T.C. SAKARYA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ HASSAS TARIM UYGULAMALARINDA NESNELERİN İNTERNETİ TEKNOLOJİLERİNİN KULLANIMI YÜKSEK LİSANS TEZİ Murat GÜCÜK Enstitü Anabilim Dalı : BİLGİSAYAR VE BİLİŞİM MÜHENDİSLİĞİ Tez Danışmanı : Prof. Dr. Celal ÇEKEN Mayıs 2019
KULLANIMI
MÜHENDSL
Mays 2019
konuda bilgi ve desteini almaktan çekinmediim, aratrmann
planlanmasndan
yazlmasna kadar tüm aamalarnda yardmlarn esirgemeyen, tevik eden,
ayn
titizlikte beni yönlendiren deerli danman hocam Prof. Dr. Celal
ÇEKEN’e
teekkürlerimi sunarm.
ve minnet duygularm sunarm.
EKLLER LSTES
.............................................................................................
vii
TABLOLAR LSTES
..........................................................................................
viii
2.5. Nesnelerin nterneti Özellikleri
............................................................
9
2.6. Büyük Veri
...........................................................................................
10
2.7. Bulut Biliim…..
................................................................................
13
3.1.1. Direkt Yöntemler
......................................................................
21
iii
3.1.2. Endirekt Yöntemler
..................................................................
22
3.1.2.3. Tansiyometreler
............................................................
23
BÖLÜM 4.
4.1.3.2. Spark SQL
...................................................... 31
4.1.3.3. Spark MLib
.................................................... 32
4.1.3.4. Spark Streaming
............................................. 32
4.1.4. Apache Kafka
..................................................................
33
4.1.6. Selenoid vana
..................................................................
38
4.2. Uygulamann Gerçekletirilmesi
................................................... 42
API : Application Programming Interface
dBm : Decibel-milliwatt
g : Gram
GB : Gigabayt
GND : Ground
HTT : Hassas Tarm Teknolojisi
v
K2O : Potasyum Oksit
LTE : Long Term Evolution
LVDS : Low-voltage differential signaling
M2M : Machine To Machine
ms : Milisecond
mW : MiliWatt
N : Azot
PCB : Printed Circuit Board
PWM : Pulse Width Modulation
QoS : Quality of Service
RAM : Random Access Memory
RDD : Resilient Distributed Dataset
RFID : Radio Frequency Identification
SD : Secure Digital Memory Card
SI : Serial Interface
SPI : Serial Peripheral Interface
SQL : Structured Query Language
TDR : Time Domain Reflectometry
Wi-Fi : Wireless Fidelity
ekil 2.2. Nesnelerin interneti özellikleri
............................................................................
ekil 4.1. Raspberry Pi
kart.................................................................................................
ekil 4.7. MQTT mimarisi
..................................................................................................
ekil 4.8. Selenoid vana
......................................................................................................
ekil 4.10. Bask çubuu kontrollü selenoid vana iç yaps
................................................
ekil 4.11. YL-69 nem sensörü
...........................................................................................
ekil 4.12. YL-69 bacak yaps ve elektronik bileen bilgisi
..............................................
ekil 4.13. Damla sulama uygulama borusu
.......................................................................
ekil 4.14. Uygulama topolojisi
..........................................................................................
ekil 4.16. YL-69 nem sensörü NodeMCU balants
.......................................................
ekil 4.17. Uygulama blok
diyagram.................................................................................
ekil 4.19. Uygulamada kullanlan selenoid vana
..............................................................
ekil 4.20. Mobil uygulama durum izleme ekran
..............................................................
ekil 4.21. Mobil uygulama sistem hareketleri izleme ekran
............................................
8
10
25
27
30
31
32
33
36
39
39
40
40
41
42
43
44
45
47
48
49
50
51
viii
17
18
19
ix
ÖZET
Azalan su kaynaklarnn korunumu ve denetimli tüketimi gereklilii,
gittikçe artan su
ihtiyacnn daha planl karlanmas gerekliliini ortaya koymutur.
Bunlara bal
olarak kaynaklarn azalmas insanlk tarihinde büyük sorunlar
oluturmaktadr.
Deien iklimler neticesinde yalarn düzensiz form izlemesi ve
hava
scaklklarndaki ani art ve azal tarmsal faaliyetlerde bitki geliimi
için problem
oluturmaktadr. Bu çalmada bitki geliimini, çevreyi ve sal olumsuz
etkileyen
unsurlar göz önünde tutularak nesnelerin interneti teknolojilerinin
tarm
faaliyetlerinde kullanlarak hassas ölçüde sürdürülebilmesi
amaçlanmtr. Bu tez
kapsamnda her geçen gün kullanm alan artan nesnelerin interneti
teknolojilerinin,
hassas tarm faaliyetlerinde kullanlmasnn gereklilii ön plana
çkartlmtr ve bu
alanda yaplacak çalmalara temel olabilecek örnek bir uygulama
hazrlanmtr.
x
TECHNOLOGIES IN PRECISION AGRICULTURE
Keywords: Precision agriculture, Internet of Things, iot
The conservation of reduced water resources and the necessity of
supervised
consumption have revealed the need for water need to be met more
planned.
Therefore, the decrease in resources creates serious problems in
human history. As a
result of changing climates, irregular form monitoring of
precipitation and sudden
increase and decrease in air temperatures cause problems for plant
growth in
agricultural activities. In this project, it is aimed to be able to
use the internet
technologies of the objects in a sensitive manner by taking into
account the factors
affecting plant development, environment and health negatively.
Within the scope of
this thesis, the necessity of using the Internet technologies of
objects with increasing
usage area in sensitive agricultural activities has been put
forward and a sample
application which can be the basis for the studies to be done in
this field has been
prepared.
nesnelerin interneti tabanl uygulamalarn gelimesinde etkili
olmutur. Endüstri 4.0
kavramnn temel unsuru olarak öne sürülen nesnelerin interneti ile
günlük
yaantmzda zaman ayrlmas güç olan ilerin insanlardan bamsz
olarak
yaplabilmesi için akll sistemlerin gelitirilmesi önem kazanmtr.
Nesnelerin
interneti ile gelitirilen teknolojiler, sistemlerin sürekli olarak
denetimi ve daha basit
yönetimi sayesinde bamsz parçacklarn birbirleri ile balanp
haberlemelerini
salayan yapy sunmaktadr.
2020 ylna kadar internet eriimine sahip cihaz saynn 50 milyar [1]
aacak olarak
ön görülmesi günümüzde yaplan birçok ilemin artk insanlardan akll
cihazlara
devredeceinin kaçnlmaz göstergesidir. Geleneksel tarm faaliyetleri
tecrübe ve
deneyimlere dayanarak yaplmaktadr. Tamamen üretici odakl olan bu
yöntemde
hata pay oldukça yüksektir. Yaplan hatal sulama ya da gübreleme
ilemi
istenmeyecek sonuçlara neden olmaktadr. Yaplan çalmalar, tarm
faaliyetlerinde
bilinçsizce yaplan gübreleme ve ilaçlama faaliyetlerinin bitki,
çevre ve dolayl
olarak insan üzerindeki olumsuz etkilerini ortaya koymutur.
Yaplacak olan hatal
gübreleme ilemi sonucu topraklarda tuzlanma, ar metal birikimi,
besin maddesi
dengesizlii, mikroorganizma etkinliinin bozulmas ve sularda
ötrofikasyon ve
nitrat birikimi, havaya azot ve kükürt içeren gazlarn verilmesi,
sera etkisi gibi çeitli
sorunlara neden olmaktadr [2].
Günümüzde birçok kablosuz ya da kablolu sensör üretimi hem düük
maliyet hem de
ergonomik tasarm ile yaplabilmektedir. Bu gelimeler nda üretilen
scaklk,
nem, k sensörlerinin tarmsal faaliyetlerde de etkin olarak
kullanabilme frsat elde
edilmitir. Tarm alanlarndaki üretim verimliliini ve ürün kalitesini
arttrmaya
2
yönelik çalmalarda toprak su ve gübre orann ayarlayabilen akll
sulama sistemleri
gelitirilmitir. Bu çalmada da tarm faaliyetlerinde toprak
isteklerinin belirtilen
periyotlarda akll sistemler tarafndan karlanp hem ürün kalitesi ve
verimliliinin
en üst seviyeye ulatrlmas hem de hatal ilemler sonucu oluabilecek
çevre
kirliinin engellenmesi hedeflenmitir.
literatür taramasna bakldnda güncel sistemlerin bitki ihtiyaçlarnn,
parsel
geneline yönelik deil parsel üzerindeki alanlarn farkllk tespiti
ile karlanmas
çerçevesinde gelitirildii görülmektedir. [3] numaral makalede
yaplan çalmada
hassas tarm uygulamalarnda tarla etkinlii ölçümü GPS tabanl
sistem
gelitirilmitir. Sistem için gelitirilen yazlm sayesinde farkl tarm
makinalarnn
farkl ilemleri için tarla alan, tarla etkinlii, tarla kapasitesi
gibi veriler tespit
edilebilmektedir. Sistem tarm arac üzerine yerletirilen GPS alcs,
veri toplamak
için kullanlan bilgisayar ve saysal tu takmndan olumaktadr. GPS
alcs çalma
yaplan noktalarn ve tarla alannn belirlenmesinde kullanlmtr. Saysal
tu takm
ile materyal yükleme, bekleme gibi ilem verileri girii yaplmtr. Bu
sayede
yazlm ile gerçekletirilen ilemlerin süreleri belirlenmektedir.
Veriler analiz ve
raporlamada kullanlmak üzere veri tabanna aktarlmtr.
[4] numaral doktora tez çalmasnda, tarla ortamnda hareket edebilen,
diferansiyel
sürüi sistemine sahip bir mobil robot tasarlanmtr. ki DC motor ile
hareket
kabiliyeti kazandrlan mobil robot otonom olarak iletletilmesi ve
yönlendirilmesi
için GPS sistemi kullanlmtr. GPS sisteminden gelen verilerin
deerlendirilmesinde gelitirilen navigasyon yazlm kullanlmtr. Mobil
robotun
ilerleme ve dönüleri, motorlarn ileri veya geri ayn ya da farkl
hzlarda
çaltrlmas ile salanmtr. Kontrol sinyalleri robot üzerine
yerletirilen panel
bilgisayardan gönderilmitir. Çalmada anz younluu tespiti için
görüntü ileme
yazlm gelitirilmitir. Mobil robot üzerine yerletirilen bir fotoraf
makinas ile
tarla üzerindeki anz görüntüleri elde edilmitir. Elde edilen
görüntüler grayscale
formatna çevrilerek anz tanmlayan renk deeri belirlenmitir. Anza
ait renk
3
younluu hesaplanmtr.
[5] numaral makalede deiken oranl gübre uygulamalar ile geleneksel
çiftçi gübre
uygulamalar karlatlm ve bu alanda yaplacak yatrmlarn arazi
büyüklüüne
göre ekonomik açdan verimi deerlendirilmitir. Çalma kapsamnda
deiken
oranl gübrelemenin çiftçi artlarna adaptasyonu ve kullanm
olanaklarnn
aratrlmas, toprak, bitki ve gübre deikenliklerinin tespiti, sensör
tabanl gübre
uygulamalarnn uzaktan alglama uygulamalarnn alternatifi olup
olamayaca,
farkl azot gübre stratejilerinin karlatrlmas, yeni teknolojik ve
inovatif
sistemlerin çevreye etkileri gibi hususlar amaç alnmtr. Adana’da 38
hektarlk bir
alanda yürütülen çalma ile deiken oranl fosforlu ve azotlu gübre
uygulamalar
yaplmtr. Bu çalmalar yaplrken bu alan içerisinde alan tanmlayc
çalmalardan
sonra e zamanl çiftçi uygulamalar için 10 hektarlk bir alan
ayrldktan sonra
uygulamalar balatlmtr. Grid örnekleme teknii ile yaplan toprak
örneklerinden
elde edilen analiz sonuçlar esas alnarak hazrlanan fosfor uygulama
haritalar
çalma alanna uygulanmtr. Çalma alannda 5 farkl uygulama dozu
ortaya
çkmtr. Ekim annda ekim makinas hangi renk bölgesinde ise ona uygun
gübre
dozu braklmtr. Çiftçiye ayrlan alanda çiftçi serbestçe kendi
uygulamasna göre
gübreleme yapmtr. Bu alana herhangi bir müdahalede bulunulmamtr.
