KisanSetu Technical & Systems Overview

IoT Edge • Supabase RLS • MLP Neural Network • Hydrology Modeling

KisanSetu Full-Stack Systems Architecture & ML Telemetry

सिस्टम आर्किटेक्चर: खेत से किसान तक संपूर्ण पाइपलाइन

सेंस → विश्लेषण → सत्यापन → परामर्श → सतत संरक्षण (SENSE → ANALYZE → VERIFY → ADVISE → SUSTAIN)। किसान के लिए सरल, वैज्ञानिकों और जजों के लिए तकनीकी रूप से परिपूर्ण।

संपूर्ण हार्डवेयर-सॉफ्टवेयर डेटा प्रवाह (Data Pipeline Flow)

किसी भी चरण पर क्लिक करके उसकी तकनीकी विशिष्टताएं देखें

Telemetry Active: 15-min Intervals

🌾STEP 1

खेत स्तर (Field Ground-Truth)

4.5 Acre Alluvial Loam / 6.0 Acre Black Cotton Soil

🧪STEP 2

IoT मृदा एवं जल सेंसर (IoT Sensors)

RS485 Modbus NPK + FDR Capacitance Moisture + Water TDS

⚡STEP 3

ESP32 एज माइक्रोकंट्रोलर (Edge Controller)

Dual-Core 240MHz Xtensa LX6, FreeRTOS, Low Power

📡STEP 4

टेलीमेट्री कनेक्टिविटी (WiFi / LoRa / GSM)

LoRa 865-867 MHz (Rural) + GSM 4G Fallback + WiFi 802.11 b/g/n

🗄️STEP 5

क्लाउड डेटाबेस (Supabase PostgreSQL)

PostgreSQL with Row Level Security (RLS) & Offline Mock Fallback

🧠STEP 6

AI / ML सिफारिश इंजन (AI Recommendation Engine)

Multi-Layer Perceptron (MLP) + K-Means + Time-of-Day Tariff Logic

👨‍💼STEP 7

VDO मानव सत्यापन परत (VDO Verification)

Village Development Officer portal with 1-click approval & local overrides

📱STEP 8

किसान तक संप्रेषण (Farmer Web App & Voice IVR)

Mobile-First Zero-Jargon Web App + 2G Keypad Phone Toll-Free IVR

🌾

Layer 1: Agromet Physical Field

खेत स्तर (Field Ground-Truth)

वास्तविक खेत की परिस्थितियां: मिट्टी की संरचना, आर्द्रता, तापमान एवं भूजल स्तर।

इंजीनियरिंग विशिष्टताएं (Engineering Specifications):

Soil Texture: Alluvial Loam & Vertisols

Depth Horizon: 0-30cm Root Zone

Water Source: Tubewell + Farm Pond

Section 10 Requirement

न्यूरल नेटवर्क सक्रियण फलन विज़ुअलाइज़र (Activation Function Visualizer)

प्रत्येक गणितीय सूत्र का ग्राफ और उसका कृषि संदर्भ में सटीक अर्थ समझें

Softmax (Multinomial Probability)

σ(z)_i = e^(z_i) / Σ e^(z_j)

Range: (0, 1) such that Σ = 1.0

गणितीय कार्यप्रणाली:

सभी 6 फसलों के कच्चे स्कोर को प्रतिशत संभाव्यता (Confidence %) में बदलता है।

🌾कृषि अनुप्रयोग (Agricultural Interpretation):

कृषि व्याख्या: 'पीली सरसों 94.5%, देशी चना 78.2%' आदि — किसान को स्पष्ट प्रतिशत विश्वास स्तर प्रदान करता है।

Graph: f(x) vs xx ∈ [-3, 3]

Negative Inputs (Deficit)Threshold (0)Positive Inputs (Vigor)

Section 11 Requirement

3 मशीन लर्निंग पाइपलाइन (3 Machine Learning Pipelines)

पर्यवेक्षित (Supervised), अपर्यवेक्षित (K-Means) और मौसम समय-श्रृंखला (Time-Series) पाइपलाइन का विस्तृत विवरण

PIPELINE 1: SUPERVISED LEARNING (CROP RECOMMENDATION & ECONOMICS)

Accuracy: 94.5%

INPUT DATAHistorical Agromet Data

FEATURES (6)N, P, K, pH, Rain, TDS

ML ENSEMBLERandom Forest + MLP

OUTPUTCrop, Yield & Net Profit

Algorithms: Multi-Layer Perceptron (MLP) with 6 input nodes, 8 hidden neurons, and 6 output crop softmax heads trained on 2,200 Indian agricultural field trials. Cross-validated against Random Forest and XGBoost benchmarks.