Amid the challenges posed by global population growth and climate change, traditional agricultural Internet of Things (IoT) systems is currently undergoing a significant digital transformation to facilitate efficient big data processing. While smart agriculture utilizes artificial intelligence (AI) technologies to enable precise control, it still encounters significant challenges, including excessive reliance on agricultural expert knowledge, difficulties in fusing multimodal data, poor adaptability to dynamic environments, and bottlenecks in real-time decision-making at the edge. Large language models (LLMs), with their exceptional capabilities in knowledge acquisition and semantic understanding, provide a promising solution to address these challenges. To this end, we propose Farm-LightSeek, an edge-centric multimodal agricultural IoT data analytics framework that integrates LLMs with edge computing. This framework collects real-time farmland multi-source data (images, weather, geographic information) via sensors, performs cross-modal reasoning and disease detection at edge nodes, conducts low-latency management decisions, and enables cloud collaboration for model updates. The main innovations of Farm-LightSeek include: (1) an agricultural "perception-decision-action" closed-loop architecture; (2) cross-modal adaptive monitoring; and (3)a lightweight LLM deployment strategy balancing performance and efficiency. Experiments conducted on two real-world datasets demonstrate that Farm-LightSeek consistently achieves reliable performance in mission-critical tasks, even under the limitations of edge computing resources. This work advances intelligent real-time agricultural solutions and highlights the potential for deeper integration of agricultural IoT with LLMs.

Bản dịch tiếng Việt:

Trong bối cảnh những thách thức do tăng trưởng dân số toàn cầu và biến đổi khí hậu đặt ra, các hệ thống Internet vạn vật (IoT) nông nghiệp truyền thống hiện đang trải qua quá trình chuyển đổi kỹ thuật số đáng kể để tạo điều kiện xử lý dữ liệu lớn hiệu quả. Mặc dù nông nghiệp thông minh sử dụng công nghệ trí tuệ nhân tạo (AI) để cho phép kiểm soát chính xác, nhưng nó vẫn gặp phải những thách thức đáng kể, bao gồm sự phụ thuộc quá nhiều vào kiến ​​thức chuyên môn về nông nghiệp, khó khăn trong việc hợp nhất dữ liệu đa phương thức, khả năng thích ứng kém với môi trường năng động và tắc nghẽn trong việc ra quyết định theo thời gian thực ở biên. Các mô hình ngôn ngữ lớn (LLM), với khả năng đặc biệt trong việc tiếp thu kiến ​​thức và hiểu ngữ nghĩa, cung cấp một giải pháp đầy hứa hẹn để giải quyết những thách thức này. Để đạt được mục tiêu này, chúng tôi đề xuất Farm-LightSeek, một khung phân tích dữ liệu IoT nông nghiệp đa phương thức tập trung vào biên, tích hợp LLM với điện toán biên. Khung này thu thập dữ liệu đa nguồn đất nông nghiệp theo thời gian thực (hình ảnh, thời tiết, thông tin địa lý) thông qua các cảm biến, thực hiện lý luận đa phương thức và phát hiện bệnh tại các nút biên, thực hiện các quyết định quản lý có độ trễ thấp và cho phép cộng tác trên đám mây để cập nhật mô hình. Những đổi mới chính của Farm-LightSeek bao gồm: (1) kiến ​​trúc vòng khép kín "nhận thức-quyết định-hành động" về nông nghiệp; (2) giám sát thích ứng đa phương thức; và (3) chiến lược triển khai LLM gọn nhẹ cân bằng giữa hiệu suất và hiệu quả. Các thử nghiệm được tiến hành trên hai bộ dữ liệu trong thế giới thực chứng minh rằng Farm-LightSeek luôn đạt được hiệu suất đáng tin cậy trong các nhiệm vụ quan trọng, ngay cả trong điều kiện hạn chế về tài nguyên điện toán biên. Công việc này thúc đẩy các giải pháp nông nghiệp thông minh theo thời gian thực và nêu bật tiềm năng tích hợp sâu hơn của IoT nông nghiệp với LLM.

Document Ready

Click below to load the full PDF document natively.