Deiken
oranl gübreleme uygulamas sonucu uygulama alanna atlan fosforlu
gübre miktar
çiftçi uygulamalarna göre 3 yln ortalamasnda %50 civarnda daha az
olduu
gözlemlenmitir. Sensör tabanl azot gübre uygulamasnda ise çiftçi
uygulamasna
göre 3 yln ortalamasnda %20 daha az gübre kullanld tespit
edilmitir. Çalma
sonucunda yaplan deerlendirme ile çiftçi uygulamalar ve dier
konvansiyonel
uygulamalar deiken oranl uygulamalarn gerisinde kald ortaya
koyulutur.
Bu çalma ile hassas tarm uygulamalarna nesnelerin interneti
teknolojileri
kazandrlarak, bitki ihtiyaçlarnn akll sistemler tarafndan sv
gübreler ile
belirlenen oran ve zamanlarda torak ihtiyaçlar dorultusunda yaplmas
salanmtr.
4
zamanl veri analizi, suma durumu ve nem verilerinin izlenebilecei
mobil uygulama
ve damlama sulama ekipmanlarndan olumaktadr.
Topran besin ihtiyaçlar belirlenen oranlarda çiftçi tarafndan web
uygulama ile
sisteme girii yaplabilmektedir. Web uygulamann kullanc dostu
tasarlanm
arayüzü sayesinde kullanm basite indirgenmtir. Sisteme girii yaplan
besin
ihtiyaçlar, sulama esnasnda sv gübre tanklarndan peristaltik
pompalar ile sulama
suyuna kartrlabilir ekilde planlanmtr. Sulama faaliyeti selenoid
vana
kontrolünde damlama sulama ekipmanlar ile gerçekletirilmitir.
Topraktaki nem
verileri, nem sensörü ile okunarak internet üzerinden uygun
protokoller ile veri
tabanna tanmtr. Ayn zamanda nem verileri gerçek zamanl olarak büyük
veri
ileme kütüphaneleri ile analiz edilip raporlanabilmektedir.
Sensörden okunan
bilgilerin ve sulama durumu bilgisinin mobil uygulama ile
izlenebilmesi
salanmtr.
verilmitir. Çalmann üçüncü bölümünde hassas tarm hakknda bilgi
verilmitir.
Tarm faaliyetlerinde teknoloji kullanmann önemi ön plana çkartlp
hassas tarm
uygulamarna deinilmitir. Dördüncü bölümde çalma kapsamnda
gelitirilen
uygulama anlatlp mimari ve kullanlan teknolojiler hakknda detayl
bilgi
verilmitir. Ayrca konular hakkndaki bilgiler ekiller ve tablolar
ile desteklenmitir.
Son bölüm olan tartma ve sonuç bölümünde ise gelitirlen uygulamann
genel bir
özetinden bahsedilip, gelitirilebilir özelliklerine
deinilmitir.
BÖLÜM 2. NESNELERN NTERNET
cihazlarn/nesnelerin veri toplama, görüntüleme, karar verme,
denetim ve
süreçlerinin en iyilemesi amacyla oluturduklar, internet alt yapsn
kullanan
alardr [6].
alarna entegre edilebilmektedirler. Statik ve dinamik bilgilere
sahiptir. Fiziksel
nesneler, fiziksel dünyada var olan ve alglanabilir, harekete
geçirilebilir ve balant
salanabilir nesnelerdir. Endüstriyel robotlar ve elektrikli
ekipmanlar fiziksel
nesnelere örnek gösterilmektedir. Sanal nesneler ise bilgi
dünyasnda var olan ve
depolanabilir, ilenebilir ve eriilebilir nesnelerdir. Multimedya
içerikleri ve
uygulama yazlmlar örnekleri arasnda yer almaktadr [7].
2.1. Nesnelerin nterneti Tarihsel Geliimi
Nesnelerin interneti kavram ilk olarak 1999 ylnda Kevin Ashton
tarafndan bir
firma için hazrlam olduu sunumda geçmitir. Firmann tedarik
zincirinin en
iyilenmesinde kullanlmak üzere, Radyo Frekans ile Tanmlama (Radio
Frequency
Identification, RFID) teknolojisi önerilmitir. 2005 ylnda
Uluslararas
Telekomünikasyon Birlii (ITU)’nun konuya dair ilk raporu yaymlamtr.
ITU,
IoT’nin öe tanmlama (nesneleri etiketleme), alglayc ve kablosuz
alglayc alar
(nesneleri hissetme), gömülü sistemler (nesneleri düünme) ve
nanoteknoloji
(nesneleri küçültme) gibi teknolojik gelitirmeleri bir araya
getirerek dünyadaki
objeleri hem algsal hem de akll tarzda balayacan ileri sürmütür
[8].
6
2.2. Benzer Kavramlar
Machine to Machine (M2M): M2M farkl cihazlarn kablolu ya da
kablosuz
haberlemesini salayan teknolojiyi ifade etmektedir. M2M ile içinde
insanlarn
olmad yalnzca makineler aras bilgi aknn saland özel iletiim
ortamlar
oluturulmaktadr [9].
arayüzler içermektedir. M2M’ in daha geniletilmi kullanmdr.
Nesnelerin Webi (WoT): Nesnelerin nternetinden farkl olarak,
nesneler WEB
standartlar ile iletiim salamaktadr. Her eyin WEB’ inde nesneler,
makinalar ve
insanlar birbiri ile iletiimini WEB standartlar ile yapmaktadr
[10].
Her eyin nterneti (IoE): nsan, uygulama, servis, veri ve nesneleri
bir araya getiren
yapdr.
Endüstri 4.0: nsan gücüne gereksinim duymayan, kendi bana
faaliyette bulunan,
kendi kendini denetleyen, kendi kendini iyiletiren ve birbirleriyle
sürekli iletiim ve
koordinasyon halinde olan makine ve üretim sistemlerinin üretim ve
datm
faaliyetlerini gerçekletirmesine dayanmaktadr [11].
- Kablosuz alglayc ve eyleyici alar: Geni sahalar üzerinde anlk
koullarn
uzaktan izlenmesini gerektiren uygulamalarda kablosuz alglayc
alar
(KAA) kullanlmaktadr [12].
- RFID, NFC: RFID maddelerin benzersiz radyo dalgalar kullanlarak
tespit
edildii bir ilemdir, NFC RFID teknoloji ailesinin içerisinde
bulunan özel bir
alt kümedir. Ödeme sistemleri, güvenlik, kimlik oluturma gibi
alanlarda
kullanlmaktadr [13].
- Wi-Fi: Tablet, telefon, akll saat, ses oynatclar, televizyon,
oyun konsolu
ve benzeri cihazlarn kablosuz olarak birbirlerine
balanmasndan
kullanlmaktadr [14].
haberlemenin yaplaca alan hücre ad verilen küçük alanlara
bö1ünmütür.
Her hücrenin merkezinde bir baz istasyonu bulunur. Mobil
telefonlar
haberlemelerini baz istasyonu üzerinden yaparlar. Baz
istasyonlar
birbirlerine bir a yaps eklinde baldr [15].
- Makine Örenimi: statistik, matematik ve bilgisayar bilimlerinin
kesiim
noktasnda bulunan, var olan bir veri seti üzerindeki yapy,
çeitli
algoritmalar kullanarak en iyi ekilde tespit eden ve bu yapnn
olas
sonuçlarn yeni gelecek veriler üzerinde dorulayarak gelecee
yönelik
tahminlerde bulunan yöntemler bütünüdür [16].
- Büyük Veri (Big Data): Birbirlerinden farkl veri kaynaklarndan
toplanan
geni veri dermelerinin analizi, ilenmesi ve depolanmas olarak
tanmlanabilmektedir. Bu veriler, pazarlama, halkla ilikiler,
bankaclk,
güvenlik vb. pek çok alann yannda aratrmaclarn yaptklar
aratrmalarda
kullanlabilir nitelik tayabilmektedir [17].
internet üzerinden istee bal olarak sunulmasdr [17].
- IoT Sistemleri Güvenlii (IoT Security): Yetersiz kimlik/izin
dorulama,
güvensiz web arayüzü, güvensiz a hizmetleri, iletimde
ifreleme/bütünlük
dorulama eksiklii, güvensiz bulut arayüzü, yetersiz fiziksel
güvenlik gibi
unsurlarn göz önüne alnd kavramdr [18].
8
2.4. Nesnelerin nterneti Referans Modeli
ekil 2.1.’deki gibi yönetim ve güvenlik yeteneklerine sahip dört
katmandan
olumaktadr.
Uygulama katman, nesnelerin interneti uygulamalarn
içermektedir.
Servis destek ve uygulama destek katman genel destek yetenekleri ve
özel destek
yetenekleri olmak üzere iki balk altnda incelenmektedir. Genel
destek yetenekleri,
veri ileme ve veri depolama gibi farkl IoT uygulamalar tarafndan
yaygn
kullanlan yeteneklerdir. Bu yetenekler ayrca özel destek
yetenekleri tarafndan da
çarlabilmektedir. Özel destek yetenekleri ise farkllatrlm
uygulamalarn
gereksinimlerini karlayan belirli yeteneklerdir. Farkl IoT
uygulamalarna farkl
destek veren fonksiyonlar salamak için çeitli detay yetenekler
içermektedir [19].
A katman a yetenekleri ve tama yetenekleri olmak üzere iki tipte
hizmet
vermektedir. A yetenekleri, eriim ve tama kontrol ilevleri,
mobilite yönetimi
veya yetkilendirme, dorulama gibi kontrol fonksiyonlarn
salamaktadr. Tama
9
yetenekleri, IoT servislerinin özel veri tama yan sra kontrol ve
yönetim
bilgilerinin de tanmas için balant salamaktadr [19].
Cihaz katman mantksal olarak cihaz yetenekleri ve a geçidi
yetenekleri olarak iki
çeit yetenek olarak snflandrlmaktadr. Cihaz yeteneklerinde,
cihazlar iletiim a
ile a geçidi kullanmadan dorudan etkileim ile ya da a geçidi
kullanarak dolayl
etkileim ile bilgi toplayabilir ve bilgi yükleyebilmektedir. Artan
ölçeklenebilirlik ve
hzl yaygnlatrma ihtiyac olan senaryolarda geçici alar
oluturabilmektedir.
Ayrca cihaz enerji tasarrufu için uyku ve uyanma
mekanizmalarn
destekleyebilmektedir. A geçidi yetenekleri, cihaz katmannda veri
yolu, ZigBee,
Bluetooth veya Wi-Fi gibi kablolu ya da kablosuz teknolojilere
balanlmasnda
hizmet vermektedir. A katmannda ise kamusal anahtarlamal telefon a
(PSTN),
ikinci (2G) veya üçüncü nesil (3G) ebekeler, uzun vadeli geliim
alar (LTE) gibi
çeitli teknolojiler ile iletiim kurulabilmektedir [19].
IoT yönetim yetenekleri, hata yönetimi, performans ve güvenlik
yönetimi gibi
geleneksel hata, yaplandrma, muhasebe, performans ve güvenlik
(FCAPS)
snflarn kapsamaktadr [19].
uygulama verileri gizlilii; a katmannda yetkilendirme, kimlik
dorulama, veri
kullanma, veri gizlilii ve sinyal bütünlüünün korunmas, cihaz
katmannda
yetkilendirme, kimlik dorulama, cihaz bütünlüünün korunmas ve eriim
kontrolü
yeteneklerini kapsamaktadr [19].
yardmc olan akll alglama yetenei, kendi kendine örenme yeteneine
sahip
akll alglayclar, hareket sensörü gibi alglayclar ile enerji
korunumu salanmas
10
çevre cihazlar ile konuabilme yetenei ile balant a ile iletiime
geçme, erken
uyar sistemleri ile güvenlik salama yetenei olarak
sralanabilmektedir [2].
ekil 2.2. Nesnelerin interneti özellikleri
2.6. Büyük Veri
sitelerindeki ziyaret verileri, e-ticaret sitelerindeki alveri
hareketleri, stok takip
sistemlerindeki sat hareketleri, borsa ve döviz kurlar verileri,
kiilerin salk
verileri ve nesnelerin interneti cihazlar ve uygulamalar büyük
miktarlarda bilgi
üretmeye ve bu büyük ölçekteki bilgileri diskler üzerine kaydetmeye
balamtr
[20].
ilenen veya tanan sinyaller”, “anlaml hale dönütürülmemi bitler”
veya
“birbiriyle balants henüz kurulmam bilinenler” olarak
tanmlanabilmektedir.
