A revisit of Internet of Things Technologies for Monitoring and Control Strategies in Smart Agriculture

Table 3.
Research studies organized by goal, methodologies, and technology employed, as well as
obstacles and benefits.
Authors
Research Purpose
Technology
Used/Techniques
Findings and Challenges
Advantages
[
13
]
Water management
Bluetooth, Wi-Fi, RFID,
Zigbee, Raspberry pi
Human interaction
Labor cost
Water consumption
Crop from irregular
irrigation.
Can identify the moisture,
humidity, and temperature.
Consistent management of
all the regions containing
severe parts.
[
14
]
Irrigation monitoring
WSN, data
Analytics, node sensors
and web
Application
-
Optimal irrigation of the
water for
farming crops.
[
20
]
Crop management
Irrigation
management
Mobile technology,
GPRS, Wi-Fi, Raspberry
pi, Zig Bee
Unstable weather
water shortage, irregular
water usage
Improve the yield, low cost
[
38
]
Harvesting nodes
WSN, Solar
energy system. Image
processing technique.
-
Prevents data loss and
collusion,
increases the lifetime of
WSN.
[
41
]
Crop growth
green-crop gCrop
based on ML model,
Wireless Sensor
Network and Internet
of Things
Obtained accuracy was
98% using polynomial of
third-degree of Regression
model while the
computation time is very
high.
-
[
42
]
Nutrient
Management
Raspberry pi
Mobile technology
Wi-Fi
Low or high watering.
Lack of nutrition
management.
Can monitor weather
conditions.
Cost-effective
Automatically monitored
disease associated with rice
species.

---

Agronomy
2022
,
12
, 127
13 of 21
Table 3.
Cont.
Authors
Research Purpose
Technology
Used/Techniques
Findings and Challenges
Advantages
[
43
]
Crop Productivity
Big data
storage and analytics,
IoT, Data
Mining, Cloud
computing, Data
Analytics.
-
Network architecture,
platform
and design helps access to
IoT,
improves crop productivity,
Provides an overview of
IoT
applications, sensors,
protocols
And data-enabled
technologies.
One of the most challenging aspects of robotic grasping is estimation. Traditional
techniques have limitations since noise or partial loss of the point cloud might impact the
estimation’s accuracy and resilience. Estimation is more difficult in orchard situations than
it was in interior environments.
Data Handling and Processing
Traditional vision algorithms’ performance is constantly restricted in complicated
and volatile settings [
34
]. World food consumption is predicted to treble by 2050 due to
population expansion and societal progress, yet increasing food production is now difficult
due to declining water, climate alterations, less proper soil, and insects and illnesses. Pests
and diseases have always been significant stumbling blocks to increased grain output.
Satellite technology is climate sensitive and has a limited illumination variation, making it
challenging to satisfy the requirement for insects and infection management in farming
areas. Currently, low-altitude autonomous drones (offering excellent flexibility and image
resolution) can satisfy the needs of agricultural insect and infection management. In some
circumstances, such as when there is a high wind, drone stability might be difficult. As a
result, the drone’s flight route must be designed in conjunction with the actual conditions.
Long flights are necessary for field pest and disease data collection; thus, choosing a sunny
day with a moderate breeze might be a viable alternative [
32
]. Identifying malicious and
compromised nodes among soil sensors interacting with the base station is a significant
problem in the base station to cloud communications. The trust management method is
presented as one of the options for identifying these nodes in a lightweight manner.
Finally, the study highlighted the existing problems and possibilities and future re-
search in vegetable and fruit identification and placement. The majority of previous research
showed that illumination variations, grouping, and unconstrained situations have been the
main obstacles to effective recognition and localization of vegetables and fruits in the field.
Further research will be required to overcome the existing state-of-the-art challenges and
enhance the performance, accuracy, efficiency, effectiveness, recognition, and success rate
of controlling and image processing techniques. However, fruit recognition, detection, posi-
tioning, harvesting robots, and application robustness enhancement need to minimize the
inclusive computational cost and time. Future research might include algorithms and cam-
era operation advancements, sensor platforms that can enhance illumination consistently,
horticultural changes, and human–machine collaboration [
29
]. Furthermore, sophisticated
methodologies, algorithms, and computational approaches are necessary to address the
lack of precision in harvesting operations.