Uitbreiding en verdieping mogelijkheden, kansen en beperkingen van fytomonitoring (fase 2)

Transcriptie

1 PROJECTVERSLAG Uitbreiding en verdieping mogelijkheden, kansen en beperkingen van fytomonitoring (fase 2) IN OPDRACHT VAN PRODUCTSCHAP TUINOUW (PROJECT ) Leiden, februari 25

2 Uitbreiding en verdieping mogelijkheden, kansen en beperkingen van fytomonitoring ( fase 2) 2 PROJECTVERSLAG Uitbreiding en verdieping mogelijkheden, kansen en beperkingen van fytomonitoring (fase 2) Uitgevoerd door: TNO Toegepaste Plantwetenschappen DLV Facet Growlab b.v. Gefinancierd door: Productschap Tuinbouw Postbus AG Zoetermeer DLV Facet, TNO Toegepaste Plantwetenschappen, Growlab.V. Dit document is auteursrechtelijk beschermd. Niets uit deze uitgave mag derhalve worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, in enige vorm of op enige wijze, hetzij elektronisch, mechanisch door fotokopieën, opname n of op enige andere wijze, zonder voorafgaande schriftelijke toestemming van DLV Facet, TNO Toegepaste Plantwetenschappen en Growlab.V. De merkrechten op de benaming DLV komen toe aan DLV Adviesgroep nv. Alle rechten dienaangaande worden voorbehouden. DLV Facet, TNO Toegepaste Plantwetenschappen en Growlab.V. zijn niet aansprakelijk voor schade bij toepassing of gebruik van gegevens uit deze uitgave, tenzij er sprake is van opzet of grove schuld van de zijde van DLV Facet, TNO Toegepaste Plantwetenschappen of Growlab.V. Leiden februari 25

3 Inhoudsopgave Geïllustreerde Samenvatting 4 1. Inleiding 9 2. Doel van het project Aanpak van de vraagstelling Parameters gemeten in het project Resultaten 5.1 Data aquisitie Analyse strategie op weg naar een early warning systeem Data set acquisitie en analyse bottlenecks Gevolgde traject naar een early-warning systeem Conclusies 68 Leiden, februari 25