Bilgi, verinin belli bir anlam ifade edecek ekilde ilenip,
belirsizliinin
azaltlmasyla elde edilir. Elde edilen bilginin tecrübe veya örenme
anlalmas öz
bilgi olarak ifade edilir. Güvenilir kararlar vermek için öz
bilginin nasl
kullanlacan kavramak bilgelik olarak isimlendirilir. Bilgi, veri
içeriindeki
bilinmezliklerin giderilmesi ile, öz bilgi, bilginin anlam ve
içeriinin anlalmas ile,
bilgelik, elde edilen birikimin içselletirilmesi ile elde edilir.
Bilgelik admnda
oluan deerin belirli bir amaca dönütürülmesi veya dönütürülmü
haline karar ya
da hedef ad verilmektedir [21].
11
gereken kararlarn ortaya konulmas gerekmektedir. Karara veya hedefe
ulalmas
istenilen bu veriler dört balk altnda snflandrlmtr [21].
- Eriilebilir Veri (Light Data): Herhangi bir zamanda kullanlmas
için eriime
açk ve kullanma hazr olan veri kümesidir.
- Veri Parças (Data Spot): Analiz yaplrken dikkate alnan ve
eriilebilir
verinin alt kümesi olarak snflandrlmaktadr.
- Gri Veri (Gray Data): Analiz edilen sistemin bir parças olan,
eriilemeyen
ancak nitelikli hipotezler üretmekte kullanlan veri
gruplardr.
- Karanlk Veri (Dark Data): Bilinmeyen veya bilinmediinin de
farknda
olunmayan, herhangi bir gruplandrma yaplamayan veri
kümesidir.
Büyük veri, hzl bir ekilde farkl formatlarda üretilen büyük hacimli
verileri olarak
adlandrlmaktadr [21]. Veri kümelerinin hzla genilemesi bunlarn
ilenmesini,
saklanmasn ve gerektiinde tanmasn zorlatrm ve bu ilemler ciddi
problem
haline gelmitir. Büyük veri kavram, bir baka ifade ile verilerin
analiz edilmesi ve
saklanmasnda klasik yöntemlerin yetersiz kald ve klasik yöntemler
ile bu
ilemlerin yönetilmesinin mümkün olmad veri kümeleri için
kullanlmaktadr [22].
Dünya üzerinde internete balanan insan ve cihaz says her geçen gün
hzla
artmaktadr. Bu hzl yükseli bir o kadar da veriyi beraberinde
getirmektedir. 2017
ylnda dünya genelinde 3,8 milyar insann internet kulland
raporlanmtr. 2018
ylnda, twitter kullanclar dakikada 473.400 tweet atarken, instagram
kullanclar
49.380 fotoraf paylamaktadr. Dakikada 4.333.560 youtube kullancs
video
izlerken 1,25 yeni bitcoin üretilmektedir [23]. Facebook kullanclar
dakikada
136.000 fotoraf paylamakta ve 510.000 yorum yapmaktadr ve her
ziyaretlerinde
12
ortalama 20 dakika harcamaktadrlar [24]. Google ise saniyede 40.000
arama yapp,
günlük 3,5 milyar sorguya ulamaktadr [25].
Büyük veri, geçmite oluturulan bilgileri kullanarak gelecee yönelik
tahminleme
frsat salamaktadr. Örnein, bir süper market zinciri, hangi bölgede
hangi gün ve
saatlerde hangi ürünlerin müterileri tarafndan daha sk satn alnd
bilgisini büyük
veri ile elde etmektedir. Bu bilgileri kullanarak gelecekteki
kampanya ve
indirimlerini düzenleyebilir ve maazalardaki çalan saysn verimli
bir ekilde
tekrar belirleyebilmektedir. Büyük veri çalmalar ile imdiye kadar
kayt altna
alnmayan verilerin de kullanlarak, çevrimiçi raporlamalar ile i
süreçlerindeki
yönetim kabiliyeti ve müteri memnuniyetinin arttrlmas ve ekonomik
kazanmlar
hedeflenmektedir [26].
- Çeitlilik (Variety): Farkl kaynaklardan, farkl formatlar ve
farkl
karmaklk düzeyi ile gelen verilerin saklanabilmesi ve ilenebilmesi
ile
anlamsal bütünlüün elde edilmesini içermektedir.
- Hacim (Volume): Büyük veri içeriindeki veriler tpk uzay boluu
gibi
devaml genileyerek büyümektedir. Bu bileen verinin her geçen gün
artan
büyüklüünü ifade etmektedir.
- Hz (Velocity): Büyüklüü devaml ve hzla artan verinin yönetiminin
de bir
o kadar hzl olabilme ihtiyacn belirtmektedir.
- Doruluk (Veracity): Üretilen verilerin doruluunun
salanabilme
problemini belirtmektedir. Üretilen veriler dardan herhangi bir
deieme
maruz kalmadan güvenli bir biçimde sisteme alnp deerlendirilmesi
ve
saklanmas gerekmektedir.
olmas anlamna gelmektedir.
13
Büyük veri analizi veri toplama, veri düzenleme ve veri ileme
balklar ile 3
admda olumaktadr. Veri toplama ilemi s, nem, metin, görsel gibi
bilgilerin
güvenli bir ekilde internet üzerinden veya sensörlerden alnmas
anlamna
gelmektedir. Veri düzenleme ise alnan verilerin üzerindeki gerekli
düzenleme
ilemlerinin yaplmasn ifade etmektedir. Verinin yorumlanma ksm ise
Hadoop ve
MapReduce gibi açk kaynak kodlu kütüphaneler ile hzl bir ekilde
yorumlanmas
ve i zekâsnn oluturulmas anlamna gelmektedir [20].
2.7. Bulut Biliim
kaynaklarn, internet araclyla eriilebilir bir teknolojik tasarmdr.
Bulut biliim
geni bir çemberde yaygnlam birbirine bal yaplarn oluturduu büyük
ölçekli
sunuculardan olumaktadr. Veri depolamak ve barndrmak, uygulama
koturmak
veya sosyal medya içerikleri üretip bunlar yaygnlatrmak için bu
sunuculardan
faydalanlmaktadr [27]. Ksaca bulut biliim kullanclarn internet
üzerindeki
ilerini yürütmesinde biliim sistemlerine ilikin hizmetlerini üçüncü
taraftan almas
anlamna gelmektedir [28]. Bu hizmetlerin temel amac ise, hizmet
talep eden
kullanclar biliim sistemlerinin alt yapsndan soyutlayarak,
karmak
konfigürasyonlar basitletirip yaplandrma ayarlarn sadeletirmek ve
platform
bamsz olarak sürekli eriim imkan salamaktr. En düük kapasiteli bir
cihaz
kullanarak dahi herhangi platform, zaman ve eriim kst olmadan
istenilen
hizmetlere eriimi mümkün klmaktadr [29]. Eriim kolayl basit
yönetilebilirlik
ve yaplandrlabilme avantajlar ile kullanm yaygnlamaktadr.
Klasik biliim sistemleri yaplandrmasnda, kullanclar bilgisayar ve
dier
cihazlarnn yan sra uygulama ve servis hizmetlerinin kotuu
sunuculara,
depolama birimlerine sahiptir. Bu alt yapy barndran sistem odalar,
jeneratör,
kesintisiz güç kaynaklar, iklimlendirme donanmlar, yangn ve
güvenlik tedbirleri
ilerin salkl yürütülmesi açsndan zorunludur. Tüm bu gereksinimler
maliyetlerin
artmasna sebep olmaktadr. Bu klasik yaplanmadaki olumsuzluklar
bulut biliimin
14
sahip olduu avantajlar ile en az seviyeye indirgenmektedir. Bu
özellikler öyle
sralanabilmektedir [30];
- Sisteme eriim platform bamszdr.
fiyatlandrlmaktadr.
- Alt yap temin ve kurulum masraflarn ortadan kaldrarak yaplmak
istenilen
ie hzl odaklanmay salamaktadr.
Bulut biliim hizmetleri temel olarak üç farkl katman halinde
sunulmaktadr [31].
- Yazlm Hizmeti (Software as a Service – SaaS): Geleneksel olarak
cihazlara
kurulan yazlmlara, internet üzerinden bir tarayc ile eriiminin
ve
kullanmnn mümkün klnmas anlamna gelmektedir. Kullancnn eriim
için herhangi bir yazlm yükleme ve sunucu bilgilerine ihtiyac
olmamaktadr.
iletim sistemi, veri taban yönetim sistemi ve a yaplandrmas
ihtiyaçlarna
bulut içerisindeki sunuculardan cevap verilmesidir.
- Altyap Hizmeti (Infrastructure as a Service – IaaS): Kullancya
ilemci
gücü, bellek ve depolama, a hizmetleri gibi iletim sistemi ve
dier
yazlmlar kurabilecei sanal donanmlarn temin edilmesidir.
15
- Açk Bulut(Public Cloud): nternet üzerinde genel kullanma açk
olan
hizmetlerdir. Bu hizmetlere eriim ücretsizdir veya kullanm adedi
kadar
ücretlendirilir.
kullancya özel oluturulmu yaplardr. Kullanclar bulut yapsn
kendileri
barndrabilir ve bilgi teknolojileri birimleri tarafndan
yönetilebilmektedir.
- Topluluk Bulutu (Community Cloud): Bulut alt yapsnn ortak
amaçlarla
hareket eden kullanclar tarafndan paylalmasdr.
- Melez Bulut (Hybrid Cloud): Genel ve özel bulut mimarilerinin
birlikte
kullanlmasyla ortaya çkmaktadr. Kullanclar kendi barndrdklar
özel
hizmetler ile beraberinde dardan da hizmet alabilmektedirler.
Kullanclarn bilgi ilem birimleri tarafndan salanan biliim
hizmetlerini d
hizmet salayc firmalardan temin etmeleri, bu hizmetlere internet
üzerinden
erimeleri, teknik altyap ve yönetimi salayc firmalara brakmalar
anlamna gelen
bulut biliim firmalarn dikkatle üzerinde durmalar gereken bir
yeniliktir [31].
BÖLÜM 3. HASSAS TARIM
Hassas tarm teknolojisi (HTT); bilgi ve teknolojiyi tarmsal üretime
dahil ederek
tarmsal iletmecilii tamamyla deitirebilecek yeni ve gelime aamasnda
olan bir
teknolojidir. Tarmsal devrimin temelini oluturan Hassas Tarm
Teknolojileri; uydu
teknolojisi, elektronik ölçüm ve kontrol sistemleri, alglama
sistemleri ile bilgisayar
yazlmlar gibi yüksek teknolojiler ile tarmsal uygulamalar
gelitirerek, karllk ve
tarmsal etkinliin arttrlmasn ve çevreyi korumay amaçlamaktadr
[32].
Hassas tarm teknolojileri, elektronik ve kontrol sistemleri ile
bilgisayar ve veri
taban ilemlerini ortak bir yapda buluturarak teknoloji tabanl tarm
faaliyeti
yaklamn ortaya koymaktadr [33]. Hassas tarm uygulamalarnn
temelinde
arazinin artlarnn doru bir ekilde belirlenip, belirlenen toprak
ihtiyaçlar
dorultusunda gereken ilemlerin yaplmasn içermektedir [34].
Tarma uygun en ideal toprak kalitesi için topran fiziksel, kimyasal
ve biyolojik
özellikleri belirlenmelidir [35]. Tarma uygun en ideal toprak
kalitesi için topran
fiziksel, kimyasal ve biyolojik özellikleri belirlenmelidir.
