Data Optimisation of Machine Learning Models for Smart Irrigation in Urban Parks

要約

都市環境は、猛暑、干ばつ、水不足など、気候変動による大きな課題に直面しており、これらは公衆衛生、地域社会の福祉、地域経済に影響を与えている。特に、オーストラリア最大級の灌漑システムに依存しているシドニー・オリンピック・パークのような地域では、これらの問題を効果的に管理することが極めて重要である。2021年に開始された「公園とクールタウンのためのスマート灌漑管理（SIMPaCT）」プロジェクトでは、先進技術と機械学習モデルを活用して灌漑を最適化し、物理的な冷却を誘導する。本稿では、SIMPaCTシステムの広範なセンサーネットワークと応用機械学習モデルの効率を高めるための2つの新しい手法を紹介する。最初の方法は、K-shapeとK-meansアルゴリズムを用いてセンサーの時系列データをクラスタリングし、欠測センサーの測定値を推定することで、連続的で信頼性の高いデータを確保するものである。この手法により、異常を検出し、データソースを修正し、冗長なセンサーを特定して除去し、メンテナンスコストを削減することができる。2つ目の方法は、ロボットシステムを使用して異なるセンサー位置から逐次データを収集するもので、多数の固定センサーの必要性を大幅に削減する。これらの方法を組み合わせることで、センサーの配置を最適化し、メンテナンスコストを削減しながら、正確な土壌水分予測を維持し、スマート灌漑システムの効率と効果を高めることを目的としている。我々の評価では、土壌水分モニタリングネットワークの効率と費用対効果が大幅に改善されたことが実証された。クラスターに基づく欠落センサーの交換により、平均誤差が最大5.4%減少する。ロボットによるエミュレーションとしてセンサデータを逐次収集すると、円形経路と直線経路の平均誤差がそれぞれ17.2%と2.1%減少する。

要約(オリジナル)

Urban environments face significant challenges due to climate change, including extreme heat, drought, and water scarcity, which impact public health, community well-being, and local economies. Effective management of these issues is crucial, particularly in areas like Sydney Olympic Park, which relies on one of Australia’s largest irrigation systems. The Smart Irrigation Management for Parks and Cool Towns (SIMPaCT) project, initiated in 2021, leverages advanced technologies and machine learning models to optimize irrigation and induce physical cooling. This paper introduces two novel methods to enhance the efficiency of the SIMPaCT system’s extensive sensor network and applied machine learning models. The first method employs clustering of sensor time series data using K-shape and K-means algorithms to estimate readings from missing sensors, ensuring continuous and reliable data. This approach can detect anomalies, correct data sources, and identify and remove redundant sensors to reduce maintenance costs. The second method involves sequential data collection from different sensor locations using robotic systems, significantly reducing the need for high numbers of stationary sensors. Together, these methods aim to maintain accurate soil moisture predictions while optimizing sensor deployment and reducing maintenance costs, thereby enhancing the efficiency and effectiveness of the smart irrigation system. Our evaluations demonstrate significant improvements in the efficiency and cost-effectiveness of soil moisture monitoring networks. The cluster-based replacement of missing sensors provides up to 5.4% decrease in average error. The sequential sensor data collection as a robotic emulation shows 17.2% and 2.1% decrease in average error for circular and linear paths respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL