作物栽培智慧管理平台未來的使用者應為農民、系統管理員及相關 研究單位，因此在整體系統規劃有以下建議：
一、伺服器硬體
伺服器維護與更新屬專業領域，一般農民無法處理或負擔。如果平 台正式運轉，建議由政府機構提供並維運伺服器，農民無需繳納伺服器 使用費，只需負責自行建置的感測器系統，如此可減輕農民負擔，提高 參與的意願，而政府收益則來自於廣泛的農業生產大數據，透過大數據 可分析農業生產、供水狀況等，研擬出合宜之因應策略，最後達到雙贏 目的。
二、通訊協定與平台服務
如果政府不涉入統一生產感測器等自動化系統，則農民購置自動化 系統的來源將會是多管道的，包括國內、外廠商，甚至目前已有青年農 民自製自動化系統應用於自己的耕地。因此可預見未來的通訊協定也可 能是多樣性的，例如 HTTP、MQTT、FTP、CoAP、TCP/UDP 等，雖 然本計畫原則上建議以 MQTT 為主，然而平台仍應能支援其他協定，
除了包容性廣之外，應不至於對系統造成顯著負擔。
另一方面，資料傳入的格式同樣也會呈現多樣性，故建議未來智慧 化平台建議朝向大資料池(Data Pool)方向規劃，即在平台前端設置一個 臨時的資料庫(資料池)，所有感測器資料先傳送到資料池，再由平台分 類匯入正式的資料庫。這種做法的好處在於：
(一).是概念而非單一產品：大數據資料池可以用多種技術組合來構成，而 不是依賴單一產品。
(二).可容納各種型式的資料來源：如同「海納百川，不擇細流」，資料池可 儲存各種非結構、半結構及結構化資料，而不用資料一定要先撿選才 能儲存。當資料倉儲不適合在一些異質資料結構的環境時，資料池即 可展現出它的彈性。
巨量(大數據)資料池最早稱呼來自於 2011 年 Forbes 雜誌的一篇
「Big Data Requires a Big, New Architecture」文章。文章中提到，在大 通訊協定，因此低功耗廣域物聯網(Low-Power Wide-Area Network，簡 稱 LPWAN)應運而生。LPWAN 可分為兩類：一類是工作於未授權頻譜
的 LoRa、SigFox 等技術；另一類是工作於授權頻譜下，支援 3GPP 的 3G/4G 蜂巢通訊技術，比如 EC-GSM、eMTC、NB-IoT 等。LPWAN 的 優點在於與藍芽、Wi-Fi、Zigbee 等無線連線技術相比，通訊距離較遠；
與蜂巢技術(如 GPRS/3G/4G 等)相比，則連線功耗更低。
評估目前市場上較為公開且常見的通訊技術，分別為 LoRa、
SIGFOX、NB-IoT、4G LTE，其中 LoRa 及 SIGFOX 是屬於私有網路，
而 NB-IoT、4G LTE 是屬於公眾網路，相關通訊技術分別說明如下：
(一).LoRa：LoRa 無線通訊技術是英文 Long Range 的縮寫，為自 2013 年發 布的LPWAN 數據傳輸技術。在 LPWAN 產生之前，似乎只能在遠距離 以及低功耗兩者之間做取捨。而LoRa 無線技術的出現，改變了關於傳 輸距離與功耗的折衷考慮方式，不僅可以實現遠距離傳輸，並且同時 兼具低功耗、低成本的優點。
LoRa 的網路形成如圖 4-20 所示，遠距節點可以透過多台基地台 (gateways)與後端網路伺服器連接，將資料上傳後送至雲端或伺服器上。
在 LoRa 網路中，每個節點並不會彼此相連，須先連至閘道後，才能連 回中央主機，或是透過中央主機將資料傳到另一個節點。終端節點的訊 息，可以同時傳給多個閘道器，訊息也可透過閘道器之間的橋接，進一 步延伸傳輸距離。
圖 4-20 LoRa 無線通訊系統架構圖
(二). SIGFOX：由法國 SIGFOX 公司所開發，該廠商從 2012 年開始推展 IoT
無線服務業務。與其他LPWAN 技術相較，SIGFOX 是傳輸速率最低的 技術，速度僅100 bits/s，且每個裝置一天最多只能傳送 140 則訊息，
每則訊息最大的容量為12 bytes。由於降低了資訊傳輸量，因此就能大 幅節省了物聯網裝置的電力消耗。例如水錶、電錶、路燈控制這類應 用，由於流量回報頻率低於每小時一次，就很適合 SIGFOX 應用。以 SIGFOX 的智慧水錶應用為例，基本上水錶裝置僅上傳數據，不接收訊 息。在沒有進行數據傳送的時候，水錶裝置就會處於休眠狀態，因此 一顆三號電池就能夠使用將近10 年。
SIGFOX 最大的特色在於建立一個全球共同的 IoT 網路，再透過各 地特許的網路營運商SNO(SIGFOX Network Operator)提供服務，原則上 單一地區由單一業者負責。由圖 4-21 可知，SIGFOX 所提供的服務並 非僅有網路連線，客戶也可以選擇SIGFOX 雲端服務。這麼一來，企業 便無須擔心網路與資料儲存空間等基礎設施的建構，可以更專注於IoT 服務的開發。
圖 4-21 SIGFOX 無線通訊系統架構圖
(三). NB-IoT：窄頻物聯網(Narrow Band Internet of Things, NB-IoT)亦為 LPWAN 技術種類之一，該技術最早是華為於 2014 年提出 NB M2M 技 術，之後與高通、愛立信等公司所提出的方案融合後，逐步演進成了 NB-IoT。2016 年 6 月，3GPP(3rd Generation Partnership Project)也通過 NB-IoT 核心協議標準。
NB-IoT 是架設在既設 4G LTE 的基地台上，只要電信業者更新軟體，
該基地台就會兼具NB-IoT 及 4G LTE 功能，因此 NB-IoT 技術的優勢包 含可以大量聯接物聯網裝置、覆蓋範圍廣泛、低功耗，可以延長電池使 用壽命、成本低廉等優勢。
雖然與SIGFOX、LoRa 等其他 LPWAN 技術相比，NB-IoT 技術發 展起步較晚，不過，由於它是由國際電信標準制定組織 3GPP 所支持，
針對IoT 所打造的電信級網路，對於網路傳輸品質、數據安全都有更高 的保障，再加上建置成本較低，電信商不用大幅更改現行的4G LTE 電 信網路架構，就能快速部署，因而備受各國電信商所支持。
(四).4G LTE：4G 為第四代行動通訊技術標準(The fourth generation of mobile phone mobile communication technology standards)之簡稱，4G 的行動上 網傳輸速度較上一代3G 更快。
LTE 指的是長期演進技術(Long Term Evolution)，為 4G 技術標準之 一，也是目前最多國家所採用之4G 技術，是電信中用於手機及資料終 端的高速無線通訊標準，為高速下行封包接入(HSDPA)過渡到 4G 的版 本，俗稱為3.9G。該標準基於舊有的 GSM/EDGE 和 UMTS/HSPA 網路 技術，並使用調變技術提升網路容量及速度。LTE 標準由 3GPP 於 2008 年第四季度於Release 8 版本中首次提出，並在 Release 9 版本中進行少 許改良。
由於各項傳輸方式各有不同，因此本計畫將各種通訊方式整理比較，
如表 4-12 所示。由其中可知，相關傳輸又可以分成授權頻段與非授權 頻段，採用授權頻段技術的為4G LTE 與 3GPP 主導的 NB-IoT，其採用 現有的 3G/4G 網路，主要投入為電信營運商及相關設備廠商，也因此 需繳付電信營運商月租費用。LoRa 與 SIGFOX 則為非授權頻段，它們 都採用了ISM 頻段(Industrial Scientific Medical Band)，這是一種各國開 放給工業、科學及醫學機構使用的頻段。它們無須許可證及費用，只需 要遵守一定的發射功率(一般低於 1W)，不要對其他頻段造成干擾即可，
因屬自建網路，因此不需要一般月租費，而SIGFOX 由於需透過各地特 許的網路營運商SNO 提供服務，因此需要額外授權費。
LPWAN 的特性在於低功耗、長距離、低傳輸量、低成本。然而，
ZigBee、RF(Radio Frequency，無線射頻)、LoRa、NB-IOT、4G/5G 等，
各有其優、缺點，例如農民如需監看現場畫面，以 LoRa 將難以進行。
因此通訊設備將由農民視需要，配合現場條件共同研判、採用即可。
四、加值應用功能開發
未來管理平台(後臺)將收集到大量農業生產資料，包括種植時間、
種植作物、用水量、氣象條件等，這些重要數據將可供相關單位分析農 業生產狀況，然後作為擬定政策之參考。
未來平台除具備統計工具外，隨著大數據的應用越來越流行，應用 的行業也越來越多，進而幫助人們從資料中獲取到真正有用的價值。故 平台也可預先規劃建置大數據分析工具。大數據常用工具包括關聯法則 學習、分類樹分析、基因演算、機器學習、迴歸分析、文字探勘、深度 學習等。以下為各工具之簡介：
(一).關聯法則學習：適用於評估資料屬性間相關程度，找出有意義且有關 聯性的屬性，幫助分析人員了解資料內屬性間規則。主要有以下 2 種 演算法：
1. FP-Growth Algorithm 2. Apriori Algorithm
(二).分類樹分析：分類是指建立一個學習目標函數 f，使得這個學習函數可 以藉由 x 屬性對應至 y 的類別，最後目的是將一個物件指定至其中一 個預設分類之中。適合預測二元分類或是名目分類的問題。從離散型 與連續型屬性資料中建立樹狀模型的系統化方法主要有下列幾種：
1. 決策樹 (Decision tree)
2. 類神經網路 (artificial neural network) 3. 支援向量機 (support vector machines) 4. 單純貝氏 (Naïve Bayes)
(三).機器學習：機器學習是實現人工智慧的一個方法，是以機器學習為手 段解決人工智慧中的問題。主要有兩個特徵：能通過經驗自動改進電 腦演算法；用資料或以往的經驗改善電腦演算法的效能。具體的機器 學習演算法有以下幾種：
1. 構造間隔理論分布 2. 構造條件機率
3. 通過再生模型構造概率密度函式 4. 近似推斷技術
(四).迴歸分析(Regression Analysis)：適用於建構預測模型，幫助分析人員評 估屬性之間相關性對學習模型的影響程度。
(五).基因演算(Genetic Algorithm)：是計算數學中用於解決最佳化的搜尋演 算法，是進化演算法的一種。以最佳化搜尋法配適學習模型的參數估 計量，幫助分析人員優化具有多個參數的學習模型。
(六).文字探勘(Text Mining)：一般而言，指的是從非結構化的文字中，萃取 出有用的重要資訊或知識。以統計分析進行自然語言處理(NLP, Natural Language Processing)，摘要出關鍵文字之資料庫，幫助分析人員找出關 鍵字以利於搜尋重要訊息。由於大部分的資訊都是文字形式，因此文 字探勘被認為是具有高度的潛在商業價值。
(七).深度學習(Deep Learning)：深度學習是機器學習的分支，是一種以人工 神經網路為架構，對資料進行特徵學習的演算法。神經網路的架構基 本上是由數個「神經元」組成。神經元接受(可能)數個輸入值(也就是 外來的刺激)，然後產生一個輸出。輸出又可能會接到另一個神經元，
所以最後變成複雜的結構。神經元輸入數值時會乘上一個權重(weight)，
所以最後變成複雜的結構。神經元輸入數值時會乘上一個權重(weight)，