Verimli bir toprakta %45
mineral madde, %5 organik madde, %25 nem (su) ve %25 oksijen
bulunmaldr.
Topran dokusunu oluturan mineral madde miktarnda kum, silt(mil) ve
kil oranlar
yaklak eit deerlerde olmaldr. Topran su tutmas, havalanabilmesi ve
kök
geliimi için bu oranlar önemlidir. Topran fiziksel özelliklerini
iyiletirmek, kum-
silt-kil oranlarn düzenlemek, toprak derinlii, eimi ve taban suyu
seviyesini
düzenlemek ekonomik olarak çok zor ve pahal bir ilemdir. Ancak
topran
kimyasal ve biyolojik özelliklerini iyiletirebilmek ekonomik olarak
mümkündür
[36].
17
Tablo 3.1.’de görüldüü üzere ülkemizdeki tarm arazilerinin alan her
geçen gün
azalmaktadr. Hzla artan nüfusun besin ihtiyaçlarnn karlanmas bu
tarm
arazilerinin verimli kullanmn zorunlu hale getirmitir. Bu
zorunluluk göz önüne
alndnda tarmsal faaliyetlerde geleneksel tarm yöntemlerin yerini
teknolojik alt
yap ve donanmlarn yer ald yöntemleri kullanmak, en yüksek verimi
almak için
gereksinim haline gelmitir.
(Bin
Hektar -
Thousand
Hectares)
Toplam
Nadas
Fallow
land
2005 41 223 18 005 4 876 894 - 2 831 14 617
2006 40 493 17 440 4 691 850 - 2 895 14 617
2007 39 504 16 945 4 219 815 - 2 909 14 617
2008 39 122 16 460 4 259 836 - 2 950 14 617
2009 38 912 16 217 4 323 811 - 2 943 14 617
2010 39 011 16 333 4 249 802 - 3 011 14 617
2011 38 231 15 692 4 017 810 4 3 091 14 617
2012 38 399 15 463 4 286 827 5 3 201 14 617
2013 38 423 15 613 4 148 808 5 3 232 14 617
2014 38 558 15 782 4 108 804 5 3 243 14 617
2015 38 551 15 723 4 114 808 5 3 284 14 617
2016 38 328 15 575 3 998 804 5 3 329 14 617
2017 38 002 15 536 3 697 798 5 3 348 14 617
2018 37 817 15 436 3 513 784 5 3 462 14 617
18
Tablo 3.2.’de görüldüü gibi organik tarm uygulamalar son yllarda
art
göstermitir. Bu artn en önemli nedeni kimyasal gübre ve
pestisitlerin insan sal
üzerindeki olumsuz etkileridir. Ancak kullanlan bu kimyasal
gübrelerin insan
salna olduu kadar ekosisteme de zarar vardr. Tarm arazilerinde
kimyasal
gübre kullanm çevreye önemli oranda kirletici yaylmasna neden
olmaktadr. Bu
kirleticiler topraktaki tuzluluk orannn artna, ar metal birikimine
ve sulardaki
plankton ve alg varlnn ar ekilde çoalmasna sebep olmaktadr. Ayrca
gübre
yapsndaki maddeye göre atmosfere sera gaz salm
gerçekletirmektedir.
Bunlardan en önemlilerinden biri, karbondioksite oranla 300 kat
daha etkili olan
nitrözoksitlerdir [38]. Toplam tarm arazilerinde azal olmasna ramen
Tablo
3.3.’te gösterildii gibi kimyasal güre kullanm artmtr. Art gösteren
kimyasal
gübre kullanm insan salna olumsuz etkileri, ekosisteme olan
zararlar ve
üreticinin ekonomik maliyetleri açsndan deerlendirildiinde, tarmsal
faaliyetlerin
hassas tarm teknolojileri ile daha bilinçli ve kontrollü yaplma
ihtiyac ortaya
çkmaktadr.
Ürün says Çiftçi says
holdings Alan - Area
2010 216 42 097 510 033 1 343 737
2011 225 42 460 614 618 1 659 543
2012 204 54 635 702 909 1 750 127
2013 213 60 797 769 014 1 620 387
2014 208 71 472 842 216 1 642 235
2015 197 69 967 515 268 1 829 291
2016 238 67 878 523 777 2 473 600
2017 214 75 067 543 033 2 406 606
19
(Ton)
Kullanlan gübre - Fertilizer
Hassas tarm döngüsü araziden veri toplama, toplanan verilerin uygun
yöntemler ile
analiz edilmesi, analiz sonucunda bir karar çkts elde etmek ve
karar dorultusunda
uygulama gerçekletirmek olmak üzere sralanabilmektedir.
Veri toplama ilemi, toprak karakteristik özelliklerinin hzl ve
güvenilir bir biçimde
sisteme alnmasn kapsar. Bu admda gelimi konum belirleme sistemleri,
verim
sensörleri, toprak sensörleri, bitki sensörleri, yabanc ot
sensörleri kullanlmaktadr.
Analiz aamas, veri toplama aamas ile sisteme alnan verilerin
yaplacak
uygulamann belirlenmesi için gerekli olan karar çktsnn üretilmesi
amac ile
ilenme alnmas ilemidir. Bilgiler bir arada deerlendirilip, arazi
üzerindeki
tarmsal faaliyetleri etkileyen farkllklarn çkartlp farkllklarn
ilikisinin
çkartlmas bu admda gerçekletirilmektedir [39].
Hassas tarm döngüsünün sonuncusu uygulama adm VRAT olarak
isimlendirilen
deiken düzeyli uygulama teknolojisidir. Gübreleme, ilaçlama, sulama
gibi
deiken düzeyli uygulama girdilerinin ilem srasnda etkinliini
arttrmak
20
girdileri ihtiyaç kadar kullanlarak geleneksel yöntemlere göre
azaltmaktadr.
Uygulama ile sonuç olarak hem ekonomik kazanm elde edilirken hem de
girdilerin
çevreye olan etkileri en az seviyeye indirilmesi
salanmaktadr.
Tarm faaliyeti yürütülecek arazi farkl karakteristik özelliklere
sahip olabilmektedir.
Heterojen yapdaki parsellerin tümüne ayn uygulamay gerçekletirmek
doru
olamayan bir yaklamdr. Örnein uygulamann yaplaca arazideki
yüksek
bölgeler daha kuru ve nem oran düük iken alçak bölgeleri nemli ve
besin
bakmndan zengin olabilmektedir. Bu farkllklar iki bölgeye de
deiken
uygulamay zorunlu klmaktadr [39].
Araziler üzerindeki deikenlikler harita tabanl ve sensör tabanl
olmak üzere iki
yöntemle belirlenebilmektedir. Harita tabanl belirleme yönteminde
GPS, uzaktan
alglama, verim görüntüleme teknolojileri ile deiken düzeyli
uygulamay
gerçekletirmek mümkündür. Bu yaklamda arazi üzerinden alnan
örnekler
laboratuvarlarda analiz edilmektedir. Analiz sonucunda verim
haritas çkartlp
deiken düzeyli uygulama esnasnda bu haritann kullanlmasna
dayanmaktadr.
Sensör tabanl uygulamada ise uygulama aracna yerletirilen sensör
ile toprak ve
bitki ile ilgili verileri ilenmek üzere sisteme gönderilmektedir.
Verilerin analizi
sonucunda uygulanacak girdiler uygulamay gerçekletirecek olan
uygulama
elemanna gönderilerek ilemler gerçekletirilmektedir.
kullanarak yaptklar farkl düzeylerdeki sulama ile çim bitkisindeki
yansma ve
kalite deerlerini ölçmülerdir. Yaplan çalmada günlük buharlamann
%100,
%75, %50 ve %25 oranlarnda sulama yaplmtr. En iyi çim kalitesi %100
ve %75
oranlarnda yaplan sulama ile elde edilmitir. Sulama suyu
miktarndaki azalma çim
kalitesini olumsuz yönde etkiledii ortaya koyulmutur [40]. Arazi
üzerinde elde
edilen güvenilir veriler ile doru oran ve zamanda yaplacak sulama
faaliyetleri ile su
kaynaklarnn sürdürülebilir kullanm gereksinimi karlanmaktadr.
21
deerlendirilmesinde; tarla kapasitesi, devaml solma noktas ve
yarayl nem
kapasitesi esas alnmaktadr. Sulama zaman ve sulama suyu
miktarnn
hesaplanmasnda tarla kapasitesi ve devaml solma noktas toprak
nem
karakteristiinin belirlenmesinde önemli iki unsurudur [41].
3.1. Toprak Nemi Belirlenmesi
Tarmn var olduu ilk günden bu yana toprak su ilikisi ölçülmektedir.
Teknolojinin
ilerlemesi ile toprak su içeriinin belirlenmesi farkl teknikler
yardm ile daha doru
ve güvenilir olarak ölçülmeye balanmtr. Toprak su içeriinin
belirlenmesinde
kullanlan yöntemler, suyun kütlesinin belirlenmesi prensibine
dayanan direkt
yöntemler ve toprak su içeriine baml herhangi bir toprak özelliinin
ölçülmesi
prensibine dayanan endirekt yöntemler olmak üzere iki grupta ele
alnmaktadrlar
[42].
miktar belirlenerek, toprak içindeki su içerii belirlenmi
olmaktadr. Bu yöntemin
avantaj uygulamas ucuzdur ve hesaplamas kolay bir formüle
dayanmaktadr. Fakat
yenilebilir olmamas, topraktan alnan örneklerin toprak yapsn bozmas
gibi
dezavantajlar da mevcuttur [42].
Yöntem, kurutma ve tartma yöntemi olarak bilinmektedir. Bu yöntem
kullanlarak,
alnan örnekler tartlarak frnda (105 ± 5) °C’de kurutulmaktadr.
Kurutma ilemi,
birbirini izleyen iki tartm arasndaki farkn en az % 0,1 “deimez
kütle” ye ulaana
kadar devam edilmesi gerekmektedir. Sabit kütleye ulamak için
topraklarn çounu
16 saat ile 24 saat arasnda kurutmak yeterlidir [42].
22
mo: Bo kabn kapa ile birlikte kütlesi, g
m1: Nemli toprak örnei bulunduran kabn kütlesi, g
m2: 105 °C de kurutulmu toprak örnein kapla birlikte kütlesi,
g
3.1.1.2. Toprak neminin hacim esasna göre tayini
Yöntem yukardaki metot gibi, yine kurutma, tartma yöntemidir.
Burada hacim ve
younluk kavramlar iin içine girmektedir [42].
3.1.2. Endirekt yöntemler
genellikle topraa yerletirilen sensörler yardmyla gerçekletirilir.
Endirekt
yöntemlerin en büyük avantaj sensörlerin topraa bir kez
yerletirildikten sonra
toprak tapsna zarar vermeden devaml ölçüm salanabilmesidir. Temel
olarak
alnan 4 endirekt yöntem öyledir [42];
- TDR (Time Domain Reflectometry - Zaman Etkili Yansma Ölçer)
- Nötron Metreler
23
yerletirilen belli uzunluklardaki problarn arasndaki elektriksel
iyonlarn iletim hz
ve dalga ekillerinin topraktaki bileenler ve su miktarna ballklarnn
belirlenmesi
ile topraktaki nem oran belirlenmektedir [42].
3.1.2.2. Nötron metreler (NM)
Yöntem, hzl nötron saçan bir kaynaktan (nötron probe) çkan
nötronlarn, toprak
suyu tarafndan yavalatlmas ve yavalatlm nötron saysnn özel
sayaçlarla
ölçülmesi eklindedir. Bu yöntemin avantaj oldukça salkl toprak nemi
ölçümleri
elde edilebilmesidir. Fakat radyoaktif maddelerin çevresel açdan
kontrolünün
zorluu ve riski bu cihazlarn kullanmn kstlamaktadr [42].
3.1.2.3. Tansiyometreler
yöntemde toprak nemi gerilimini ölçme prensibi dikkate alnmaktadr.
