Machine-Learning-Ansatz für ein automatisches Bewässerungssystem im südlichen Jordan-Tal

Der Agrarsektor ist der wasserintensivste Sektor. Angesichts der kritischen Situation der verfügbaren Wasserressourcen in Jordanien sollte dem Thema Wasserbedarf und geeigneter Bewässerung Beachtung geschenkt werden, um den Landwirten moderne Bewässerungsmanagementmethoden näherzubringen. Die Ziele dieses Papiers sind die Verbesserung des Bewässerungsprozesses und die Bereitstellung von Bewässerungswasser in möglichst großem Umfang durch den Einsatz künstlicher Intelligenz, um ein intelligentes Bewässerungssystem zu entwickeln, das den Bewässerungsmechanismus mit den notwendigen Werkzeugen zur Erfassung der Bodenfeuchtigkeit und -temperatur steuert, Warnungen bei Veränderungen der eingestellten Parameter als Basiswerte zum Vergleich ausgibt und Sensorsysteme in einer Tiefe von 3-5 Zoll unter den Wurzeln installiert, um den Feuchtigkeitsgehalt im Boden zu messen. Die Sensoren messen alle zehn Minuten die Feuchtigkeit und Temperatur im Boden. Sie verhindern den automatischen Bewässerungsprozess, wenn die Feuchtigkeit hoch ist, und erlauben ihn, wenn die Feuchtigkeit niedrig ist. Das Modell des intelligenten automatischen Bewässerungssystems wurde unter Verwendung des Entscheidungsbaum-Algorithmus (DT) erstellt, der ein Machine-Learning-Algorithmus ist, der das System auf einem Teil der gesammelten Daten trainiert, um das Modell zu erstellen, das zur Untersuchung und Vorhersage der verbleibenden Daten verwendet wird. Das System hatte eine Vorhersagegenauigkeit von 97,86%, was bedeutet, dass es erfolgreich zur Bereitstellung von Bewässerungswasser für den Agrarsektor eingesetzt werden kann.