Nesnelerin interneti tabanlı sulama sistemi verileri kullanılarak makine öğrenme algoritmaları ile toprak nemi tahminleme

Abstract

Son yıllarda ağ teknolojilerinde meydana gelen gelişmeler ile birlikte insandan bağımsız olarak sistemlerin denetimi ve yönetimine olanak sağlayan nesnelerin interneti (Internet of Things - IoT) uygulamaları birçok alanda gelişmiştir. Özellikle, temiz su kaynaklarının azlığı ve nüfusun artmasıyla birlikte meydana gelen gıda ihtiyacını karşılamak için kullanılan su tüketiminin artması sorunlarına çözüm olarak IoT akıllı tarım uygulamaları yaygınlaşmıştır. Sulama sistemlerinin geliştirilmesinde kullanılan en önemli parametrelerden biri toprak nem değeridir. Ayrıca toprak nem değeri tarımsal uygulamalarda büyük bir yere sahiptir ve toprak ile su arasındaki ilişkiyi modeller. Geliştirilecek tarımsal uygulamalarda toprak neminin doğru ölçümü ve tahmini kritik önem taşır. Bu tez çalışmasında IoT tabanlı bir sulama sistemi prototipi gerçekleştirilmiştir. Pilot bir alanda 55 gün boyunca sıcaklık, nem, yağmur, ışık şiddeti ve toprak nemi gibi çevresel parametreler toplanmış ve ThingSpeak ile bulut sistemine kaydedilmiştir. Toplanan değerler kullanılarak, toprak nem değeri, çoklu doğrusal regresyon, polinomal regresyon, destek vektör regresyonu, karar ağacı regresyonu ve rastgele orman regresyonu gibi çeşitli makine öğrenmesi (Machine Learning - ML) regresyon algoritmaları uygulanarak tahmin edilir. Bu algoritmaların performansı belirlilik katsayısı ve ortalama karesel hata kriterlerine göre değerlendirilir. Rastgele orman algoritması, toprak nemini tahmin etmede diğer ML algoritmalarından daha iyi performans gösterir.

With the developments in network technologies in recent years, Internet of Things (IoT) applications that allow the control and management of systems independent of humans have developed in many areas. In particular, IoT smart agriculture applications have become widespread as a solution to the problems of increasing water consumption, which is used to meet the food need due to the scarcity of clean water resources and the increase in population. One of the most important parameters used to develop irrigation systems is the soil moisture value. In addition soil moisture value has a great place in agricultural applications and models the relationship between soil and water. Accurate measurement and prediction of soil moisture is critical in agricultural applications to be developed. In this thesis study, an IoT-based irrigation system prototype is implemented. In a pilot area, the environmental parameters such as temperature, humidity, rain, light intensity and soil moisture were collected for 55 days and recorded in the cloud system with ThingSpeak. Using the collected values, soil moisture value is estimated by applying several machine learning (ML) regression algorithms such as multiple linear regression, polynomial regression, support vector regression, decision tree regression and random forest regression. The performance of these algorithms is evaluated according to the coefficient of determination and mean square error criteria. The random forest algorithm outperforms the other ML algorithms at prediction of the soil moisture.