Sistema de Riego Inteligente usando Machine Learning

Erick Fernando Cabay Yanqui; Panchana Merchan, Kenyi Janell

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Telemática
→
View Item

dc.contributor.advisor	Arreaga, Néstor, Director
dc.contributor.author	Erick Fernando Cabay Yanqui
dc.contributor.author	Panchana Merchan, Kenyi Janell
dc.creator	ESPOL. FIEC
dc.date.accessioned	2024-02-29T15:51:29Z
dc.date.available	2024-02-29T15:51:29Z
dc.date.issued	2023
dc.identifier.citation	Erick Fernando Cabay Yanqui, y Panchana Merchan, K. J. (2023). Sistema de Riego Inteligente usando Machine Learning. [Proyecto Integrador]. ESPOL. FIEC, Guayaquil. 68p.
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/60580
dc.description	Este 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.format	application/pdf
dc.format.extent	68 página
dc.language.iso	spa
dc.publisher	ESPOL. FIEC
dc.rights	openAccess
dc.subject	Sensores de humedad
dc.subject	Válvula inteligente
dc.subject	Random Forest
dc.subject	Machine Learning
dc.subject	Red de sensores
dc.title	Sistema de Riego Inteligente usando Machine Learning
dc.type	Ingeniero en Telemática
dc.identifier.codigoespol	T-114084
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	INGE-2226
dc.description.abstractenglish	This 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