Despite the perception people may have regarding the agricultural process, the reality is that today's agriculture industry is data-centered, precise, and smarter than ever.The rapid emergence of the Internet-of-Things (IoT) based technologies redesigned almost every industry including ''smart agriculture'' which moved the industry from statistical to quantitative approaches.Such revolutionary changes are shaking the existing agriculture methods and creating new opportunities along a range of challenges.This article highlights the potential of wireless sensors and IoT in agriculture, as well as the challenges expected to be faced when integrating this technology with the traditional farming practices.IoT devices and communication techniques associated with wireless sensors encountered in agriculture applications are analyzed in detail.What sensors are available for specific agriculture application, like soil preparation, crop status, irrigation, insect and pest detection are listed.How this technology helping the growers throughout the crop stages, from sowing until harvesting, packing and transportation is explained.Furthermore, the use of unmanned aerial vehicles for crop surveillance and other favorable applications such as optimizing crop yield is considered in this article.State-of-the-art IoT-based architectures and platforms used in agriculture are also highlighted wherever suitable.Finally, based on this thorough review, we identify current and future trends of IoT in agriculture and highlight potential research challenges.

The progression of the Internet of Things (IoT) has brought about a complete transformation in the way we interact with the physical world. However, this transformation has brought with it a slew of challenges. The advent of intelligent machines that can not only gather data for analysis and decision-making, but also learn and make independent decisions has been a breakthrough. However, the low-cost requirement of IoT devices requires the use of limited resources in processing and storage, which typically leads to a lack of security measures. Consequently, most IoT devices are susceptible to security breaches, turning them into "Bots" that are used in Distributed Denial of Service (DDoS) attacks. In this paper, we propose a new strategy labeled "Temporary Dynamic IP" (TDIP), which offers effective protection against DDoS attacks. The TDIP solution rotates Internet Protocol (IP) addresses frequently, creating a significant deterrent to potential attackers. By maintaining an "IP lease-time" that is short enough to prevent unauthorized access, TDIP enhances overall system security. Our testing, conducted via OMNET++, demonstrated that TDIP was highly effective in preventing DDoS attacks and, at the same time, improving network efficiency and IoT network protection.

This research addresses the imperative need for efficient underwater exploration in the domain of deep-sea resource development, highlighting the importance of autonomous operations to mitigate the challenges posed by high-stress underwater environments. The proposed approach introduces a hybrid model for Underwater Object Detection (UOD), combining Bi-directional Long Short-Term Memory (Bi-LSTM) with a Restricted Boltzmann Machine (RBM). Bi-LSTM excels at capturing long-term dependencies and processing sequences bidirectionally to enhance comprehension of both past and future contexts. The model benefits from effective feature learning, aided by RBMs that enable the extraction of hierarchical and abstract representations. Additionally, this architecture handles variable-length sequences, mitigates the vanishing gradient problem, and achieves enhanced significance by capturing complex patterns in the data. Comprehensive evaluations on brackish, and URPC 2020 datasets demonstrate superior performance, with the BiLSTM-RBM model showcasing notable accuracies, such as big fish 98.5 for the big fish object in the brackish dataset and 98 for the star fish object in the URPC dataset. Overall, these findings underscore the BiLSTM-RBM model’s suitability for UOD, positioning it as a robust solution for effective underwater object detection in challenging underwater environments.