Ergün, HalimeBeşir, Kerim2026-05-132026-05-1320252025Beşir, K. (2025). Geleceğin tarımı: IoT ve yapay zeka ile sürdürülebilir sera yönetimi. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Mekatronik Mühendisliği Anabilim Dalı, Konya.https://hdl.handle.net/20.500.12452/20068Yüksek Lisans TeziBu tezde, çilek yetiştiriciliğinde sürdürülebilir sera yönetimini desteklemek amacıyla, sensör tabanlı bir Nesnelerin İnterneti (IoT) altyapısı ile makine öğrenmesine dayalı haftalık verim tahminini bir araya getiren akıllı bir sera prototipi geliştirilmiş ve gerçek koşullarda test edilmiştir. ESP32 tabanlı bir kontrol birimi aracılığıyla; sıcaklık, bağıl nem, hava kalitesi, toprak nemi ve ışık şiddeti sensörlerinden 15 dakikalık aralıklarla veri toplanmıştır. Elde edilen çok değişkenli zaman serileri hem bir IoT bulut platformuna hem de yerel belleğe kaydedilmiştir. Bu sayede sera içi koşullardaki ani değişimler çevrimiçi izlenebilmiş; fan, ısıtıcı ped ve sulama pompası önceden belirlenen eşik değerlere göre otomatik olarak çalıştırılarak ortam parametreleri hedef aralıklarda tutulmuştur. Veri işleme sürecinde ölçümler saatlik ve günlük düzeyde özetlenmiş; günlük ışık yükünü temsil eden yaklaşık Günlük Işık İntegrali (DLI) ve sıcaklığa dayalı Büyüme Derecesi Günleri (GDD) göstergeleri türetilmiştir. Düzensiz aralıklarla kaydedilen hasat miktarları, (i) kütleyi koruyan doğrusal kümülatif enterpolasyon ve (ii) DLI temelli ağırlıklandırılmış dağıtım yaklaşımlarıyla önce günlük, ardından haftalık verim serilerine dönüştürülerek çevresel verilerle aynı zaman ekseninde hizalanmıştır. Verim tahmininde çıktı değişkeni haftalık toplam verim olarak tanımlanmış; girdi özellikleri ise her haftadan önceki dönemi kapsayan yedi günlük kaydırmalı pencerelerden elde edilen DLI ve GDD birikimleri ile sensör ölçümlerinin ortalamalarından oluşturulmuştur. Böylece verimin tek bir güne ait anlık koşullardan ziyade, bir hafta boyunca biriken mikroiklim etkilerinin bileşik sonucu olduğu varsayımını yansıtan bir özellik uzayı elde edilmiştir. Modelleme aşamasında doğrusal regresyon, Random Forest ve Gradient Boosting algoritmaları ile tahmin modelleri kurulmuş; performans k-katlı çapraz doğrulama ile değerlendirilmiştir. En yüksek başarı, Gradient Boosting modelinde yaklaşık R² = 0,94 düzeyinde elde edilmiş ve hata metrikleri haftalık verim ile çevresel koşullar arasındaki ilişkinin güçlü biçimde yakalandığını göstermiştir. Çalışmanın temel katkıları; (i) gerçek sensör verileri ile manuel hasat kayıtlarını entegre eden, gerçek zamanlı veri toplama, çevrimiçi izleme ve otomasyon işlevlerini bir araya getiren düşük maliyetli bir akıllı sera altyapısının geliştirilmesi, (ii) düzensiz zamanlı hasat kayıtlarını kütle korunumlu ve ışık temelli ağırlıklandırma yaklaşımlarıyla günlük/haftalık serilere dönüştüren esnek bir analiz çerçevesinin önerilmesi ve (iii) çilek verimini haftalık ölçekte anlamlı doğrulukla tahmin edebilen makine öğrenmesi tabanlı bir karar destek modelinin sunulmasıdır.This thesis develops and evaluates a smart greenhouse prototype under real-world conditions by integrating a sensor-based Internet of Things (IoT) infrastructure with machine learning–based weekly yield prediction to support sustainable strawberry greenhouse management. An ESP32-based control unit collected temperature, relative humidity, air quality, soil moisture, and light intensity data at 15-minute intervals. The resulting multivariate time series were stored both on an IoT cloud platform and in local memory. This architecture enabled online monitoring of abrupt environmental changes, while a fan, heating pad, and irrigation pump were automatically actuated according to predefined threshold values to maintain greenhouse parameters within target ranges. During data processing, measurements were aggregated at hourly and daily resolutions, and two derived indicators were computed: an approximate Daily Light Integral (DLI) representing daily light load and Growing Degree Days (GDD) reflecting temperature-driven development. Harvest quantities recorded at irregular intervals were transformed into daily and subsequently weekly yield series using (i) masspreserving cumulative linear interpolation and (ii) DLI-based weighted redistribution, thereby aligning yield and environmental variables on a common time axis. For yield prediction, weekly total yield was defined as the output variable, while input features were constructed from seven-day rolling windows preceding each week, combining cumulative DLI and GDD values with mean sensor measurements. This feature design reflects the assumption that yield is driven by the cumulative effects of microclimatic conditions over a week rather than by single-day snapshots. Prediction models were developed using linear regression, Random Forest, and Gradient Boosting and were evaluated via k-fold cross-validation. The Gradient Boosting model achieved the best performance with an R² of approximately 0.94, and the error metrics indicated that the relationship between weekly yield and environmental conditions was captured effectively. The main contributions of this study are: (i) the development of a low-cost smart greenhouse platform that integrates real-time sensing, online monitoring, and automated control while linking sensor streams with manual harvest records; (ii) the proposal of a flexible analytical framework for converting irregular harvest records into daily and weekly yield series through mass-preserving and light-weighted approaches; and (iii) the development of a machine learning–based decision-support model capable of predicting weekly strawberry yield with high accuracy based on microclimate indicators.trinfo:eu-repo/semantics/openAccessAkıllı SeraÇilekGünlük Işık İntegraliKütleyi Koruyan EnterpolasyonMakine ÖğrenmesiNesnelerin İnternetiVerim TahminiSmart GreenhouseStrawberryDaily Light IntegralMass-Conserving InterpolationMachine LearningInternet Of ThingsYield PredictionMaster Thesis