4 4 Geïllustreerde Samenvatting In de tuinbouw is een toenemende behoefte aan gericht sturen van de teelt en een vroegtijdige en betrouwbare signalering van afwijkende situaties (incidenten). Naast de bestaande klimaatregistratie en aanpassing zijn er steeds meer mogelijkheden voor sturing op basis van gegevens van de plantgroei en gegevens uit de plantomgeving (lucht en wortelmedium). Met de introductie van deze instrumenten komen ook veel vragen, van zowel van gebruikers als van producenten. Het betreft onder andere vragen over nieuwe mogelijkheden tot monitoring, gerichte sturing, verbanden en interpretatie van de gemeten parameters. In de eerste fase van dit project is onderzocht of er mogelijkheden bestaan op basis van de veelheid van meetmogelijkheden, de parameters die hiermee worden gemeten en de data bestanden waarin de metingen resulteren een systeem te ontwerpen waarbij op eenvoudige wijze de verbanden tussen de meetgegevens en het relatieve belang van de metingen kunnen worden weergegeven. En of op basis hiervan een early warning systemen kunnen worden ontworpen. Het resultaat van de eerste fase liet zien dat met behulp van op principale componenten analyse gebaseerde modellen aanknopingpunten geven voor het behalen van de boven geschetste doelen. In de tweede, in dit rapport beschreven, fase zijn deze mogelijkheden verder verkend, verbreed en verdiept. Hierbij is daadwerkelijk een op een principale componenten analyse gebaseerd model gemaakt en is inzet als early warning systeem getest. Tevens is op basis van de modellen bekeken welke parameters (sensoren) de meeste bijdrage aan het systeem leveren. In het onderzoek zijn een groot aantal parameters iedere vijf minuten gemeten tijdens de teelt over een langere periode. Het betreft hier parameters die zijn gemeten met zogenaamde fytomonitor sensoren (plantparameters of metingen in de directe omgeving van de plant), parameters die via de klimaatcomputer worden geleverd en meteo gegevens. Van deze parameters zijn bovendien nog extra parameters afgeleid zoals de percentuele verandering in elke parameter en de veranderingssnelheid van iedere parameter. Vervolgens zijn door teeltdeskundigen alle dagen in de periode beoordeeld als normale/goede dagen of afwijkende/slechte dagen in de teelt. Op bas is van de data gemeten op de goede dagen is vervolgens een principale componenten model geconstrueerd. Dit model is daarop gebruikt om te toetsen in hoeverre afwijkende dagen en gebeurtenissen kunnen worden gesignaleerd. De resultaten laten zien dat met b ehulp van gevolgde methode (op principale componenten gebaseerde modelvorming van de normale situatie) een meetsysteem is te maken waarbij afwijkingen in relaties tussen de verschillende parameters (als indicatie dat zich afwijkingen van de gewenste kassituatie voordoen) kunnen worden gedetecteerd in een vroegtijdig stadium. Hierbij zijn verschillende model parameters nuttig gebleken. De figuren A t/m F laten in eenvoudige schermen waarop met verschillende tijdsintervallen punten worden aangebracht, de mogelijke vormen van early-warning systemen zoals in deze studie bestudeerd zien. In iedere figuur wordt met een bepaald interval alle binnenkomende data in het standaard model (zoals bepaald aan de hand van een ideale data-set) ingevoerd, en de modelparameters die worden berekend weergegeven. De rode lijnen geven steeds de grenzen aan waarbinnen de ingevoerde parameters nog binnen de normale (goede) situatie vallen. Indien dus punten verschijnen die buiten het normale gebied vallen, dan is er reden aan te nemen dat er een uitzonderlijke en mogelijk schadelijke situatie in de kas optreedt. Verder door klikken binnen dit systeem (zie figuur E) kan dan laten zien welke parameters verantwoordelijk zijn voor de uitzonderlijke situatie. Leiden februari 25

5 Figuur A: Q-residuals van meer dan 3 meetmomenten over de periode 2-1 tot Hoge Q-residual waarden, boven de rode lijn, geven meetmomenten aan waarbij de uitgelezen data van Growlab en klimaatcomputer niet passen binnen het model goede dag Figuur : Model parameter PC1 die opgebouwd uit de gewogen som van alle meet parameters is hier uitgezet in de tijd (van ochtend 7. uur tot avond 19. uur) voor de periode 2-1 tot innen de figuur is het verloop van PC1 voor de foute dagen aangeven in groen. Duidelijk is dat PC1 voor een groot aantal foute dagen een andere waarde aanneemt dan voor de goede dagen. Verschil treedt vooral op na het einde van ochtend. Meetpunten voor PC1 die buiten het rode kader vallen geven aanleiding tot nader onderzoek met betrekking tot deze afwijkingen in de relaties tussen de parameters in de kas. Leiden februari 25

6 Figuur C: Idem aan figuur maar nu zijn de PC1 waarden van de totale dataset over 24 uur (5 minuten waarden) gedurende de gehele meetperiode uitgezet. Zowel goede als overige ( slechte ) dagen zijn meegenomen. In zwart zijn de data uit de trainingsset weergegeven, in groen de data uit de overige dagen. Duidelijk is dat binnen de overige dagen veel afwijkingen op de normale waarde voorkomen en dat deze met name tijdens de lichtperiode optreden. PC1 meetpunten die buiten het rode kader vallen geven aanleiding tot nader onderzoek met betrekking tot deze afwijkingen in de relaties tussen de parameters in de kas Leiden februari 25

