Prediction of soil moisture using machine learning techniques: A case study of an IoT-based irrigation system in a naturally ventilated polyhouse

The agricultural sector faces a massive challenge in enhancing food production for the growing population with limited water resources. For effective and optimum utilization of fresh water, developing smart irrigation systems based on the internet of things (IoT) is essential for scheduling irrigation based on crop water requirements. In this study, an IoT-based irrigation system was developed and evaluated inside a greenhouse located in the experimental fields of Indian Council of Agricultural Research-Central Institute of Agricultural Engineering (ICAR-CIAE), Bhopal, India. Data on microenvironmental parameters such as temperature, relative humidity, light intensity, soil temperature and soil moisture were collected from the sensors developed inside the greenhouse. Soil moisture was predicted based on the field data collected via different machine learning techniques, such as the decision tree (DT), random forest (RF), multiple linear regression (MLR), extreme gradient boosting (XGB), K-nearest neighbour (KNN) and artificial neural network (ANN) methods, with three input combinations. The ANN (coefficient of determination [R2] = 0.942, 0.939) models performed well but were found to be less effective than the RF (R2 = 0.991, 0.951) and XGB (R2 = 0.997, 0.941) models in the training and testing phases, respectively. The RF and XGB models outperformed the other models, while the MLR (R2 = 0.955, 0.875) technique underperformed. With respect to both the testing and training datasets, the models trained with all four inputs outperformed the models trained with two or three inputs. Le secteur agricole est confronte a un defi de taille en ce qui concerne l'amelioration de la production alimentaire pour une population croissante avec des ressources en eau limitees. Pour l'utilisation efficace et optimale de l'eau douce, le developpement de systemes d'irrigation intelligents bases sur l'internet des objets (IoT) est exige pour planifier l'irrigation en fonction des besoins en eau des cultures. Dans cette etude, un systeme d'irrigation a base l'IoT a ete developpe et evalue a l'interieur d'une serre situee dans les champs experimentaux de l'ICAR-CIAE, a Bhopal, en Inde. Les donnees sur les parametres microenvironnementaux tels que la temperature, l'humidite relative, l'intensite lumineuse, la temperature du sol et l'humidite du sol ont ete recueillies a partir des capteurs developpes a l'interieur de la serre. L'humidite du sol a ete predit sur la base des donnees de terrain recueillies au moyen de differentes techniques d'apprentissage automatique, telles que l'arbre de decision (DT), la foret aleatoire (RF), la regression lineaire multiple (MLR), la poussee de gradient extreme (XGB), le voisin le plus proche (KNN) et le reseau de neurones artificiels (ANN), avec trois combinaisons d'entree. Les modeles ANN (R2 = 0,942, 0,939) ont donne de bons resultats, mais se sont averes moins efficaces que les modeles RF (R2 = 0,991, 0,951) et XGB (R2 = 0,997, 0,941) dans les phases de formation et d'essai, respectivement. Les modeles RF et XGB ont surpasse les autres modeles, tandis que la technique MLR (R2 = 0,955, 0,875) a ete moins performante. En ce qui concerne les ensembles de donnees d'essais et de formation, les modeles formes avec les quatre entrees ont surpasse les modeles formes avec deux ou trois entrees.