FinTech-based enhancements of agricultural sustainability exploring IoT technologies

Abstract

The global agricultural sector, while essential for human survival and economic stability, is also one of the largest contributors to anthropogenic greenhouse gas (GHG) emissions, highlighting an urgent and complex global challenge. In response, Agriculture 4.0 has emerged over the last decade as a new agricultural model aimed at integrating digital technologies, such as the Internet of Things (IoT), wireless sensor networks (WSNs), and data analytics, to enhance efficiency and introduce precision into farming operations. However, while technologically promising, the real-world impact of Agriculture 4.0 has been significantly limited by an extensive and fundamental gap between its technological potential and its practical, economic viability. The current development model has consistently prioritized technical sophistication over economic accessibility, resulting in a market of advanced but expensive solutions. The high capital expenditure (CAPEX) for proprietary hardware, coupled with ongoing operational expenditures (OPEX) for data services and maintenance, places these technologies far beyond the financial reach of the small and medium-sized farms that form the backbone of global food production. This economic barrier becomes increasingly worse by widespread infrastructural deficiencies in rural and remote regions, where unreliable power grids and a lack of high-bandwidth internet connectivity render cloud-dependent architectures impractical. Furthermore, the Agriculture 4.0 model also fails to address a more foundational issue that is related to the absence of a robust mechanism to translate positive environmental actions into tangible financial incentives. Within the traditional agricultural economic framework, GHG emissions are an unforeseen cost, as raw environmental data, while scientifically valuable, have no inherent economic value within existing financial ecosystems. This creates a data-to-value gap, where sustainable practices remain an expense rather than a potential revenue stream, thereby failing to create the market-driven demand necessary for widespread, voluntary adoption. This dissertation claims that these systemic limitations constitute the current agricultural model insufficient for driving a meaningful and scalable transition to sustainable agriculture. To address this multi-faceted challenge, this dissertation proposes and validates a new holistic agricultural model, that of FinTech-aligned Agriculture 5.0. The central thesis of this work is that the deep and early integration of financial technology (FinTech) principles into the entire lifecycle of agricultural innovation, from hardware design to data monetization, is the required driver that will link technological possibility and practical adoption. The proposed model is designed upon the next-generation technological basis of 6G-enabled IoT (6G-IoT), using its advanced capabilities for hyper-precise sensing, massive connectivity (umMTC), ultra-reliable low-latency communication (eRLLC), and expanded coverage through non-terrestrial networks (NTNs) to enable the data-intensive and autonomous operations that sustainable agriculture requires. This string technological foundation is then further fused with a two-stage FinTech-aligned methodology, explicitly designed to systematically minimize the economic and incentive-based challenges of Agriculture 4.0 at both the physical and data layers of the technology stack. The first stage of this proposed FinTech-aligned methodology addresses the primary challenge to entry at the physical layer: the high cost and uncertain return on investment (ROI) of advanced IoT hardware. On this note, this dissertation introduces FINDEAS, a novel financial technology-based design and assessment framework that treats IoT hardware not only as a technical tool, but also as an investable asset from its inception. Moving beyond traditional, isolated metrics like the technology readiness level (TRL), the FINDEAS framework provides a comprehensive set of criteria and standards that fuses financial and market considerations as core engineering requirements. The practical efficacy of this approach is thoroughly demonstrated through a detailed case study that involves the design and real-world deployment of the everWeather forecasting station. This low-cost and self-powered AIoT weather forecasting system, designed specifically for remote and resource-constrained agricultural environments, serves as a proof-of-concept, validating that a FinTech-first design philosophy can result in IoT systems that are both technologically capable and, more importantly, financially accessible to the global majority of agricultural producers. While an accessible physical layer solves the problem of data acquisition, the second and more important stage of this work’s methodology addresses the more profound challenge of creating data value and incentivization, achieved through the development of a comprehensive FinTech-aligned GHG emission optimization framework at the data layer. This framework provides a transparent, auditable, and economically grounded pipeline for converting raw, verifiable on-farm environmental data into standardized, market-valued assets. For this layer, the methodology begins by modeling the complex relationships of key agricultural GHG emission drivers using a sequence of interpretable, white-box statistical techniques. To this end, principal component analysis (PCA) is applied to identify high-level and actionable GHG emission mitigation strategies (e.g., "overall agricultural intensity", or "crop vs. livestock specialization"). In addition, k-Means clustering is used to divide heterogeneous national agricultural systems into distinct, more homogeneous emission profiles, ensuring that subsequent analysis is context-specific and avoids a one-size-fits-all approach. However, the core innovation of this data-layer framework lies in its final two steps that involve the GHG emissions modeling and optimization. To model the GHG emission data, a transparent and cluster-oriented principal component regression (PCR) model is used for each previously identified emission profile, establishing a clear and auditable relationship between the strategic drivers and total GHG emissions, while also ensuring that all recommendations are comprehensible to stakeholders. Finally, the framework operationalizes environmental goals through market mechanisms by integrating external pollutant stock market signals–carbon prices from the EU emissions trading system (ETS)–directly into its objective function, with a goal to transform the abstract environmental goal of minimizing emissions into the tangible and universally understood financial objective of minimizing the economic cost of emissions. To ensure that the generated recommendations are not only mathematically optimal but also grounded in achievable practice, the optimization is performed within realistic constraints that reflect practical short-term abatement potential. The effectiveness of this complete, end-to-end FinTech-aligned emission optimization model is validated through a comprehensive European case study using the FAOSTAT database, which validates the framework’s ability to generate targeted, interpretable, and actionable decarbonization strategies tailored to different agricultural profiles by successfully identifying significant, cost-effective emission reduction opportunities in high-intensity systems. In conclusion, this dissertation establishes and demonstrates a significant conceptual change from the technology-first development cycle of Agriculture 4.0 to an integrated, FinTech-first design methodology, providing a complete, market-driven model for a self-sustaining economic ecosystem that promotes sustainable agriculture.