7 Figuur D: Twee model parameters PC1 (X-as) en PC2 (y-as), beide opgebouwd uit gewogen sommen van de meetparameters, zijn berekend uit het voor de goede dagen geijkte model en uitgezet elkaar. lauwe punten, binnen de rode omsluiting, zijn de waarden afkomstig uit de goede dagen dataset, groene punten zijn de waarden afkomstig uit de overige dagen dataset. Indien tijdens het verloop van de teelt punten buiten het rode gebied vallen is er aanleiding tot nader onderzoek naar de achtergrond van deze afwijking in de samenhang tussen deze parameters..4.3 uis berek met C4-uistemp.2 RV C7-RH windsnelheid regen C6-CO2 buiten temp Kastemp C8-Area temp C9-IR Camera Loadings on PC 2 (8.77%) D C1-PAR C2- C2-PAR A A D C5-PT1 D D C9-IR C8-Area Camera temp elichting 1% Lampen uit 5% D C4-uistemp wz wz D raam raam berek D C11- C3- met Ldtv 1 mm elichting 5% D D C6-CO2 D D C3- C12-Sapflow Ldtv 1 mm Lampen uit 1% D D C1- C-Tensio 5 D C7-RH D C2-Sapflow C1- regenmelder C3-Ldtv 1 mm C5-PT1 C2-PAR C1-PAR straling A lz raam berek met -.2 Doek stand C12-Sapflow C11- C1-Tensio Loadings on PC 1 (12.18%) Figuur E: Doorklikken in figuur D naar de onderliggende parameters binnen de modelverbanden laat zien bij vergelijking (over elkaar heen plaatsen) van figuur D en figuur E dat veel van de afwijkingen op de overige dagen buiten het rode gebied worden veroorzaakt door een beweging van het PC1-PC2 verband naar rechtsonder. D.w.z. een relatief grote toename van o.a. sapflow ten opzichte van de andere parameters, en o.a. een relatief grote vermindering van lichtparameter waarden, RV waarden, CO 2 en buistemperatuur waarden ten opzichte van de andere parameters. Leiden februari 25

8 8 x Figuur F: In deze figuur zijn de Q residuals (afwijkingen binnen het model) per meetmoment uitgezet tegen de Hotelling T 2 (extremiteit van de parameters). Alle datapunten uit de geselecteerde goede dagen (5 punten in totaal) zijn weergegeven in blauw en vallen binnen het rode gebied. Afwijkende punten buiten het rode gebied, zijn of extreme waarden die nog wel in het model passen (binnen licht blauwe gebied) of waarden die strek afwijken van het model (buiten het rode en licht blauwe gebied). Analyse van de parameters (en de daarbij behorende sensoren) die de grootste rol spelen in de opgestelde modellen (dwz de parameters die het sterkste bijdragen aan het signaleringssysteem) geeft aan dat deze zijn: de parameters die te maken hebben met licht (PAR, Instraling, doek), temperatuur (kasomgeving, buistemperatuur, gewastemperatuur, buitentemperatuur), vocht (RV parameters, substraat watergehalte), zuurstof in het substraat, CO 2 en sapstroom. In een vervolgstap moeten de geconstrueerde modellen life meedraaien tijdens de teelt bij verschillende bedrijven. Hierbij wordt dan getoetst of inderdaad afwijkende situaties in een vroegtijdig stadium worden gedetecteerd in de praktijk en of corrigerende maatregelen mogelijk en effectief zijn. Leiden februari 25

