Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightRastgele orman regresyonmodeli toprak nem tahmini için diğer makine öğrenmesi algoritmalarından dahaüstün bulunmuştur.
📌 3 Maddede Bu Makale
Özet
Nesnelerin İnterneti (IoT) teknolojisi, sistemlerin insanlardan bağımsız olarakkontrol edilmesine ve yönetilmesine olanak tanır. IoT tabanlı tarım uygulamaları,dünya nüfusunun giderek artmasıyla tarımda gıda tüketimi ve su kıtlığı sorunlarınaçözüm olarak yaygınlaşmıştır. Toprak nemi, tarımsal üretim ve hidrolojik döngüleriçin önemli bir faktördür ve tarımsal uygulamaların geliştirilmesinde toprakneminin tahmin edilmesi gerekmektedir. Bu çalışmada Arduino Uno kartına bağlıEsp8266 Wifi modülü, nem ve sıcaklık, toprak nemi, yağmur ve ultraviyolesensörlerinden oluşan IoT tabanlı bir sulama sistemi prototipi sunulmuştur.Sunulan prototip sistemi kullanılarak pilot bir alandan 55 gün boyunca yarım saatlikperiyotlarla veriler toplanmış ve bu veriler ThingSpeak ile bulut üzerindenkaydedilmiştir. Toplanan veriler kullanılarak çoklu doğrusal, polinomal, destekvektörü, karar ağacı ve rastgele orman regresyonu gibi farklı makine öğrenimiregresyon modelleri uygulanarak toprak nem değeri tahmin edilmiştir. Bualgoritmaların başarımını incelemek için elde edilen sonuçlar belirlilik katsayısı veortalama kare hatası kriterlerine göre karşılaştırılır. Rastgele orman regresyonmodeli toprak nem tahmini için diğer makine öğrenmesi algoritmalarından dahaüstün bulunmuştur.
Abstract
Internet of Things (IoT) technology allows the control and managementof systems independent of humans. IoT-based agriculture applications have becomewidespread as a solution to the problems of food consumption and water scarcity inagriculture as the world population has increased gradually. Soil moisture is animportant factor for agriculture production and hydrological cycles and theprediction of soil moisture is required in developing agricultural practices. In thisstudy, an IoT-based irrigation system prototype is presented which consists ofEsp8266 Wifi module, humidity and temperature, soil moisture, rain and ultravioletsensors connected to the Arduino Uno board. Using the prototype system, data arecollected from the pilot area determined in half-hour periods for 55 days and savedthe cloud with ThingSpeak. The soil moisture value is estimated by applyingdifferent machine learning regression models such as multiple linear, polynomial,support vector, decision tree and random forest regression using the collected data.To examine the success of the algorithms, the obtained results are comparedaccording to the coefficient of determination and the mean square error criteria. Itis found that the random forest regression model has found to be superior to othermachine learning algorithms for soil moisture estimation.