Інтелектуальний модуль підтримки рішень щодо автоматизованого зрошення на базі даних IoT-сенсорів та ансамблевих моделей машинного навчання

Abstract

Метою кваліфікаційної роботи є розроблення інтелектуального модуля підтримки рішень щодо автоматизованого зрошення, який використовує дані IoT-сенсорів і ансамблеві моделі машинного навчання для визначення доцільності поливу та підвищення ефективності використання водних ресурсів. Методи досліджень включають метод аналізу для визначення особливостей автоматизованого зрошення, IoT-сенсорів і сучасних підходів до підтримки рішень; метод моделювання для розроблення архітектури модуля; методи попередньої обробки даних; методи машинного навчання; метод експериментальних досліджень; метод порівняльного аналізу. Розроблено інтелектуальний модуль підтримки рішень щодо автоматизованого зрошення, який забезпечує завантаження даних IoT-сенсорів, їх попередню обробку, формування базових і похідних ознак, навчання ансамблевих моделей машинного навчання та формування рішення щодо доцільності поливу. Результати дослідження можуть бути використані для побудови програмно-апаратних систем автоматизованого зрошення, розроблення інтелектуальних модулів моніторингу аграрного середовища, інтеграції IoTсенсорів із системами підтримки рішень, а також для створення навчальнодослідних прототипів у сфері точного землеробства.

The purpose of the qualification work is to develop an intelligent decision support module for automated irrigation that uses IoT sensor data and ensemble machine learning models to determine the feasibility of irrigation and improve the efficiency of water resource use. The research methods include the method of analysis to identify the specific features of automated irrigation, IoT sensors, and modern approaches to decision support; the modeling method for developing the module architecture; data preprocessing methods; machine learning methods; the method of experimental research; and the method of comparative analysis. An intelligent decision support module for automated irrigation has been developed. It provides loading of IoT sensor data, their preprocessing, the formation of basic and derived features, training of ensemble machine learning models, and the generation of a decision regarding the feasibility of irrigation. The research results can be used for building software and hardware systems for automated irrigation, developing intelligent modules for monitoring the agricultural environment, integrating IoT sensors with decision support systems, and creating educational and research prototypes in the field of precision agriculture.