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