Clasificación de patrones de redes neuronales y modelo de lógica difusa dependiente del clima para el control de riego en agricultura de precisión basada en WSN

El sistema de riego en tierras agrícolas juega una actividad principal en la conservación del agua y del suelo. La expectativa futura del contenido de humedad del suelo (MC) utilizando parámetros ecológicos y de suelo en línea puede proporcionar una plataforma efectiva para los requisitos de riego de tierras agrícolas. Este artículo se centra en dos estrategias de optimización, como el Gradiente Conjugado Escalado y los algoritmos de red neuronal basados en BFGS Quasi-Newton utilizados para predecir el requerimiento horario de MC del suelo. También se estudia el rendimiento de predicción de estas dos técnicas de optimización calculando el MSE (Error Cuadrático Medio), el RMSE (Raíz del Error Cuadrático Medio) y el error R-cuadrado. Los cálculos se prueban para la previsión de MC del suelo en cada avance de una hora considerando once parámetros de suelo y ambientales diferentes. La mejor técnica se utiliza para la predicción final, y el MC del suelo predicho se utiliza para generar notificaciones apropiadas mediante un modelo climático basado en lógica difusa. El sistema propuesto es un sistema híbrido utilizado para resolver un solo problema que es la generación de las mejores sugerencias de riego para los agricultores.