A drip irrigation prediction system in a greenhouse based on long short-term memory and connected objects

Abstract

Розумні теплиці використовують технологію Інтернету речей (IoT) для моніторингу та контролю різних факторів, які впливають на ріст рослин, таких як вологість ґрунту, вологість у приміщенні, температура ґрунту, датчик дощу, освітлення та температура в приміщенні. Датчики та виконавчі пристрої, підключені до мережі IoT, можуть збирати дані про ці фактори та використовувати їх для автоматизації таких процесів, як полив, опалення та вентиляція. Це може допомогти оптимізувати умови вирощування та підвищити врожайність. Щоб забезпечити вегетативний ріст і розвиток, рослинам необхідно правильну кількості води в потрібний час. Метою цієї роботи є строгий контроль за різними факторами, що впливають на ріст тепличних культур. Тому нам потрібна нелінійна модель для прогнозування зрошення тепличних культур. Під час роботи система отримує вхідні команди через датчики, а потім прогнозує наступний цикл поливу. Зрошення передбачено за допомогою GRU, LSTM та BLSTM, і проведено порівняння між результатами трьох методів та обрано метод з найкращим результатом.

Smart greenhouses use Internet of Things (IoT) technology to monitor and control various factors that affect plant growth, such as soil humidity, indoor humidity, soil temperature, rain sensor, illumination, and indoor temperature. Sensors and actuators connected to an IoT network can collect data on these factors and use it to automate processes such as watering, heating, and ventilation. This can help optimize growing conditions and improve crop yield. To enable their vegetative growth and development, plants need the right amount of water at the right time. The objective of this work is to strictly control the different factors that affect the growth of greenhouse crops. Therefore, we need a non-linear prediction model to perform greenhouse crop irrigation prediction. During operation, the system receives the input commands via sensors and then predicts the next watering run. The irrigation is predicted using GRU, LSTM, and BLSTM and a comparison was made between the results of the three techniques, and the technique with the best result was selected.