Ανάπτυξη μοντέλων μηχανικής μάθησης για τον εντοπισμό καταπόνησης σε γεωργικές καλλιέργειες

Abstract

Με τη πάροδο του χρόνου η έννοια του Δικτύου των Πραγμάτων γίνεται όλο και πιο δημοφιλής, καθώς πλέον η δημιουργία ενός ασύρματου δικτύου αισθητήρων απαιτεί λιγότερο κόστος και χρόνο από ότι χρειαζόταν. Όλο ένα και περισσότερα ασύρματα δίκτυα αισθητήρων κάνουν την εμφάνιση τους στον βιομηχανικό τομέα αλλά και σε τομείς που απασχολούν τον άνθρωπο καθημερινά. Ένας από αυτούς τους τομείς είναι και η Γεωργία. Η ένταξη των Σύγχρονων Τεχνολογιών Πληροφορίας και Επικοινωνιών στον τομέα της γεωργίας έχει ως αποτέλεσμα την δημιουργία μιας καινούργια έννοιας, της «Έξυπνης» γεωργίας (Smart Farming). Κάποιοι την ονομάζουν και ως Τέταρτη Πράσινη Επανάσταση. Η «έξυπνη» Γεωργία συνδυάζει έννοιες όπως το Δίκτυο των Πραγμάτων τα Μεγάλα Δεδομένα (Big Data) και την Μηχανική Μάθηση (Machine Learning) για την αύξηση της γεωργικής παραγωγής μέσα από μια πιο ακριβής και αποδοτική χρήση των πόρων. Η παρούσα διπλωματική εργασία, έχει ως σκοπό την μελέτη και ανάπτυξη αλγορίθμων μηχανικής μάθησης, οι οποίοι επεξεργάζονται τα δεδομένα που συλλέχθηκαν από τα τους αισθητήρες και προσπαθούν να προβλέπουν την κατάσταση υγείας του δέντρου που παρακολουθείται. Αξιολογώντας τα αποτελέσματα που συλλέχθηκαν από το πειραματικό στάδιο, παρατηρούνται και σημειώνονται οι ιδιαιτερότητες του κάθε αλγορίθμου και στη συνέχεια με την συνολική σύγκριση όλων των μοντέλων γίνεται η επιλογή των ιδανικότερων. Τα δεδομένα συλλέχθηκαν από μικρά δίκτυα αισθητήρων, τα οποία παρακολουθούσαν δέντρα που ήταν ήδη γνωστή η κατάσταση υγείας τους. Οι αλγόριθμοι αξιολογήθηκαν σύμφωνα με την επίδοση και τον χρόνο που χρειάζονται για να κάνουν μια πρόβλεψη. Στη συνέχεια γίνεται η ανακεφαλαίωση και η κατάληξη των συμπερασμάτων από όλα τα αποτελέσματα που παρουσιάστηκαν στο πειραματικό στάδιο. Επίσης προτείνονται μελλοντικές επεκτάσεις για την δημιουργία πιο αξιόπιστων και ρεαλιστικών μοντέλων και η έρευνα επιπλέον παραγόντων ώστε τα μοντέλα να έχουν μεγαλύτερη ποικιλία για την καλύτερη μελέτη των δεδομένων. Τέλος προτείνεται η δοκιμή των ίδιων πειραμάτων σε ένα μεγαλύτερο εύρος ποικιλίας δέντρων και περιβαλλόντων.