Bu yöntemin
avantaj hzl ve kolay uygulanabilir olmasdr. Toprak su akn
engelleyen
parametreleri ölçebilmesi dier bir yeteneidir. Toprak yapsna bal
olmas, bakm
gerektirmesi, belli nem deeri altnda okuma yapamamas (0,85
atm)
dezavantajlardr [42].
Direnç bloklar ile ölçüm yöntemi, metal ileticiler arasndaki
elektrik direncinin
ölçülmesi ve bu direncin toprak nemi ile ilikilendirilmesi
prensibine dayanmaktadr.
Ölçülecek toprak neminin daldrma derinliine yerletirilerek
göstergesinde basnç
veya direnç okumas yaplmaktadr. Daha sonra kalibrasyonu srasnda
bulunan
fonksiyon kullanlarak toprak nemine geçi yaplmaktadr. Toprak nem
içerii ile
24
blok dirençleri arasnda, su miktar arttkça direncin dümesi, bir
iliki mevcuttur.
Ucuz ve kolay uygulanabilir olmas avantajlar olarak
deerlendirilirken, kaba
bünyeli topraklarda hassas ölçüm alnamamas, topraa gömülürken boluk
kalmas
kullanm süresi ksal dezavantaj olarak deerlendirilmektedir
[42].
3.2. Damla Sulama ve Önemi
Tükenen su kaynaklarnn korunumu ve tarm arazilerinin verimli
kullanm, baz
bitki türlerinin köklerinin derinde olmamas sebebi ile sk sk
sulamaya ihtiyaç
duymas, örtü alt yetitiriciliin yaygnlamas geleneksel sulama
yöntemlerinin
deiimini zorunlu klmtr. Bu konuda yaplan çalmalar az su tüketimi ve
bitki
geliimi için uygun koullarn oluturulmas ve bunlar ile birlikte
sulama esnasnda
bitkiye besin maddelerinin de verilebilecei damla sulama yöntemi
gelitirilmitir
[43].
Geçmiten günümüze kadar tarmsal sulamada en iyi verimi alabilmek
için çeitli
yöntemler denenmitir. Geleneksel yöntemler ile bitkilere eit oranda
ve ar
miktarda sulama uygulanmaktadr. Ar miktarda yaplan sulama
topraktaki
tuzluluu arttrr ve bitki köklerin bozulmasna ve çürümesine neden
olmaktadr [44].
Tuzluluu artan ve taban suyu kalitesi düen toprak tarmdaki çevresel
problemin
büyük bir bölümünü oluturmaktadr [45]. Damlama sulama, suyun düük
basnç
altnda yava yava fakat sk aralklar ile topraa uygulanmas
tanmlanmaktadr. lk
yatrm masraflarnn yüksek olmasna ramen salad faydalar ve
teknolojik
gelimeler ile birlikte kullanm yaygnlamtr. Suyun az ve pahal
olduu
bölgelerde, topran çok geçirgen ve arazi tesviyesinin ekonomik
açdan verimli
olmad ve pazar deeri yüksek olan bitkilerin yetitirildii yerlerde
damla sulama
kullanm avantaj salamaktadr. Bitkilerin kök bölgesinde yeterli
slanmay
salayabilmek için bitkinin türüne ve yana göre, topraktaki yatay
slanma
durumuna bal olarak bir veya daha fazla sulama bal
kullanlabilmektedir [46].
BÖLÜM 4. HASSAS TARIM UYGULAMASI
4.1. Kullanlan Teknolojiler
4.1.1. Raspberry Pi
amacyla gelitirilmi küçük boyutlu tek kartl bilgisayardr. Debian
Wheezy tabanl
Raspbian, Pidora, Snappy Ubuntu Core desteklenen ilemin
sistemlerindendir.
Çalmada yaplan uygulamada Raspbian kullanlmtr [47].
ekil 4.1. Raspberry Pi kart
Raspberry Pi zaman içinde çeitli versiyonlarla gelitirilerek
kullanclara
sunulmutur. Raspberry Pi versiyonlar öyledir;
Raspberry Pi 1 Serisi
26
Raspberry Pi Zero Serisi
Raspberry Pi 3 Serisi
- Pi 3 Model B
- Pi 3 Model B+
Çalmada Raspberry Pi 2 Model B v1.1 serisi kart kullanlmtr. Kartn
sahip
olduu özellikler öyledir;
BCM2836 SoC yonga seti barndrr.
- Grafik ilemci olarak Dual Core VideoCore IV® Multimedia
Co-Processor
kullanr. Grafik ilemci Open GL ES 2.0 destekler ve 1080p30 H.264
video
decode özellii sayesinde HDMI balants ile monitör veya
televizyon
balantsnda yüksek kalite destekler. Dorudan bellek eriimine sahip
DMA
ünitesi altyapsna sahiptir.
- RJ45 jack 10/100 Ethernet
- HDMI video çkna ve 3,5mm jack ses çkna sahiptir.
- 4 adet USB 2.0 soketleri ile çevre birimleri ile balant imkan
sunar.
- Kart üzerinde 2x20 sra halinde 40 adet 2,54mm pin bulunur. Pinler
lojik
seviyesi 3,3V olan 27 adet GPIO, I2C, SPI, UART görevleri içerir.
5V ve
3,3V güç çklar ile GND pinleri barndrr.
27
- letim sistemi SD kart üzerine kurulur ve Raspberry Pi kart SD
kart
üzerindeki iletim sistemi ile çalr. letim sisteminin kurulabilmesi
için en
az 4GB karta ihtiyaç vardr.
- Bo durumdaki akm tüketimi 350mA’ dir. En az 1.8A akm çk
verebilen
bir güç kayna ile beslenmesi tavsiye edilir [48].
4.1.2. ESP8266
Hem kablosuz aa balanabilen hem de kablosuz a eriim noktas
oluturabilen wifi
modüldür. Üzerinde bulundurduu kendi ilemcisi ile giri/çk pinleri
ile elektronik
devrelere balanabilir ya da mikro kontrolcüler ile de
kullanlabilmektedir.
ekil 4.2. ESP8266
ESP8266 üzerinde barndrd ilemci ve depolama yetenekleri ile sensör
ve dier
uygulama özel cihazlara GPIO pinleri ile balanarak en az gelitirme
ve çalma
srasnda en az yükleme maliyeti sunmaktadr. çerdii anten, güç
yönetimi
dönütürücüleri minimum harici elektronik devre gerektirir. Tüm
entegrasyonlar
minimum PCB alann kapsayacak ekilde tasarlanmtr.
Gelimi sistem özellikleri, enerji verimlilii yüksek VoIP
uygulamalar için hzl
uyku/uyanma, düük güç kullanm için uyarlanabilir radyo beslemesi,
gelimi
sinyal ileme ve hücresel, Bluetooth, DDR, LVDS, LCD parazitleri
ayklama birlikte
çalabilirlik yetenekleri salamaktadr.
- Dahili TCP/IP protokol yn
- SDIO 1.1/2.0, SPI ve UART destei
- STBC, 1x1 MIMO, 2x1 MIMO
- 2ms’ den daha az uyanma ve veri paketi alma süresi
- 1mW’ dan dan daha az bekleme modunda güç tüketimi
ESP8266’ da mobil, giyilebilir teknolojiler ve nesnelerin interneti
uygulamalar için
en düük güç tüketimini hedefleyerek tasarlanmtr. Güç tasarrufu
mimarisi aktif
mod, uyku modu ve derin uyku modu olmak üzere 3 farkl mod
içermektedir.
Gelimi güç yönetim teknikleri ve güç kesme fonksiyonlarna ihtiyaç
duymadan
uyku ve aktif modlar arasnda geçi yapabilmektedir. Uyku modunda
12uA ve 1mW’
dan dan daha az enerji tüketmektedir. 0.5mW enerji tüketimi ile de
balant noktasna
bal kalabilmektedir. Uyku modunda, yalnzca kalibre edilmi gerçek
zamanl saat
ve watchdog zamanlaycs aktif kalr. Gerçek zamanl saat, cihaz
istenen bir aralkta
uyandrmak için programlanabilmektedir.
Minimum uyanma süresi özellii sayesinde mobil cihazlarda SoC
olarak
kullanlabilmesini salamtr.
- Endüstriyel kablosuz kontrol
- Ev otomasyonu
- Giyilebilir teknolojiler
ESP8266 düük güç tüketimine sahip micro 32-bit ilemci içermektedir.
Bu ilemci
ile aadaki arabirimler oluturulabilmektedir.
RAM / ROM ara yüzü (iBus)
- Bellek denetleyicisine gitmekte kullanlan veri RAM arayüzü
(dBus)
- Register eriimi için AHB arayüzü
- Hata ayklamak için JTAG arayüzü
Bellek denetleyicisi ROM ve SRAM içermektedir. lemci iBus, dBus ve
AHB
arayüzü kullanarak erimektedir. Bu arayüzlerden herhangi biri ROM
veya RAM
modüllerine eriim talep edebilir ve bellek kontrol yöneticisi bu 3
arayüze ilk gelene
ilk hizmeti alr esasna göre çalmaktadr.
Seri arayüz (SI), EEPROM veya dier I2C / SPI cihazlarn kontrol
etmek için iki, üç
veya dört kablolu veri yolu yaplandrmasnda çalmaktadr. 2 kablolu
veri yolu
paylalarak, farkl cihaz adreslerine sahip birden fazla I2C
cihaz
destekleyebilmektedir.
Donanm yazlm tarafndan çeitli fonksiyonlar atanabilen GPIO
pinleri
bulunmaktadr. Her bir pin dahili pull up/pull down, kesme tetikleme
girii, open-
drain veya push-pull çk sürücüsü, bir register kaydnn çk kayna veya
bir
sigma-delta PWM DAC olarak konfigure edilebilmektedir [49].
4.1.3. Apache Spark
Büyük veri kümeleri ile paralel çalarak üzerinde ilem yaplmasn
mümkün klan
kütüphanedir. Scala, Python, Java ve R gibi üst seviye programlama
dilleri ile
30
gelitirme imkan sunmaktadr. SQL sorgular için Spark SQL, makine
örenmesi
(ML) için MLib, graph ilemleri ile çalmak için de GraphX araç
setleri
barnmaktadr [50].
Apache spark, 2009 ylnda Matei Zaharia tarafndan Berkeley
Üniversitesi AMPLab
laboratuvarnda gelitirmeye balanmtr [51]. Açk kaynak kodlu olarak
gelitirilen
apache spark datk sistemlerde veri analizi ilemlerini
gerçekletirmekte
kullanlmaktadr. Temek olarak Apache Hadoop’ a benzer yapda
bilgisayarlardan
oluan bir küme üzerinde datk olarak hzl bir ekilde bilgi
ileme
yapabilmektedir. MapReduce modelinde bulunan disk tabanl çalma
prensibinin
iteratif ilemlerde neden olduu maliyetlerden dolay ortaya çkmtr
[52]. Yn
ileme ve gerçek zamanl veri ileme yetenekleri oldukça gelimitir
ve
Planla/Küçült (Map/Reduce) modeli üzerine kurgulanmtr. MapReduce
modelinden
farkl olarak datk bellek içi veri ileme özelliine sahiptir. Apache
Spark
teknolojisi verileri bellek içerisinde saklanmaktadr ve tekrar
kullanm srasnda I/O
ilemine ihtiyaç duyulmaz. Bellek içi veri ileyebilme yetenei
sayesinde Apache
Hadoop’ a göre 100 kat daha hzl olduu tespit edilmitir
[22][52].
Apache Spark kendisine özel belirli bir dosya sistemine sahip
deildir ve Apache
Spark, HDFS, Cassandra, Amazon S3 ve Kudu gibi datk dosya
sistemlerinden veri
okuyabilmektedir. Kendine ait Spark Standalone adnda kaynak
yöneticisine sahiptir.
Kendi kaynak yöneticisinin yan sra Apache Mesos, Hadoop YARN ve
Amazon EC2
kaynak yöneticilerinin kullanlabilmesini desteklemektedir. Apache
Spark datk
sistemler üzerinde çalrken kaynak yönetim uygulamasnn karar
verdii
düümlerden birisinde ya da kodun çaltrld düüm üzerinde ana düüm
(driver
31
çaltrc düümler (executer node) oluturulmaktadr [22].
ekil 4.4. Apache Spark çalma prensibi [9]
Apache Spark temel bileenleri aadaki gibi snflandrlmaktadr.
