Intelligent Wireless Sensor Networks for Smart Agriculture: A Study of Zigbee-Based Infrastructure and AI-Driven Predictive Irrigation

Abstract

Freshwater scarcity and inefficient irrigation practices represent a critical threat to global food security. Agriculture accounts for approximately 70% of worldwide freshwater withdrawals, yet conventional surface irrigation methods achieve water use efficiencies of only 30–50%, with the remainder lost to evaporation, surface run-off, and deep percolation. This thesis addresses this challenge through two complementary engineering contributions: a literature-based comparative study of a Wireless Sensor Network (WSN) protocol design, and a machine learning (ML) predictive irrigation system. In Part I, a criterion-by-criterion comparison of low-power wireless protocols for agricultural Internet of Things (IoT) environments is conducted. Zigbee is evaluated against competing standards including LoRaWAN and Bluetooth Low Energy (BLE), with respect to energy efficiency, transmission range, and network topology. The analysis justifies Zigbee’s self-healing mesh architecture as the most appropriate communication substrate for dense, field-level sensor deployments. In Part II, an AI-driven predictive irrigation system is presented, designed to process multi-source IoT sensor data. The system classifies crop water requirements into three actionable levels: Low, Medium, and High. Trained on a dataset of 3,702 agricultural observations described by 5 agronomic and meteorological features, the system addresses a severe class imbalance (the High class constitutes only 15.48% of samples) through cost-sensitive learning and Nelder–Mead threshold optimisation. Eleven models were benchmarked under stratified 5-fold cross-validation. The Stacked Ensemble achieved the highest performance (accuracy 98.68%, Macro-F1 98.14%), while the LightGBM reached 98.68% accuracy and a Macro-F1 of 97.08%. Together, these contributions form the theoretical foundation for an integrated edge-computing irrigation system within the Smart Agriculture with Zigbee startup project.***

La rareté des ressources en eau douce et l’inefficacité des pratiques d’irrigation constituent une menace critique pour la sécurité alimentaire mondiale. L’agriculture représente environ 70% des prélèvements mondiaux d’eau douce, tandis que les méthodes d’irrigation de surface conventionnelles n’atteignent qu’une efficacité de 30 à 50%, le reste étant perdu par évaporation, ruissellement et percolation. Ce mémoire aborde ce défi à travers deux contributions d’ingénierie complémentaires : une étude comparative basée sur la littérature portant sur la conception d’un Réseau de Capteurs Sans Fil (RCSF), et un système d’irrigation prédictif par apprentissage automatique (AA). Dans la Partie I, une comparaison critère par critère des protocoles sans fil à faible consommation pour l’Internet des Objets (IoT) agricole est réalisée. Zigbee est évalué par rapport à des standards concurrents, notamment LoRaWAN et Bluetooth Low Energy (BLE), selon les critères d’efficacité énergétique, de portée de transmission et de topologie réseau. L’analyse justifie l’architecture maillée auto-cicatrisante de Zigbee comme le substrat de communication le plus adapté aux déploiements de capteurs denses en milieu agricole. Dans la Partie II, un système d’irrigation prédictif basé sur l’IA est présenté. Le système classifie les besoins en eau des cultures en trois niveaux opérationnels : Low, Medium, et High. Entraîné sur un jeu de données de 3 702 observations agricoles décrites par 5 variables agronomiques et météorologiques, le système traite un déséquilibre de classes sévère (la classe High ne représentant que 15,48% des échantillons) via un apprentissage sensible aux coûts et une optimisation de seuils par la méthode de Nelder–Mead. Onze modèles ont été évalués par validation croisée stratifiée à 5 plis. L’Ensemble Empilé a obtenu les meilleures performances (précision 98,68%, F1-macro 98,14%), tandis que LightGBM s’est classé deuxième avec 98,68% de précision. Ces contributions forment la base théorique d’un système d’irrigation intégré dans le cadre du projet de startup Smart Agriculture with Zigbee.