Η παγκόσμια γεωργία, παρότι θεμελιώδης για την ανθρώπινη επιβίωση και την οικονομική σταθερότητα, αποτελεί ταυτόχρονα και έναν από τους κυριότερους παράγοντες ανθρωπογενών εκπομπών αερίων του θερμοκηπίου (greenhouse gases, GHGs), αναδεικνύοντας μια επείγουσα και σύνθετη παγκόσμια πρόκληση. Ως απάντηση, την τελευταία δεκαετία αναδύθηκε το μοντέλο της Γεωργίας 4.0 με στόχο την ενσωμάτωση ψηφιακών τεχνολογιών, όπως το Διαδίκτυο των Πραγμάτων (Internet of Things, IoT), τα ασύρματα δίκτυα αισθητήρων (wireless sensor networks, WSNs) και την ανάλυση δεδομένων, με στόχο την αύξηση της αποδοτικότητας και την εισαγωγή της γεωργίας ακριβείας. Ωστόσο, παρά τις τεχνολογικές του υποσχέσεις, η πραγματική συνεισφορά του συγκεκριμένου μοντέλου έχει περιοριστεί σημαντικά λόγω του υφιστάμενου χάσματος μεταξύ των τεχνολογικών του δυνατοτήτων και της οικονομικής του βιωσιμότητας. Το τρέχον αναπτυξιακό μοντέλο έχει δώσει σταθερά προτεραιότητα στην τεχνολογική πολυπλοκότητα έναντι της οικονομικής προσβασιμότητας, με αποτέλεσμα τη δημιουργία μιας αγοράς προηγμένων αλλά δαπανηρών λύσεων. Το υψηλό αρχικό κόστος επένδυσης (capital expenditure, CAPEX), σε συνδυασμό με τις συνεχείς λειτουργικές δαπάνες (operating expenditure, OPEX) των παρεχόμενων υπηρεσιών και της συντήρησής τους, καθιστούν αυτές τις τεχνολογίες απρόσιτες για τις μικρομεσαίες γεωργικές επιχειρήσεις, οι οποίες αποτελούν τη βάση της παγκόσμιας παραγωγής τροφίμων. Το συγκεκριμένο οικονομικό εμπόδιο επιδεινώνεται περαιτέρω από τις εκτεταμένες ελλείψεις υποδομών ειδικά σε απομακρυσμένες αγροτικές περιοχές, όπου τα αναξιόπιστα δίκτυα ηλεκτροδότησης και η έλλειψη ευρυζωνικότητας καθιστούν μη πρακτική τη χρήση αρχιτεκτονικών που βασίζονται στο υπολογιστικό νέφος (cloud). Επιπροσθέτως, το μοντέλο της Γεωργίας 4.0 αποτυγχάνει να αντιμετωπίσει ένα ακόμα πιο θεμελιώδες ζήτημα που σχετίζεται με την απουσία ενός ισχυρού μηχανισμού που να μετατρέπει περιβαλλοντικές δράσεις (π.χ. μείωση εκπομπών) σε απτά οικονομικά κίνητρα. Στο υφιστάμενο γεωργικο-οικονομικό πλαίσιο, οι εκπομπές των αερίων του θερμοκηπίου αντιμετωπίζονται ως ένας αντίκτυπος της παραγωγής, το περιβαλλοντικό κόστος της οποίας δεν ενσωματώνεται στην τελική τιμή των προϊόντων, με αποτέλεσμα να δημιουργείται χάσμα λόγω της απουσίας ενός προκαθορισμένου μηχανισμού μετατροπής αυτής της πληροφορίας (δεδομένα) σε απτή οικονομική αξία (data-to-value gap). Ως αποτέλεσμα, οι βιώσιμες πρακτικές αποτελούν περισσότερο έξοδο για τους αγρότες παρά πηγή εσόδων, αποτυγχάνοντας έτσι να δημιουργήσουν την απαιτούμενη ζήτηση για την ευρεία υιοθέτησή τους. Η παρούσα διατριβή υποστηρίζει ότι αυτοί οι συστημικοί περιορισμοί καθιστούν το τρέχον γεωργικό μοντέλο ανεπαρκές για να οδηγήσει σε ουσιαστική και κλιμακούμενη μετάβαση προς μια βιώσιμη γεωργία. Ως λύση της συγκεκριμένης πρόκλησης, η παρούσα διατριβή προτείνει και επικυρώνει ένα νέο, ολιστικό μοντέλο με βάση τη Γεωργία 5.0, το οποίο συνδυάζει τα πλεονεκτήματα των 6G-IoT (6G-enabled IoT) δικτύων με τις αρχές της χρηματοοικονομικής τεχνολογίας (FinTech), υποστηρίζοντας ότι η ενσωμάτωση των αρχών της χρηματοοικονομικής τεχνολογίας σε ολόκληρη τη διαδικασία της γεωργικής καινοτομίας αποτελεί τον απαραίτητο καταλύτη για τη γεφύρωση του χάσματος μεταξύ τεχνολογικής δυνατότητας και πρακτικής υιοθέτησης. Το προτεινόμενο γεωργικό πλαίσιο δομείται πάνω στην τεχνολογική βάση των 6G-IoT δικτύων, αξιοποιώντας τις προηγμένες δυνατότητές τους για την υποστήριξη ενεργειακής αυτονομίας σε συνδυασμό με την εξαιρετικά γρήγορη και απομακρυσμένη συλλογή δεδομένων που απαιτεί αυτό το βιωσιμότερο παράδειγμα. Για την επίτευξη του προτεινόμενου γεωργικού πλαισίου, προτείνεται μια μεθοδολογία δύο επιπέδων, σχεδιασμένη συγκεκριμένα για την αντιμετώπιση των οικονομικών προκλήσεων και των εμποδίων υιοθέτησης της Γεωργίας 4.0, τόσο στο φυσικό επίπεδο όσο και στο επίπεδο των δεδομένων. Το πρώτο στάδιο της μεθοδολογίας εστιάζει στο φυσικό επίπεδο, αντιμετωπίζοντας το υψηλό κόστος του εξοπλισμού των IoT