4.1.3.1. Spark Core ve RDD
Spark Core, Apache Spark’ a ait tüm bileenlerin temel ald ve Spark’
n çekirdei
olarak isimlendirilen kütüphanedir. Üzerinde ilem yaplacak yn
parçalarna Esnek
Datk Veriseti (Resilient Distributed Dataset – RDD) ad
verilmektedir. Her bir
RDD deitirilemeyen, paralel olarak ilenebilen bir veri listesidir
[53]. Bellek içi
veri ileme üç aamada gerçeklemektedir; RDD oluturulup, dönütürüp ve
aksiyon
alnr. Fiziki diskte yer alan veri RDD basamanda geçici bellee tanr
[52]. RDD’
ler herhangi herhangi dosya sisteminden alnan verilerden
oluturulaca gibi
kullanclar tarafndan spark programnda da üretilebilir. Üretilen
RDD’ ler
bölümlenerek çaltrc düümlerde ilenir. Elde edilen sonuçlar ana
düüme
gönderilebilir veya herhangi bir datk dosyalama sistemine
yazlabilmektedir [22].
4.1.3.2. Spark SQL
Apache Spark’ n 1.3 versiyonu ile beraber gelmitir. Spark SQL
beraberinde yeni bir
veri saklama yöntemi olan DataFrames yaplarnn getirmitir. Spark
SQL, yapsal
32
olmayan verileri bellek içerisinde DataFrames yaplar ile
saklamaktadr ve SQL
diline benzer bir dil ile sorgulanmas salamaktadr. Spark SQL ile
MySQL, Oracle
ve MSSQL gibi ilikisel veri tabanlarna da okuma ve yazma
yaplabilmektedir.
Ayrca HQL (Hive Query Language) destei de bulunmaktadr.
4.1.3.3. Spark MLib
adnda makine örenmesi kütüphanesi gelitirilmitir. Snflandrma,
regresyon,
kümeleme gibi veri madencilii yeteneklerini içermektedir
[54].
4.1.3.4. Spark Streaming
TCP soketleri gibi birçok kaynaktan alnabilmektedir. Veriler
haritalama, azaltma,
birletirme gibi üst düzey ilevlerle ifade edilen karmak
algoritmalar kullanlarak
ilenebilmektedir. Son olarak, ilenen veriler dosya sistemlerine,
veri tabanlarna ve
canl gösterge panolarna aktarlabilmektedir [55]. Spark Streaming
ile akan veriler
düzenli olarak Spark Core çekirdeine iletilmektedir. Bu durumda
akan veriler
Apache Spark tarafndan analiz edilmekte olup zaman ve bellek
avantaj
salanmaktadr [22].
33
Büyük verileri kaynandan alnp hatasz, hzl ve ölçeklenebilir bir
ekilde
ilenecekleri ortamlara transfer eden mesaj kuyruk yapsdr. Apache
kafka büyük
boyutlardaki verileri çok küçük bir gecikme ile gerçee yakn sürede
transfer
etmektedir [56]. Zookeeper kütüphanesi sayesinde datk çalma
yetenei
kazanmtr. Zookeeper cluster ve cluster içindeki broker yaplarnn
yönetiminden
sorumludur.
Mesajlarn tutulaca kategoriler konular (topic) olarak
adlandrlmaktadr. Konulara
mesaj gönderen düümler üretici (producer), bal dinleyerek mesajlar
alanlara ise
tüketici (consumer) ad verilmektedir. Her sunucu içindeki
bölümlerden yalnzca
birisi lider olarak çalmaktadr. Lider okuma ve yazma görevlerini
yerine getirirken
takipçiler pasif durumda lideri kopyalar ve bir mesaj birden fazla
makine üzerinde
saklanabilmektedir. Böylece lider herhangi bir zamanda görevini
yerine getiremezse
takipçilerden birisi lider olarak ilemlere devam etmektedir.
Apache Kafka teknolojisi kullanclarna 3 önemli özellik
sunmaktadr:
- Mesaj kuyruu ve kurumsal mesajlama gibi aklara abone olmak
veya
mesaj yaynlamak
34
Kafka genellikle sistemler veya uygulamalar arasnda güvenilir bir
ekilde veri alan
gerçek zamanl veri ak boru hatlar oluturmakta ya da veri akn
dönütüren veya
bu veri akna tepki veren gerçek zamanl uygulama oluturmakta
kullanlmaktadr.
Kafka’ nn dört temel bileeni vardr.
Üretici (Producer) API: Bir veya birden fazla kafka konusuna mesaj
yaynlamay
salayan hizmettir. Sunucuya aktarlmayan kaytlar tutan bir arabellek
alan
havuzunun yan sra bu kaytlar isteklere dönütürmek ve kümeye
iletmekten
sorumlu olan bir arka plan I/O i parçasndan olumaktadr. Send()
metodu ile
mesajlar gönderilmektedir. Send() metodu asenkron çalmaktadr ve
çarldnda,
kayd bekleyen bir kayt arabelleine ekleyip derhal geri dönmektedir.
Acks config,
isteklerin tamamland düünülen kriterlerinin gerçeklemesini kontrol
etmektedir.
Talebin baarsz olduu durumda üretici tekrar deneme yapabilmektedir.
Yeniden
denemeyi etkinletirmek, verilerin çoklanma olasln da beraberinde
getirmektedir
[56].
Tüketici (Consumer) API: Uygulamann bir veya daha fazla konuya
abone olmasn
ve kendilerine üretilen kayt akn ilemesini salamaktadr. Tüketici
veri toplamak
için gerekli brokerlar ile TCP balantsn sürdürmektedir. Kullanmdan
sonra
balantnn kapatlmamas bu balantlar szdrmaz. Kafka, bir bölümdeki her
kayt
için saysal bir offset deeri tutmaktadr. Bu ofset, bu bölüm
içindeki bir kaydn
benzersiz bir tanmlaycs olarak ilev görür ve ayn zamanda
tüketicinin bölümdeki
konumunu belirtmektedir. Tüketici bir mesaj aldnda offset deeri
otomatik olarak
ilerler ve bir sonraki deeri verilmektedir. Bu offset deeri baarsz
ilemlerde veri
kaybn engellemek ve geri kazanmak için kullanlmaktadr. Teslim
edilen son offset
güvenli bir ekilde saklanmaktadr ve ilemin baarsz olma durumunda
veya
yeniden balama durumunda buradan geri elde edilebilmektedir.
Tüketici periyodik
olarak sunucuya kalp at göndermektedir. Tüketici çöküyorsa veya
belli bir süre
kalp at göndermezse tüketici ölü olarak kabul edilmektedir
[56].
35
Streams API: Kafka Streams, Kafka'da depolanan verilerin ilenmesi
ve analiz
edilmesi için bir istemci kütüphanesidir. Olay zaman ile ilem zaman
arasnda
düzgün bir ekilde ayrm yapmak ve basit fakat etkili yönetim sunmak
ve uygulama
durumunun gerçek zamanl sorgulanmas gibi önemli ak ileme kavramlar
üzerine
kurulmutur. Tek bir makineye küçük ölçekli bir örnek yazlabilir
ve
çaltrlabilmektedir. Yüksek hacimli i yüklerine kadar ölçeklendirmek
için
yalnzca uygulamann ek örneklerini birden fazla makinede
çaltrmak
gerekmektedir. Kafka Streams, Kafka'nn paralellik modelini
kullanarak ayn
uygulamann birden fazla örneinin yük dengelemesini effaf bir
ekilde
gerçekletirmektedir [56].
veya veri sistemlerine balayarak yeniden kullanlabilir üreticiler
veya tüketiciler
oluturmaya ve çaltrmaya izin vermektedir. Kafka Connect, Apache
Kafka ve
dier sistemler arasnda ölçeklenebilir ve güvenilir bir ekilde veri
ak salayan bir
araçtr. Büyük veri koleksiyonlarn Kafka'nn içine ve dna tayan
konektörlerin
hzl bir ekilde tanmlanmasn kolaylatrmaktadr. Kafka Connect tüm
veri
tabanlarn alabilir veya tüm uygulama sunucularnzdan ölçümleri Kafka
konularna
aktarabilir, böylece verileri düük gecikmeyle ak ileme için
kullanlabilir hale
getirilmektedir. Kafka Connect, dier veri sistemlerinin Kafka ile
entegrasyonunu
standartlatrarak gelitirme, datm ve yönetimini kolaylatrmaktadr.
Kullanm
kolay REST API'siyle Kafka Connect kümelere balant gönderimi ve
yönetimi
salamaktadr. Kafka'nn mevcut yeteneklerinden yararlanan Kafka
Connect, ak ve
toplu veri sistemlerini köprülemek için ideal bir çözüm sunmaktadr.
Standalone ve
distributed modda çalmay desteklemektedir. Standalone modda, tüm
iler tek bir
ilemde gerçekletirilmektedir. Konfigürasyonun kurulmas ve balatlmas
daha
basittir ve yalnzca bir çalann (örnein günlük dosyalarn toplamak)
olduu
durumlarda yararl olmaktadr, ancak bu durumda Kafka Connect'in hata
tolerans
gibi baz özelliklerinden faydalanlamamaktadr. Datlm modda ise iin
otomatik
dengelemesi gerçekletirilmektedir ve dinamik olarak ölçeklemeyi
salamaktadr
[56].
4.1.5. MQTT (Message Queue Telemetry Transport)
Yaynlama ve abone olma yaps üzerinde ina edilmi makinalar aras
telemetrik
mesaj kuyruk protokolüdür. Hafif yaps ve düük kaynak tüketimi
avantajlar ile
kstl kaynaklara sahip istemcilerin ada mesaj paylamalarna ve
almalarna imkân
salamaktadr [57].
alanlara verilen isimdir.
ile salanmaktadr. A balants istemciyi sunucuya balayarak her iki
yönde
sral ve kaypsz bir veri ak göndermeyi salamaktadr.
- Uygulama Mesaj: MQTT protokolü tarafndan uygulama için a
üzerinden
tanan verileri içermektedir. Uygulama Mesajlar MQTT tarafndan
tandnda, ilikili bir Hizmet Kalitesi (Quality of Service - QoS) ve
Konu
Ad (Topic Name) vardr.
- stemci: Sunucu ile a balants kuran ve MQTT teknolojisini kullanan
bir
program veya cihazdr. Dier istemcilerin alabilecei mesaj
yaynlayabilir
veya almak istedii mesaj ile ilgili konulara abone olabilmektedir.
Almak
istemedii mesajlar için abonelii iptal edebilir veya sunucu ile
balantsn
sonlandrabilmektedir.
37
arac olarak çalan bir program veya cihazdr. stemcilerden gelen
a
balant istediini ve yaynlanan mesajlar kabul etmektedir.
stemcilerden
gelen abonelik balatma ve sonlandrma isteklerini kabul etmektedir.
stemci
abonelikleri ile eleen mesajlar iletmektedir.
- Abone: Bir abonelik bir konu filtresi ve bir maksimum QoS içerir.
Bir
abonelik, yalnzca tek bir oturum ile ilikilendirilmektedir. Fakat
bir oturum,
birden fazla abonelik içerebilmektedir. Bir oturumdaki her bir
abonelik farkl
bir konu filtresine sahip olmaktadr.
- Konu Ad (Topic): Sunucuda bilinen ve abonelik ile elemi mesaja
eklenen
etikettir.
- Konu Filtresi (Topic Filter): Bir veya daha fazla konuya abone
olmak için
abonelikte kullanlan filtredir.
- Oturum (Session): stemci ile sunucu arasnda durum bilgisi içeren
bir
etkileimdir. Baz oturumlar yalnzca a balants olduu sürece devam
eder,
dierleri ise istemci ile sunucu arasnda arka arkaya birden çok a
balants
ile kullanabilmektedir.
gönderilen bir bilgi paketidir. MQTT spesifikasyonunda mesajlar
iletmek
için on dört farkl Kontrol Paketi tipini tanmlanmtr.
