## Backend Architecture – CropLogic Platform

پلتفرم **CropLogic** از سه سرویس کاملاً مستقل تشکیل شده است تا مقیاس‌پذیری، پایداری و امنیت داده‌ها در سطح بالایی حفظ شود. این سرویس‌ها عبارت‌اند از:

- Backend Service  
- AI Service  
- SensorHub Service  

جدا بودن این سرویس‌ها باعث می‌شود هر بخش بتواند به‌صورت مستقل توسعه داده شود، در صورت افزایش بار به‌صورت جداگانه مقیاس‌پذیر باشد و در صورت بروز مشکل در یک سرویس، سایر سرویس‌ها دچار اختلال نشوند.

---

## 1. Backend Service

سرویس **Backend** هسته‌ی اصلی منطق سیستم محسوب می‌شود و نقش **Gateway** بین کلاینت و سایر سرویس‌های داخلی را ایفا می‌کند.

### وظایف اصلی
- دریافت درخواست‌ها از سمت کلاینت  
- ارتباط با سرویس‌های **AI** و **SensorHub**  
- پردازش و مدیریت خروجی سرویس‌ها  
- آماده‌سازی و ارسال پاسخ نهایی به کلاینت  

به عبارت دیگر، Backend لایه‌ی هماهنگ‌کننده بین بخش‌های مختلف سیستم است و تمام ارتباطات خارجی از طریق این سرویس انجام می‌شود.

### تکنولوژی‌ها
- **Framework:** Django  
- **Database:** MySQL  

پروژه با استفاده از **Clean Architecture** طراحی شده است؛ بنابراین لایه‌ی دیتابیس از منطق اصلی جدا بوده و در صورت نیاز امکان تغییر دیتابیس در آینده به‌سادگی وجود دارد.

---

## 2. AI Service

سرویس **AI** به دلیل حجم بالای محاسبات و احتمال ایجاد بار سنگین روی سیستم، به‌صورت کاملاً جدا از Backend پیاده‌سازی شده است. این سرویس مسئول انجام تمام پردازش‌های مرتبط با **هوش مصنوعی و تحلیل داده‌ها** است.

### بخش‌های اصلی این سرویس

#### 2.1 سیستم RAG (Retrieval-Augmented Generation)

این سیستم با استفاده از **Embedding مدل‌های LLM** پیاده‌سازی شده و نقش ساخت **دستیار هوشمند مزرعه** را بر عهده دارد.  

از این دستیار برای:
- پاسخ به سوالات کشاورزان  
- ارائه راهنمایی‌های تخصصی کشاورزی  
- تحلیل شرایط مزرعه  

استفاده می‌شود.

---

#### 2.2 دریافت اطلاعات خاک بر اساس مختصات جغرافیایی

برای دریافت داده‌های علمی مربوط به خاک از API زیر استفاده می‌شود:

`https://rest.isric.org/soilgrids`

این سرویس اطلاعات خاک را بر اساس مختصات جغرافیایی ارائه می‌دهد.

پارامترهای اصلی دریافت شده شامل موارد زیر است:

- depth_label  
- bdod  
- cec  
- cfvo  
- clay  
- nitrogen  
- ocd  
- ocs  
- phh2o  
- sand  
- silt  
- soc  
- wv0010  
- wv0033  
- wv1500  

علاوه بر این، اطلاعات خاک برای عمق‌های مختلف نیز دریافت می‌شود، از جمله:

- 0–5 سانتی‌متر  
- 5–10 سانتی‌متر  
- 10–15 سانتی‌متر  

این تفکیک عمق خاک اهمیت زیادی دارد، زیرا برخی گیاهان نسبت به ویژگی‌های خاک در عمق‌های خاص حساس‌تر هستند.

---

#### 2.3 ترکیب داده‌های خاک با داده‌های سنسور

اطلاعات دریافتی از SoilGrids با داده‌های **سنسورهای مزرعه** ترکیب می‌شوند.  

هدف از این مرحله:
- تکمیل داده‌های ناقص سنسورها  
- افزایش دقت مدل‌های تحلیلی  
- ایجاد یک دیتاست کامل از شرایط واقعی مزرعه

---

#### 2.4 محاسبات تکمیلی ژئوفیزیک و خاک

در این مرحله، داده‌هایی که نه از طریق سنسورها و نه از طریق APIهای خارجی قابل دریافت نیستند، با استفاده از **فرمول‌های علمی ژئوفیزیک و خاک‌شناسی کشاورزی** محاسبه می‌شوند.

این کار باعث می‌شود مدل‌های تحلیلی تصویر کامل‌تری از شرایط مزرعه داشته باشند.

---

#### 2.5 تحلیل و مدل‌های هوش مصنوعی

در مرحله نهایی، داده‌های جمع‌آوری‌شده و پردازش‌شده وارد سیستم‌های تحلیلی می‌شوند که شامل موارد زیر است:

- استفاده از **سیستم RAG** برای تحلیل و تولید پاسخ  
- استفاده از **Machine Learning** در سناریوهای تخصصی‌تر  
- استفاده از **مدل‌های از پیش آموزش‌دیده (Pretrained Models)**

خروجی این تحلیل‌ها شامل مواردی مانند:

- توصیه زمان و میزان **آبیاری**  
- توصیه **کوددهی**  
- تحلیل وضعیت خاک و رشد گیاه  
- پیشنهاد اقدامات بهینه برای مدیریت مزرعه

### دیتابیس
- **MySQL**

---

## 3. SensorHub Service

سرویس **SensorHub** مسئول دریافت، ذخیره و مدیریت داده‌های سنسورهای مزرعه است.

به دلیل حساسیت بالای این داده‌ها و اهمیت **عدم از دست رفتن اطلاعات سنسورها**، این سرویس به‌صورت مستقل از سایر بخش‌ها پیاده‌سازی شده است.

### ویژگی‌های این سرویس
- دریافت داده‌های سنسورها در زمان واقعی  
- ذخیره‌سازی امن و پایدار داده‌ها  
- ارائه داده‌ها به سرویس Backend برای تحلیل

### دیتابیس

برای این سرویس از **Apache Cassandra** استفاده شده است.

دلایل انتخاب Cassandra:

- دیتابیس **Distributed** و مناسب برای داده‌های حجیم  
- **Fault Tolerance بالا**  
- جلوگیری از از دست رفتن داده‌ها  
- مناسب برای **Time-Series Data** مانند داده‌های سنسورها

---

## جمع‌بندی معماری

معماری CropLogic بر پایه **Microservice Architecture** طراحی شده است که مزایای زیر را فراهم می‌کند:

- مقیاس‌پذیری مستقل هر سرویس  
- افزایش پایداری سیستم  
- جداسازی مسئولیت‌ها  
- مدیریت بهتر بار پردازشی  
- امنیت بیشتر برای داده‌های حساس

این معماری باعث می‌شود پلتفرم بتواند در مقیاس‌های بزرگ مزرعه و تعداد زیاد سنسورها نیز عملکرد پایدار و قابل اعتمادی داشته باشد.
:::