1. DSpace en ESPOL
  2. Unidades Académicas
  3. Facultad de Ingeniería en Electricidad y Computación
  4. Tesis de Telemática
Please use this identifier to cite or link to this item: http://www.dspace.espol.edu.ec/handle/123456789/60580
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorArreaga, Néstor, Director-
dc.contributor.authorErick Fernando Cabay Yanqui-
dc.contributor.authorPanchana Merchan, Kenyi Janell-
dc.creatorESPOL. FIEC-
dc.date.accessioned2024-02-29T15:51:29Z-
dc.date.available2024-02-29T15:51:29Z-
dc.date.issued2023-
dc.identifier.citationErick Fernando Cabay Yanqui, y Panchana Merchan, K. J. (2023). Sistema de Riego Inteligente usando Machine Learning. [Proyecto Integrador]. ESPOL. FIEC, Guayaquil. 68p.-
dc.identifier.urihttp://www.dspace.espol.edu.ec/handle/123456789/60580-
dc.descriptionEste trabajo investigativo se concentra en la mejora de una infraestructura preexistente de sensores de humedad en un jardín contiguo al laboratorio de telemática. Con el objetivo de fortalecer la red de sensores, se introdujeron dos nodos adicionales mediante microcontroladores que operan bajo el protocolo ESPNOW. Este enfoque se diseñó para ampliar la cobertura y obtener mediciones más precisas, aspecto crucial para la eficacia en la toma de decisiones respecto al riego. Como estrategia de optimización, se implementó un modelo de aprendizaje automático basado en Random Forest. Este modelo se nutre de datos provenientes de la API meteorológica Tomorrow.io y de la plataforma HayIoT de la universidad ESPOL. La válvula inteligente de la marca Tuya, responsable de controlar los aspersores, responde activándose o desactivándose según el previo entrenamiento realizado, asegurando un riego eficiente del jardín hasta alcanzar niveles óptimos de humedad. Desde la perspectiva de la programación, se llevaron a cabo solicitudes a ambas APIs mencionadas, integrando la información obtenida para obtener lecturas actualizadas de las variables requeridas para la predicción del modelo. Los scripts, que incluyen el modelo Random Forest, se ejecutan periódicamente en una máquina virtual configurada como servidor. Además, se implementó un sistema de registro detallado mediante archivos .txt que almacenan la hora, fecha y la acción específica de apertura o cierre de la válvula. Este registro se convierte en un historial esencial para el análisis y la evaluación del rendimiento del sistema a lo largo del tiempo. Palabras Clave: Sensores de humedad, Válvula inteligente, Random Forest, Machine Learning, Red de sensores-
dc.formatapplication/pdf-
dc.format.extent68 página-
dc.language.isospa-
dc.publisherESPOL. FIEC-
dc.rightsopenAccess-
dc.subjectSensores de humedad-
dc.subjectVálvula inteligente-
dc.subjectRandom Forest-
dc.subjectMachine Learning-
dc.subjectRed de sensores-
dc.titleSistema de Riego Inteligente usando Machine Learning-
dc.typeIngeniero en Telemática-
dc.identifier.codigoespolT-114084-
dc.description.cityGuayaquil-
dc.description.degreeEscuela Superior Politécnica del Litoral-
dc.identifier.codigoproyectointegradorINGE-2226-
dc.description.abstractenglishThis research work focuses on enhancing an existing infrastructure of moisture sensors in a garden adjacent to the telematics laboratory. To strengthen the sensor network, two additional nodes were introduced through microcontrollers operating under the ESPNOW protocol. This approach was designed to expand coverage and obtain more precise measurements, a crucial aspect for effective decision-making regarding irrigation. As an optimization strategy, a machine learning model based on Random Forest was implemented. This model is fed with data from the Tomorrow.io meteorological API and the HayIoT platform of ESPOL University. The intelligent valve from the Tuya brand, responsible for controlling sprinklers, responds by activating or deactivating based on a predetermined humidity threshold, ensuring efficient garden irrigation until optimal moisture levels are reached. From a programming perspective, requests were made to both mentioned APIs, integrating the obtained information to acquire updated readings of the variables required for the model?s prediction. The scripts, including the Random Forest model, are periodically executed on a virtual machine configured as a server. Additionally, a detailed logging system was implemented using .txt files to store the timestamp, date, and the specific action of opening or closing the valve. This log becomes an essential history for the analysis and evaluation of the system?s performance over time. Keywords: Moisture sensors, Smart valve, Random Forest, Machine Learning, Sensor network-
Appears in Collections:Tesis de Telemática

Files in This Item:
File SizeFormat 
T-114084-INGE-2226.pdf4.52 MBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.