| dc.description.abstract | Agriculture is increasingly affected by water scarcity, climate variability, soil degradation,
and the growing demand for food production. Irrigation management is one
of the most critical factors in this context, because traditional irrigation practices
are often based on fixed schedules, manual observation, or empirical experience.
Such approaches can lead to water waste, plant stress, and reduced productivity. In
response, this thesis presents the design and deployment of Agrio, a Digital Twinbased
intelligent irrigation platform for precision agriculture.
The proposed system integrates a physical smart farming prototype, Libelium
Smart Agriculture sensing equipment, XBee radio-frequency communication,
a Raspberry Pi gateway, HiveMQ/MQTT messaging, a FastAPI backend, a
PostgreSQL database, a Random Forest-based machine learning service, a Digital
Twin state and simulation layer, a Next.js web dashboard, a Flutter mobile application,
a WeMos actuator, and a water pump. The platform receives real sensor data
from a controlled prototype environment, normalizes and stores the measurements,
updates the virtual state of the irrigation zone, predicts irrigation need, simulates
future moisture evolution, generates recommendations, supports human validation,
schedules irrigation actions, and controls the physical pump through MQTT commands.
The Master 2 contribution of this work is the scientific study of Digital Twins
in agriculture, with a focus on their maturity levels, enabling technologies, irrigation
applications, and limitations. The engineering contribution is the implementation of
an end-to-end cyber-physical prototype that connects sensing, communication, backend
processing, artificial intelligence, simulation, user interfaces, deployment, and
actuation. The results show that the system goes beyond a classical IoT monitoring
dashboard by providing synchronization, prediction, what-if simulation, recommendation,
scheduling, and physical control. The current implementation remains a
prototype tested in a controlled environment, and future work should extend it to
long-term field validation, stronger agronomic calibration, cybersecurity, and advanced
optimization techniques***
L’agriculture moderne fait face à des défis importants liés à la rareté de l’eau, aux
variations climatiques et à la nécessité d’optimiser la production agricole. Dans ce
contexte, l’irrigation intelligente constitue une application centrale de l’agriculture
de précision. Ce mémoire présente la conception et le déploiement d’Agrio, une
plateforme d’irrigation intelligente basée sur le concept de jumeau numérique. Le
système proposé combine un prototype physique, un kit Libelium Smart Agriculture,
une communication radiofréquence XBee, une passerelle Raspberry Pi, la messagerie
MQTT/HiveMQ, un backend FastAPI, une base de données PostgreSQL, un service
d’apprentissage automatique basé sur Random Forest, une couche de simulation du
jumeau numérique, un tableau de bord web, une application mobile Flutter, un
actionneur WeMos et une pompe d’eau.
La contribution scientifique porte sur l’étude de l’état de l’art des jumeaux
numériques en agriculture et leur positionnement par rapport aux systèmes
d’irrigation intelligents existants. La contribution d’ingénierie réside dans la mise
en oeuvre d’une chaîne complète reliant les capteurs, la communication IoT, le
traitement backend, la prédiction, la simulation, la recommandation, la validation
humaine et le contrôle physique de l’irrigation. Les résultats montrent que le
système dépasse la simple visualisation IoT en intégrant la synchronisation, la
prédiction, la simulation et l’action | en_US |