Konu isimleri ve filtreleri belirli kurallar çevresinde
oluturulmaktadr.
Konu seviyesi ayrcs: Konu seviyesi ayrcs, konu içerisinde
kullanlarak konu
yapsnn tanmlanmasnda kullanlmaktadr. Konu seviyesi ayrcs, konu
adn
birden fazla konu seviyesine bölmektedir. Eik çizgi (/), konu
yaplanmasndaki her
bir seviyeyi ayrmak ve konu adlarna hiyerarik bir yap salamak
için
kullanlmaktadr. Örnek olarak a/b/c verilebilir [58].
Say iareti (#): Bir konudaki herhangi bir say düzeyiyle eleen bir
joker
karakterdir. Çok seviyeli joker karakter ana seviyeyi veya herhangi
bir sayda alt
seviyeyi temsil etmektedir. Çok seviyeli joker karakter, kendi bana
veya konu
38
düzeyinde bir ayrc sonrasnda belirtilmelidir. Her iki durumda da
belirtilen son
karakter olmaldr. Örnek olarak istemci abone olduu a/b/# ile a/b/c,
a/b/d, a/b/c/e
konularndan mesaj alabilmektedir [58].
Art iareti (+): Yalnzca bir konu düzeyiyle eleen bir joker
karakterdir. aret, ilk
ve son seviyeler dahil olmak üzere Konu filtresinde herhangi bir
seviyede
kullanlabilmektedir. Kullanld yerde, filtrenin tamamnn bir
seviyesini
doldurmas gerekir. Filtrede birden fazla seviyede kullanlabilir ve
çok düzeyli joker
karakterlerle birlikte kullanlabilir. Örnein a/b/+ abonesi a/b/c ve
a/b/d
seviyelerinden mesaj alabilirken a/b/c/d seviyesinden mesaj alamaz
[58].
$ Sembolüyle Balayan Konular: $SYS/, Sunucuya özel bilgiler veya
kontrol API'
leri içeren konularn öneki olarak geni çapta kabul edilmitir. Bu
konular farkl bir
amaca sahiptir. Müteriler bu konulara mesaj yaynlayamazlar. Sunucu,
istemcilerin
dier istemcilerle mesaj alveriinde bulunmak için bu konu adlarn
kullanmasn
önlemektedir [58].
ekil 3.8.’ de örnek bir selenoid vana gösterilmitir.
39
Selenoid vana üretimi farkl yap ve prensiplerde üretilebilmektedir.
ekil 3.9.’da pin
kontrollü selenoid vana iç yaps gösterilmitir. Vana giri ve çk bir
yaya bal pin
ile kontrol edilmektedir. Normalde kapal konumda olan bu vanann
bobinlerine
enerji kaynandan enerji verildiinde bobin üzerinden geçen akm
manyetik alan
oluturmaktadr. Manyetik alan içinde kalan metal pin manyetik alan
etkisiyle yayn
kuvvetini yenerek hareket eder. Pinin bu hareketi ile giri
bölümündeki akkan çk
bölümüne yönlendirilmektedir [59].
ekil 4.9. Pin kontrollü selenoid vana iç yaps
ekil 3.10.’da bir baka selenoid vana içyaps gösterilmitir. ekil
3.9.’daki vana
yapsna benzemektedir. Vanaya enerji uygulandnda bobin üzerinde
oluan
manyetik alan ile bask çubuu hareket etmekte ve giri hattndaki
akkan çka
yönlenmektedir.
40
4.1.7. YL-69 nem sensörü
YL-69 nem sensörü, toprakta bulunan su orannn ölçülmesini ve
izlenmesini salar.
Otomatik bir sulama sistemi tasarlanmak istenilen uygulamalarda
kullanlmaktadr.
Sensör, elektronik devre kart ve su içeriini tespit eden iki pedli
prob olmak üzere
temel iki parçadan olumaktadr. Nem sensörleri ile ilgili yaygn
bilinen bir konu,
nemli bir ortama maruz kaldklarnda kullanm ömürleri ksalmaktadr. Bu
durumun
etkilerini en aza indirmek için altn kaplama yöntemi tercih
edilmitir. Sensörün
kullanm ömrünün uzatlmasnn bir dier yöntemi ise yalnzca sensörden
okuma
yaplaca zaman sensöre güç verilmesidir. Arduino gelitirme kartnda
dijital çk
olarak ayarlanm bir pinin okuma yaplaca zaman High olarak ayarlanp
okuma
bitince Low konumuna çekilmesi bu ilem için örnektir [60].
41
ekil 4.12. YL-69 bacak yaps ve elektronik bileen bilgisi [46]
ekil 3.12.’de YL-69 nem sensörünün bacak yaps ve üzerinde bulunan
elektronik
bileenler hakknda bilgi verilmitir. Sensör analog (A0) ve dijital
(D0) olarak iki
farkl çka sahiptir. Dijital çkn hassasiyeti devre üzerinde bulunan
dahili bir
potansiyometre ile yaplmaktadr. Analog ölçüm okumalar sensörün VCC
besleme
gerilimi ile ADC pininin çözünürlüüne baldr. Topraktaki nem oran
yüksek
olduunda iletkenlik seviyesi artp direnci dümektedir. Bu durumda
sensörden
düük çk deeri okunmaktadr. Topraktaki nem oran düük olduunda
ise
iletkenlik seviyesi düük olup direnci yüksek olmaktadr. Bu durum da
ise sensör
çkndan yüksek deer okunmaktadr [60].
4.1.8. Damlama sulama ekipmanlar
Sulama sisteminde 25mm ana boru ile 50cm aralk delikli 16mm letaral
borular
kullanlmtr.
4.2. Uygulamann Gerçekletirilmesi
43
ekil 4.14. Uygulama topolojisi
Uygulamada sahadan veri alm ve alnan verilerin ilenmesinde ekil
3.14.’de
gösterilen topoloji kullanlmtr. Dikey düzlemde toprak üzerindeki
sensörlerden
alnan nem ve scaklk bilgileri ESP8266 kullanlarak MQTT haberleme
protokolü
ile Apache Kafka mesaj üreticine gönderilmektedir. Yatay düzlemde
MQTT ve
Kafka haberlemesi için arada bir balant katman kurulabilmektedir.
Kafka mesaj
üretici ise gelen verileri, kendisine üye olan mesaj tüketici
düümlere
göndermektedir.
44
kurularak MQTT sunucu olarak kullanlmas salanmtr.
ekil 4.15. Sahadan veri ak diyagram
Topran nem seviyesinin belirlenmesi için YL-69 nem sönsörü
kullanlmtr.
Problar topraa batrlan sensörün analog çk, üzerinde ESP8266
bulunan
NodeMCU gelitirme katnn A0 analog giriine balanmtr.
45
ekil 4.16. YL-69 nem sensörü NodeMCU balants
Analog giri ile alnan veriler analogRead() metodu ile okunup,
dijital veri olarak
elde edilmitir. Daha anlaml ve ilevsek olmas amac ile yüzdeye
dönütürülmütür.
Dönütürme ilemi için map fonksiyonu kullanlmtr. Bu fonksiyon 5
parametre
almaktadr. lk parametre okunan dijital deerdir ve ikinci
parametreye sensör
problar tamamen kuru iken okunan deer girilmitir, üçüncü
parametreye ise sensör
problar tamamen suya batrlp slak iken okunan deer verilmitir,
dördüncü ve
beinci parametreler haritalama deerleridir ve 0=%0, 100=100% aralk
deerleri
belirlenmitir. Fonksiyon ilk parametrede verilen deerin yüzdelik
deerini ikinci ve
üçüncü parametrelerde verilen deerlere göre döndürmektedir.
ESP8266 modülünün aa balanmas ESP8266WiFi.h kütüphanesi ile
salanmtr.
ESP8266 modülü üzerinde MQTT protokolü için PubSubClient.h
kütüphanesi
kullanlmtr. PubSubClient nesnesi kullanm için WiFiClient
nesnesinden bir nesne
oluturularak PubSubClient kurucu metoduna gönderilerek yeni bir
MqttClient
nesnesi oluturulur. MqttClient nesnesinin MQTT sunucusuna
balanabilmesi için
setServer() metodu sunucu ip ve port bilgileri parametre olarak
yazlarak çarlr.
Callback metodu, balants gerçekleen sunucudan abone olunan
konularda bilgi
geldiinde çarlacak olan metottur. setCallback() metodunun callback
parametresine
mesaj alndnda çaltrlmak istenilen metot verilir. Mesaj gönderip
almaya
balamak için öncesinde connect() metodu çarlarak balantnn
kurulmas
gerekmektedir. Balant kurulduktan sonra herhangi bir bala abone
olmak için
46
subscribe() metodu kullanlmaktadr. Subscribe() metoduna parametre
olarak abone
olmak istenilen konu yazlr ve mesaj geldiinde callback metodu ile
yakalanr.
Publish() metodu ile parametre olarak konu ve mesaj içerii yazlarak
mesaj
paylam yaplabilir. Sensörlerden gelen bilgiler uygun konulara
publish() metodu
kullanlarak gönderilmektedir.
salanmtr. Kafka sunucusunun çalmaya balayabilmesi için
Zookeeper
sunucunun ayakta olmasna ihtiyac vardr. Kafka’ nn datk çalabilme
özellii
Zookeeper ile salanmaktadr. Bu neden ile öncelikle Zookeeper
balatlmas
gerekmektedir. “bin/zookeeper-server-start.sh
config/zookeeper.properties”
komutuyla Zookeeper balatlr ve 2181 numaral portta hizmet vermeye
balar.
Kafka sunucusu “bin/kafka-server-start.sh config/server.properties”
komutuyla
balatlr ve 9092 numaral portta hizmet vermeye balar. Config dizini
altndaki
“properties” dosyalar ile bu ayarlar deitirilerek farkl port ve
özelliklerde broker
oluturulabilir.
Uygulama içerisinde Kafka ve MQTT haberlemesi için NodeJs ile
yazlmsal bir
katman oluturulmutur. MQTT ile yakalanan veriler bu katmanda Kafka
mesaj
üreticisine gönderilmitir. NodeJs için kafka-node kütüphanesi
kullanlmtr.
Kafka.Client() nesnesi ile yeni bir client nesnesi oluturulur.
Varsaylan istemci
ayarlar kullanlmak istenmezse kurucu metoda istemci ayarlar
gönderilebilir. Mesaj
gönderimi için Producer() nesnesinin kurucu metoduna oluturulan
client nesnesi
verilerek ile yeni bir kafka mesaj üretici nesne oluturulur.
Producer.send() metodu
kullanarak belirtilen konulara mesaj içerikleri gönderimi yaplr.
Mesaj tüketici
oluturmak için Consumer nesnesinden yeni bir nesne oluturulur.
Mesaj
yakalandnda çaltrlmak istenilen metot consumer.on() metoduna
callback
parametresi olarak verilir ve mesaj yakalandnda çalmas
salanr.
Saha verilerini ileyerek detayl analiz etmek için SPARK kullanrken
ihtiyaç olan
veriler sisteme kafka mesaj tüketicisi ile alnmtr. Verilerin
alnarak veri taban
tablolarna index ile kaydedilip daha sonra sorgular ile ilenerek
raporlar üretilen
47
geleneksel yapnn aksine, ak ileme yaklamnda veriler kafka ile
istemci
makinaya ulatnda annda ileme alnmaktadr. Spark ve Kafka kullanlrken
iki
kütüphanedeki Scala versiyonlarnn uyumuna dikkat edilmelidir.
lenen verilerin ve sonuçlarnn saklanmas, tekrar sorgulanmak ve
ilenmek üzere
sakland yerden geri çarlp tekrar kaydedilmesi ihtiyaçlarnda Kafka
mesaj
tüketicinin veri taban balantlar kullanlabilmektedir. Uygun
konektör kullanlarak
MySQL, MongoDB, Cassandra gibi veri tabanlar ile iletiime
geçebilmektedir.
ekil 4.17. Uygulama blok diyagram
stemci uygulama olan web arayüzünden kullanc sulama ve gübreleme
yaplacak
olan saat dilimlerini ve sulama süresini seçer. Toprak analizi
sonucu gelen verilere
dayanarak sulama suyuna karmas gereken miktar sisteme web arayüzü
ile girilir.
