Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Elektrische Antriebe und Energiesysteme 2025 | 26 + 27 März 2025

19. Internationaler MTZ-Fachkongress Zukunftsantriebe

Seien Sie bei der Konferenz dabei! Dort treffen Experten aus der Automobilindustrie, Energieerzeugung und Stromnetzbetrieb auf Vertreter aus Politik und Wissenschaft. Diskutiert werden wichtige Themen der Branche.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Water Amount Prediction for Smart Irrigation Based on Machine Learning Techniques

verfasst von : Hamed Laouz, Soheyb Ayad, Labib Sadek Terrissa, M’hamed Mancer

Erschienen in: Innovations in Smart Cities Applications Volume 7

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Water is a critical resource that needs to be perfectly managed in the agriculture field to achieve high crop production with minimum water usage and without wastage. In this paper, we proposed a smart irrigation solution using different Machine Learning (ML) models to predict the daily irrigation water amount for the cucumber crop. The various used ML takes the plant’s environmental conditions parameters as input to predict the suitable amount of water as output. The results showed that the Support Vector Regression was the best model that gave the highest coefficient of determination (\(R^2\) score\(\,\approx \,60\)%) with the smallest Mean Squared Error value (0.28).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Plant Disease Classification and Segmentation Using a Hybrid Computer-Aided Model Using GAN and Transfer Learning
Nächstes Kapitel Smart Irrigation System Using Low Energy
Literatur
1.
2.
3.
Food, Agriculture Organization of the United Nations, & World Water Assessment Programme (United Nations). Agriculture, Food and Water. FAO (2003)
4.
Asawa, G.L.: Irrigation and Water Resources Engineering. New Age International (P) Ltd., Publishers, New Delhi (2008)
5.
6.
Kumar, A., Surendra, A., Mohan, H., Valliappan, K., Kirthika, N.: Internet of things based smart irrigation using regression algorithm. In: 2017 International Conference on Intelligent Computing, Instrumentation and Control Technologies (ICICICT), pp. 1652–1657 (2017)
7.
8.
9.
Goap, A., Sharma, D., Shukla, A.K., Rama Krishna, C.: An IoT based smart irrigation management system using machine learning and open source technologies. Comput. Electron. Agric. 155, 41–49 (2018)
10.
11.
Gutiérrez, J., Villa-Medina, J.F., Nieto-Garibay, A., Porta-Gándara, M.Á.: Automated irrigation system using a wireless sensor network and GPRS module. IEEE Trans. Instrum. Meas. 63, 166–176 (2014)
12.
13.
Ahmad, U., Alvino, A., Marino, S.: Solar fertigation: a sustainable and smart IoT-based irrigation and fertilization system for efficient water and nutrient management. Agronomy 12(5), 1012 (2022)CrossRef
14.
Nagelkerke, N.J.: A note on a general definition of the coefficient of determination. Biometrika 78(3), 691–692 (1991)MathSciNetCrossRef
15.
Paper, D.: Hands-on Scikit-Learn for Machine Learning Applications. Apress Berkeley, Berkeley (2020)
16.
17.
Toal, D.J., Bressloff, N.W., Keane, A.J.: Kriging hyperparameter tuning strategies. AIAA J. 46(5), 1240–1252 (2008)CrossRef
Metadaten
Titel
Water Amount Prediction for Smart Irrigation Based on Machine Learning Techniques
verfasst von
Hamed Laouz
Soheyb Ayad
Labib Sadek Terrissa
M’hamed Mancer
Copyright-Jahr
2024
Buch
Innovations in Smart Cities Applications Volume 7

Print ISBN: 978-3-031-54375-3

Electronic ISBN: 978-3-031-54376-0

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-54376-0_2

Premium Partner

    Bildnachweise