءً على خطأ رطوبة التربة، والطاقة الكهروضوئية المتاحة، وحالة شحن البطارية. وتُقيد حالة شحن نظام تخزين البطارية ضمن حدود دنيا وقصوى محددة مسبقاً تتراوح بين 50% و 85% على التوالي.

### الأداء ونتائج المقارنة المرجعية

في الاختبارات، نجح نموذج LSTM في تصنيف حالات تشغيل مضخة الري بدقة بلغت 96.11%، ومعدل استدعاء 0.9820، ودقة قياس 0.9100، ودرجة F1-score بلغت 0.9446. وأظهرت مقارنة مرجعية أن نموذج LSTM تفوق باستمرار على نماذج الشبكة العصبية الاصطناعية (ANN) وآلة المتجهات الداعمة (SVM) عبر جميع مقاييس التقييم. وأسفر تحليل المتانة على مدار عشر جولات تدريب مستقلة عن متوسط دقة تصنيف بلغ 96.36% بانحراف معياري قدره 0.95%، مما يشير إلى أداء تنبؤي مستقر للغاية.

وأدت استراتيجية الري التكيفية إلى تحقيق معدل توفير سنوي مقدر في المياه بنسبة 28.57% مقارنة بخط الأساس التقليدي ذي الجدول الزمني الثابت. علاوة على ذلك، انخفض استخدام طاقة المحرك بنسبة 74.74% من خلال التحكم التكيفي في سرعة المضخة. وأظهر التحليل البيئي لفترة المحاكاة أن درجات الحرارة السنوية تراوحت بين 12 و 30 درجة مئوية، مما يؤثر بشكل مباشر على الطلب على مياه المحاصيل وظروف التشغيل الكهروضوئية. وارتبط ملف توليد الطاقة السنوي بالإشعاع الشمسي الموسمي، حيث بلغ ذروته عند حوالي 1.25 كيلوواط خلال أشهر الصيف.

### التنفيذ المستقبلي للأجهزة

تشير النتائج إلى أن الجمع بين النمذجة القائمة على الذكاء الاصطناعي لإدارة الطاقة المتجددة داخل محاكاة الري في بيئة MATLAB يمكن أن يكون أصلاً قيماً لتحسين الكفاءة وتقليل استخدام الموارد. وبحسب الدراسة، يوفر إطار عمل المحاكاة هذا أساساً واعداً للتنفيذ المستقبلي لإصدارات الأجهزة من أنظمة الري الذكية التي تعمل بالطاقة الشمسية.

## المصادر

- [nature.com](https://www.nature.com/articles/s41598-026-74935-0?error=cookies_not_supported&code=fb48b39a-6efe-4c9f-a953-32b14c842788)