48
Raspberry Pi üzerinde barndrlan sunucu uygulama ile istemciden
gelen sulama ve
gübreleme bilgileri gerçek zamanl bulut veri tabanna yazlmtr. Ayn
zamanda bu
bilgiler ile sunucu üzerinde ilemin gerçeklemesi için planlanm bir
görev
oluturulmaktadr.
gönderilir. NodeMCU üzerinde bulunan I/O pinleri ile peristaltik
pompalar ile
sulama suyuna istenilen oranda gübreler kartrlarak damlama sulama
sistemine
verilebilmektedir.
Uygulamada ekil 3.19.’de gösterilen selenoid vana kullantr. Vana
bobinleri 12V
gerilim ile çalmaktadr. NodeMCU ile vanann kontrol edilebilmesi
için 5V tek
kontak röle kontrollü devre kart kullanlmtr.
49
Uygulamada web arayüzü AngularJS ile gelitirilmitir ve raspberry pi
üzerinde
barndrmtr. Web istemci ile sunucu arasndaki haberleme RestFul web
servisler
ile salanmtr. Raspberry pi üzerinde Mosquitto mesaj yöneticisi
kurularak
ESP8266 ile haberleme MQTT protokolü üzerinden salanmtr. Firebase
gerçek
zamanl veri taban ile haberleme RestFul web servisler ile
gerçekletirilmitir.
Saha ölçüm verilerinin izlenebilmesi ve denetiminin salanabilmesi
için mobil
uygulama gelitirilmitir. Mobil uygulama gelitirilmesinde Ionic
uygulama çats
kullanlmtr. Uygulama temel olarak iki ekrandan olumaktadr.
lk ekranda ekil 3.20.’de görüldüü gibi sulama durumu hakknda bilgi
verilip
kullancnn sistem üzerinde bilgi sahibi olmas salanmtr. Sulamann
balad
zaman bilgisi verilerek sulamann aktif olduuna dair bilgi yamurlu
bulut
simgesiyle gösterilmitir.
Uygulamann ikinci ekrannda ise kullancnn sistemdeki son hareketleri
takip
edebilmesi salanarak nem verileri ekil 3.21.’deki gibi grafik
üzerinde
gösterilmitir. Sistemdeki son 10 hareket listelenerek kullanc
bilgilendirilmitir.
51
BÖLÜM 5. TARTIMA VE SONUÇ
Bu çalmada toprak analizi sonras belirlenen eksik besinlerin topraa
ihtiyaç
orannda ve kontrollü olarak nesnelerin interneti teknolojileri
kullanlarak
kazandrlmas hedeflenmitir. Çalma kapsamnda elektronik, yazlm ve
zirai
sulama ekipmanlarndan faydalanlmtr.
Sulama ve gübreleme faaliyetleri srasnda sv gübre olarak Azot,
Potasyum ve
Nitrat kullanm ele alnm ve uygulamada bu elementlere yer
verilmitir. Bu
elementlerin su ile karm ve sulama süresi oldukça önem arz
etmektedir.
Çalma kapsamna alnabilecek olan nem sensörü ile sulama balamadan
önce
topraktaki nem oran kontrol edilip ihtiyaca göre sulama
balatlabilir. Eer
topraktaki nem yeterli seviyede ise sulama için balatlacak olan
zamanlanm
görevin balatlmasna gerek duyulmaz.
deerlendirmesi sonucu sulama yaplp yaplmamas karar alnabilir.
Bulank mantk
çözümlemeleri ile topraktaki nem oran, ya oran tahmini, bitkinin
nem istei gibi
girdiler ile karar çktlar elde edilebilir.
Hassas tarm faaliyetlerinde küresel konum belirleme sistemi (GPS)
ve corafi bilgi
sistemi (CPS) teknolojileri kullanlarak sisteme eklenebilir ve
arazi üzerinde bölgesel
deerlendirmeler ile sulama ve gübreleme faaliyetleri yönetilebilir
[20].
KAYNAKLAR
[1] Evans, D., The Internet of Things: How the Next Evolution of
the Internet Is
Changing Everything (2011).
[2] Singh, S. Singh, Nirmala., Internet of Things(IoT): Security
Challenges,
Business Opportunities & Reference Architecture for
E-commerce.
International Conference on Green Computing and Internet of Things
2015.
[3] Topakç, M., Ünal, ., Hassas Tarmda Deiken Oranl
Uygulamalar,
Tarmsal Mekanizasyon 26. Ulusal Kongresi, 22-23 Eylül, Hatay,
Türkiye.
[4] Ünal, ., GPS Yönlendirmeli Tarmsal Bir Robotun Gelitirilmesi ve
Anz
Younluunun Belirlenmesi Örneinde Kullanm Üzerine Bir Aratrma.
Akdeniz Üniversitesi Fen Bilimleri Enstitüsü, Tarm Makineleri
Anabilim
Dal, Doktora Tezi, 2012.
[5] Türker, Ufuk., Güçdemir, brahim., Türkiye’ de Yaplan Hassas
Tarm
Çalmalarndan Bir Örnek Uygulama. Tarm Makinalar Bilimi Dergisi, 9
(4)
257-262, Austos 2013.
https://github.com/celalceken/NesnelerinInterneti/blob/master/DersTanitimi.p
df.
[7] Unleashing the potential of the Internet of Things
(2016).
https://www.itu.int/dms_pub/itu-t/opb/tut/T-TUT-SSCIOT-2016-2-PDF-
E.pdf.
[8] Oral, O., Çakr, M., Nesnelerin nterneti Kavrami ve Örnek Bir
Prototipin
Oluturulmas. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri
Enstitüsü
Dergisi, 8 (Özel (Special) 1), 172-177, 2017.
[9] Oyucu, S., Polat, H., M2M ve IoT Platformlar Üzerinde Prototip
Uygulama
Gelitirme. Türkiye Biliim Vakf Bilgisayar Bilimleri ve
Mühendislii
Dergisi, 9 (2), 11-20, 2017.
ve Akll Sistemler Öretimi ve Laboratuvar, Fatih Sultan Mehmet
Vakf
Üniversitesi Örnei. II. Uluslararas stanbul Akll ebekeler Kong ve
Fuar,
stanbul 2014.
[11] Serinikli, N., Endüstri 4.0’n Özel, Kamu ve Kooperatif
Sektörlerine Etkisi.
Süleyman Demirel Üniversitesi ktisadi ve dari Bilimler Fakültesi
Dergisi,
23 (Endüstri 4.0 ve Örgütsel Deiim Özel Says), 1607-1621,
2018.
[12] Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., Cayirci, E.,
"A survey on
sensor networks", IEEE Communications Magazine, vol. 40, no. 8, pp.
102–
114, 2002.
[14] http://teknoselfi.com/wifi-nedir-nasil-calisir/ Eriim Tarihi:
21.04.2019.
[15] TÜBTAK Bilgi Teknolojileri ve Elektronik Aratrma Enstitüsü
(BLTEN).
Elektromanyetik Dalgalar ve nsan Sal Skça Sorulan Sorular ve
Yantlar, TÜBTAK Matbaas, Ankara, 20-21, (2001).
[16] http://www.uygarist.yildiz.edu.tr/makine-ogrenmesi Eriim
Tarihi:
21.04.2019.
[17] Doan, K., Arslantekin, S., Büyük Veri: Önemi, Yaps ve
Günümüzdeki
Durum, DTCF Dergisi, 56 (1), 15-36, 2016.
[18] Angn, P., Nesnelerin nterneti ve Güvenlik, ODTÜ Kablosuz Alar,
Alar ve
Siber Güvenlik Laboratuvar, 2018.
(06.2012).
[20] Aksoy, B., Bayrakç, C., Bayrakç, E., Uuz, S., Büyük Verinin
Kurumlarda
Kullanm. Süleyman Demirel Üniversitesi ktisadi ve dari Bilimler
Fakültesi
Dergisi, 22 Kayfor15 Özel Says, 1853-1878, 2018.
[21] Sarolu . vd., Büyük Veri ve Açk Veri Analitii: Yöntemler
ve
Uygulamalar. 1. Bask, Grafiker Yaynlar, 2017.
[22] Akgün B., Apache Spark Tabanl Destek Vektör Makineleri le Akan
Büyük
Veri Snflandrma. stanbul Teknik Üniversitesi Fen Bilimleri
Enstitüsü,
Bilgisayar Mühendislii Program, Yüksek Lisans Tezi, 2016.
Eriim Tarihi: 21.04.2019.
valuable-facebook-statistics/. Eriim Tarihi. 19.04.2019.
statistics. Eriim Tarihi: 21.04.2019.
[26] Big Data Nedir?, Big Data Pazarlama Fikirleri, Netvent
LAB,
https://netvent.com/big-data-nedir., Eriim Tarihi:
21.04.2019.
[27] Karlk, E., Bireysel emeklilik sisteminde bulut teknolojileri
kullanm ve bir
model önerisi. stanbul Aydn Üniversitesi, Fen Bilimleri
Enstitüsü,
Bilgisayar Mühendislii Program, Yüksek Lisans Tezi, 2018.
[28] Yldz, Özcan Rza., Biliim Dünyasnn Yeni Modeli: Bulut Biliim
(Cloud
Computing) Ve Denetim, Saytay Dergisi, Say 74-75, 5-23, 2009.
[29] Bulut, C., Bulut Biliim (Cloud Computing) Nedir?,
https://www.endustri40.com/bulut-bilisim-cloud-computing-nedir.,
Eriim
Tarihi: 20.04.2019.
[30] Öz, Yaar., Bulut Biliim (Cloud Computing) ve Muhasebe.,
Bartn
Üniversitesi ..B.F. Dergisi, 7(13), 63-79, 2016.
[31] Seyrek, brahim Halil . Cloud Computing: Opportunities and
Challenges for
Businesses. Gaziantep University Journal of Social Sciences 10 (2):
701-713,
2011.
[32] Morgan, M., ESS, D., The PrecisionFarming Guide for
Agriculturalists.
Second edition. John Deere Publishing, 117-117, 2003.
[33] Özgüven, Mehmet Metin, Türker, Ufuk., Hassas Uygulamal
Tarm
Teknolojilerinin Üretim Ekonomisi Ve Ülkemizde Pamuk
Üretiminde
Kullanlabilme Olanaklar. Adnan Menderes Üniversitesi Ziraat
Fakültesi
Dergisi 7 (1), 23-33, 2010.
[34] Güler, Mustafa., Kara, Tekin., Hassas Uygulamal Tarim
Teknolojisine
Genel Bir Bak. Anadolu Tarm Bilimleri Dergisi, 20 (3), 110-11,
2005.
[35] http://www.neobioplus.com/neden-organik-gubre., Eriim Tarihi:
20.04.2019.
[36] http://www.orfeteknik.com.tr/orta-kutuphane4.htm., Eriim
Tarihi:
[38] Aaçayak T., Kimyasal Gübre Kullanmnn Çevresel Etkileri ve
Çözüm
Öneriler, EKOIQ Dergisi, 69, 96-98, 2017.
[39] Türker, Ufuk., Hassas Tarm Teknolojileri ve GPS Uygulamalar,
Ankara
Üniversitesi Ziraat Fakültesi Tarm Makinalar Bölümü, Ankara.
[40] Sönmez, K., Emekli, Y., Sar, M., Batu, R., Relationship
Between Spectral
Reflectance and Water Stress Conditions of Bermudagrass
(Cynodon
Dactylon L.). New Zealand Journal of Agricultural Reseach, 51,
223-263,
2008.
Dalm Ve Organik Karbon çeriinden Tahmin Edilmesi. Atatürk
Üniversitesi Ziraat Fakültesi Dergisi, 30 (2), 2013.
[42] Uytun A., Pekey B., Kalemci M., Toprak Nemi Ölçümleri. VIII.
Ulusal
Ölçümbirim Kongresi, Kocaeli, 2013.
[43] Öztürk, T., Peyzaj Alanlarnda suyun ekonomik kullanm: Damlama
sulama
sistemi, stanbuk Üniversitesi, Orman Fakültesi, Orman naat v