συστημάτων. Για τον σκοπό αυτό, η παρούσα διατριβή προτείνει ένα καινοτόμο πλαίσιο σχεδιασμού και αξιολόγησης (FINDEAS) που αντιμετωπίζει το υλικό (hardware) των IoT συστημάτων ως ένα επενδύσιμο περιουσιακό στοιχείο. Σε αντίθεση με υπάρχοντα πλαίσια αξιολόγησης, όπως το TRL (technology readiness level), το FINDEAS ενσωματώνει οικονομικά και αγοραία κριτήρια ως θεμελιώδεις απαιτήσεις ήδη από την αρχή της σχεδίασης του εκάστοτε συστήματος. Η πρακτική αποτελεσματικότητα αυτού του συνδυαστικού πλαισίου αποδεικνύεται μέσω του σχεδιασμού και της ανάπτυξης του μετεωρολογικού σταθμού everWeather, ενός χαμηλού κόστους και ενεργειακά αυτόνομου AIoT (artificial intelligence of things) συστήματος πρόγνωσης καιρού. Μέσω της συγκεκριμένης μελέτης περίπτωσης επικυρώνεται ο ισχυρισμός μας ότι μια σχεδιαστική φιλοσοφία που θέτει ως προτεραιότητα τις αρχές της χρηματοοικονομικής τεχνολογίας μπορεί να παράγει IoT συστήματα που είναι ταυτόχρονα τεχνολογικά ικανά και, κυρίως, οικονομικά προσιτά. Το δεύτερο και πιο καινοτόμο στάδιο της προτεινόμενης μεθοδολογίας εστιάζει στο επίπεδο των δεδομένων, αντιμετωπίζοντας τη θεμελιώδη πρόκληση της δημιουργίας αξίας και κινήτρων, η οποία επιτυγχάνεται μέσω της ανάπτυξης ενός ολοκληρωμένου πλαισίου βελτιστοποίησης εκπομπών αερίων του θερμοκηπίου που παρέχει μια διαφανή και οικονομικά τεκμηριωμένη διαδικασία για τη μετατροπή των ανεπεξέργαστων περιβαλλοντικών δεδομένων σε τυποποιημένα περιουσιακά στοιχεία με αγοραία αξία. Για την ύπαρξη διαφάνειας, χρησιμοποιούνται παγιωμένες στατιστικές τεχνικές, όπως η ανάλυση κύριων συνιστωσών (principal component analysis, PCA) και η ομαδοποίηση κ-Μέσων (k-means clustering), αντί για black-boxed, έτοιμα μοντέλα μηχανικής μάθησης (machine learning, ML), με στόχο την μοντελοποίηση των σύνθετων σχέσεων των παραγόντων που προωθούν τις εκπομπές αεριών του θερμοκηπίου και την αναγνώριση συγκεκριμένων προφίλ εκπομπών. Ωστόσο, η βασική καινοτομία του συγκεκριμένου πλαισίου μείωσης ρύπων έγκειται στην τελική φάση του, η οποία περιλαμβάνει τη μοντελοποίηση των ρύπων και το σχεδιασμό της τελικής συνάρτησης βελτιστοποίησης. Για τη μοντελοποίηση των ρύπων, χρησιμοποιείται ένα μοντέλο παλινδρόμησης κύριων συνιστωσών (principal component regression, PCR), προσαρμοσμένο σε καθένα από τα προηγουμένως ταυτοποιημένα προφίλ εκπομπών, διασφαλίζοντας ότι οι παραγόμενες συστάσεις είναι πλήρως κατανοητές στους ενδιαφερόμενους φορείς. Στο τελικό στάδιο, το προτεινόμενο πλαίσιο μετατρέπει τους περιβαλλοντικούς στόχους σε πρακτικούς υπολογιστικούς όρους, ενσωματώνοντας μηχανισμούς τιμολόγησης από χρηματιστήρια ρύπων, και πιο συγκεκριμένα τιμές άνθρακα από το σύστημα εμπορίας δικαιωμάτων εκπομπών της Ευρωπαϊκής ΄Ενωσης (EU emissions trading system, ETS). Ως αποτέλεσμα, πλέον ο αφηρημένος στόχος της ελαχιστοποίησης εκπομπών μετατρέπεται στον απτό και παγκοσμίως κατανοητό στόχο της ελαχιστοποίησης του κόστους τους. Παράλληλα, και προκειμένου να διασφαλιστεί ότι οι παραγόμενες συστάσεις του μοντέλου δεν είναι απλά μαθηματικά βέλτιστες, αλλά βασισμένες και σε εφικτές πρακτικές, η βελτιστοποίηση πραγματοποιείται εντός ρεαλιστικών περιορισμών που αντικατοπτρίζουν τις πρακτικές βραχυπρόθεσμες δυνατότητες μείωσης των εκπομπών. Τέλος, όπως και στο φυσικό επίπεδο, έτσι και σε αυτό, η αποτελεσματικότητα αυτού του ολοκληρωμένου μοντέλου επικυρώνεται μέσω μιας εκτενούς ευρωπαϊκής μελέτης περίπτωσης με δεδομένα από τον FAOSTAT (food and agriculture organization statistics), η οποία αποδεικνύει την ικανότητα του πλαισίου να παράγει στοχευμένες και εφαρμόσιμες στρατηγικές μείωσης ρύπων. Συνολικά, η παρούσα διατριβή εισάγει και αποδεικνύει μια ουσιαστική εννοιολογική μετατόπιση από το μοντέλο ανάπτυξης της Γεωργίας 4.0, που εστιάζει πρωτίστως στην τεχνολογία, σε μια ολοκληρωμένη σχεδιαστική μεθοδολογία που θέτει ως θεμέλιο τις αρχές της χρηματοοικονομικής τεχνολογίας, παρέχοντας ένα πλήρες μοντέλο για ένα αυτοσυντηρούμενο οικονομικό οικοσύστημα που ενισχύει τη βιώσιμη γεωργία.