DETECCIÓN DE RIEGOS VÁLIDOS Y PATRONES ANORMALES EN MEDICIONES DE SENSORES DE HUMEDAD

Abstract

El análisis de datos se ha vuelto fundamental para la optimización de procesos, en la agricultura se utilizan sensores meteorológicos y de humedad de suelo junto con redes de baja potencia para captar datos que permiten maximizar la producción y minimizar el impacto ambiental. Utilizando métodos de análisis de series de tiempo se trabaja con los datos de sensores de humedad de suelo para detectar patrones de riego y consumo con el fin de mejorar un sistema de predicción de humedad e irrigación. El estudio compara tres algoritmos nuevos con la técnica de detección actual del proyecto, los resultados logran disminuir la cantidad de falsos positivos detectados. El mejor resultado lo obtiene el algoritmo Series Strings Comparison (SSC) con una razón de falsos positivos promedio en 5 sets de datos de 0.04, superando la razón de falsos positivos de 0.50 de la situación actual.

Data analysis has become fundamental for process optimization. In agriculture, soil and meteorological sensors are used along low power networks to capture data that allows for optimizing returns and minimizing environmental impact. Data from soil moisture sensors is studied using time series analysis methods for outlier detection and pattern recognition to identify irrigation and consumption patterns and improve a soil moisture prediction and irrigation system. The study compares three new algorithms with the current detection technique in the project, the results greatly decrease the number of false positives detected. The best result is obtained by the Series Strings Comparison (SSC) algorithm averaging a false positive rate of 0.04 over 5 datasets, vastly improving the current system’s 0.50 false positive rate.