Big data and optimization methods with applications in precision agriculture

Abstract

This thesis explores the intersection of big data analytics, optimization techniques, and unmanned aerial vehicle (UAV) networking technologies to address critical challenges in precision agriculture. With the rapid growth of smart farming practices, the need for reliable, scalable, and energy-efficient data collection and communication systems has become more pronounced. This work presents a multi-faceted approach that leverages Flying Ad Hoc Networks (FANETs), fuzzy logic-based optimization, and open-source architectures to enable intelligent, real-time agricultural monitoring and decision support. The research begins with an in-depth analysis of existing routing protocols, mobility models, and communication strategies in FANETs, identifying key limitations in scalability, energy consumption, and quality of service. To address these, a series of novel contributions are introduced, including: (a) the 3D Scan Mobility Model for structured UAV movement with improved spatial coverage, (b) AERO-FL, a fuzzy logic-enhanced adaptive routing protocol that balances energy and delay trade-offs, and (c) AirPro-FL, an intelligent routing solution enabling seamless FANET-to-MANET data transfer for synchronous big data aggregation. Each contribution is evaluated through realistic simulation scenarios inspired by crop surveying and field monitoring missions.Building on these foundations, the thesis also introduces MiFarm-CSA, a multi-layered architecture integrating UAV cooperation, ground station middleware, and socio-ecological modeling to support mixed farming systems and climate-smart agriculture. Through this holistic integration of networking, optimization, and data-centric methodologies, the thesis contributes both theoretically and practically to the advancement of sustainable, data-driven farming practices.

Η παρούσα διατριβή εξετάζει τη διασταύρωση των τεχνολογιών ανάλυσης μεγάλων δεδομένων (big data), βελτιστοποίησης και ασύρματων δικτύων μη επανδρωμένων εναέριων οχημάτων (UAVs), με στόχο την αντιμετώπιση κρίσιμων προκλήσεων στη γεωργία ακριβείας. Με την ταχεία ανάπτυξη των έξυπνων γεωργικών πρακτικών, αναδεικνύεται η ανάγκη για αξιόπιστα, επεκτάσιμα και ενεργειακά αποδοτικά συστήματα συλλογής και μετάδοσης δεδομένων. Η εργασία αυτή προτείνει μια πολυδιάστατη προσέγγιση που αξιοποιεί τα Ιπτάμενα Ad Hoc Δίκτυα (FANETs), τεχνικές βελτιστοποίησης βασισμένες σε ασαφή λογική και ανοικτές αρχιτεκτονικές για την υποστήριξη ευφυούς, σε πραγματικό χρόνο παρακολούθησης και λήψης αποφάσεων στη γεωργία. Η έρευνα ξεκινά με εις βάθος ανάλυση υφιστάμενων πρωτοκόλλων δρομολόγησης, μοντέλων κινητικότητας και στρατηγικών επικοινωνίας στα FANETs, εντοπίζοντας βασικούς περιορισμούς ως προς την επεκτασιμότητα, την ενεργειακή κατανάλωση και την ποιότητα υπηρεσίας. Για την αντιμετώπιση αυτών, εισάγονται μια σειρά από καινοτόμες συνεισφορές, όπως: (α) το Μοντέλο Κινητικότητας 3D Scan για δομημένη κίνηση UAV με βελτιωμένη χωρική κάλυψη, (β) το AERO-FL, ένα καινοτόμο πρωτόκολλο δρομολόγησης που επιτρέπει τη μετάδοση υψηλού όγκου δεδομένων σε πραγματικό χρόνο, και εξισορροπεί μεταξύ ενεργειακής κατανάλωσης και απόδοσης, και (γ) το AirPro-FL, μια έξυπνη λύση δρομολόγησης που επιτρέπει την απρόσκοπτη μεταφορά δεδομένων από FANET σε Κινητά Ad hoc Δίκτυα (MANET) για παράλληλη συγκέντρωση μεγάλου όγκου δεδομένων. Κάθε συνεισφορά αξιολογείται μέσα από ρεαλιστικά σενάρια προσομοίωσης εμπνευσμένα από χαρτογράφηση και παρακολούθηση αγροτικών καλλιεργειών. Βασισμένη σε αυτά τα θεμέλια, η διατριβή εισάγει επίσης την αρχιτεκτονική MiFarm-CSA, μια πολυεπίπεδη προσέγγιση που ενσωματώνει συνεργασία UAVs, λογισμικό διαμεσολάβησης επίγειων σταθμών και κοινωνικο-οικολογική μοντελοποίηση, με στόχο την υποστήριξη μικτών γεωργικών συστημάτων και γεωργίας φιλικής προς το κλίμα. Μέσω αυτής της ολιστικής προσέγγισης που επικεντρώνεται στα δεδομένα, η διατριβή συμβάλλει τόσο θεωρητικά όσο και πρακτικά στην προώθηση βιώσιμων γεωργικών πρακτικών.