9 9 1. Inleiding In de tuinbouw is een toenemende behoefte aan gericht sturen van de teelt en een vroegtijdige en betrouwbare signalering van afwijkende situaties (incidenten). Naast de bestaande klimaat registratie en aanpassing zijn er steeds meer mogelijkheden voor sturing op basis van gegevens van de plantgroei en gegevens uit de plantomgeving (lucht en wortelmedium). Op deze ontwikkelingen wordt ingespeeld door op zijn minst twee firma s: Phytech en Grow Science b.v. Via deze zijn meetinstrumenten op de markt die diverse parameters meten in de plant en zijn directe omgeving. Daarnaast zij er ook talloze losse sensoren en andere meet instrumenten die iets zeggen over een losse parameter in en rond de plant. Met de introductie van deze instrumenten komen ook veel vragen, van zowel van gebruikers als van producenten. Het betreft onder andere vragen over nieuwe mogelijkheden tot monitoring, gerichte sturing, verbanden en interpretatie van de gemeten parameters. Met name ook het nut van een enkele sensor in relatie tot een combinatie van sensoren en parameters in een teelt was een belangrijke vraag. Om een antwoord te kunnen geven op deze vragen is een door PT ondersteund onderzoek gestart door TNO, DLV Facet en Grow Science b.v.. In de eerste studie (fase 1) zijn bij zowel paprika (2 bedrijven) als roos (2 bedrijven) gedurende 12 weken met behulp van Growlab instrumentatie en de reeds in de bedrijven aanwezige klimaatcomputers minimaal 29 verschillende parameters gevolgd met een hoge meetfrequentie (tot 285 metingen per dag per type sensor voor sommige parameters). Daarnaast zijn deze teelten door ervaren teeltadviseurs nauwlettend gevolgd. Met behulp van verschillende geavanceerde data analyse technieken is de data geanalyseerd. Uit deze eerste fase werd geconcludeerd dat fytomonitoring op verschillende niveaus waardevolle bijdragen kan leveren aan verbeteringen van de teelt. Hierbij kunnen worden onderscheiden: Analyses van concrete bedrijfs- en/of teelt situaties voor specifieke gewassen. Gebruik in vroege waarschuwing systemen (early warning systems), waarbij afwijkende teeltsituaties en/of afwijking in correlaties tussen parameters worden gesignaleerd Gebruik in teelt volgende systemen, waarbij ingrepen in de teelt door de teler eerst kunnen worden gesimuleerd en getoetst in een achterliggend (computer) model alvorens de maatregelen in praktijk uit te voeren. Gebruik als leer/ervarings gereedschap, waarbij de teler nieuwe inzichten kan verwerven betreffende de teeltsituatie aan de hand van het gedrag van nieuwe parameters tijdens de teelt. Hierbij kan een dergelijk systeem ook grote diensten bewijzen bij kennisoverdracht binnen een bedrijf. etere sturing gewas en bedrijfsmanagement voor een maximale gewasgroei en kwaliteit in relatie tot een zo hoog mogelijk rendement Inzicht in relaties tussen parameters en gevolgen voor de plant De resultaten lieten zien dat dergelijke doelen haalbaar zijn. In het in dit rapport beschreven project werden aanvullende meetsessies uitgevoerd bij zowel paprika als roos, waarbij de teelt in een ander seizoen werd gevolgd. De analyses van de data zijn nu gericht op concrete vraagstellingen waarbij de bruikbaarheid van fytomonitoring systemen in de teelt (met name in de bovengenoemde toepassingen) zal worden bepaald en uitgewerkt. Concrete vragen die aangepakt zullen worden zijn onder andere: Zijn parameter correlatie diagrammen bruikbaar in teeltsturing? Leiden februari 25

10 1 Zijn parameter correlatie diagrammen universeel of uniek voor verschillende bedrijven en/of verschillende teelt perioden en/of gewassen/rassen? Welke parameters zijn essentieel in dergelijke analyse methoden? Is een residuals analyse bruikbaar om afwijkende gebeurtenissen tijdens de teelt te signaleren? In de loop van de uitvoering van het project en met name de data analyse is vooral nadruk gelegd op het testen en ontwerpen van een early -warning systeem gebaseerd op complexe data analyse. Leiden februari 25

11 11 2. Doel van het project Het project heeft als einddoel het aanbieden van meer kennis en begrip aan tuinbouwondernemers en daarmee meer en gerichter mogelijkheden van (alternatieve) aansturing van de teelt. Hierbij wordt door middel van betere of preciezere aansturing een kwaliteitsverbetering, arbeidsbesparing, kosten verlaging en een lagere milieubelasting nagestreefd. Centraal staat hierbij de vraag op welke wijze zogenaamde fytomonitoring hieraan kan bijdragen. Leiden februari 25

12 12 3. Aanpak van de vraagstelling Om het einddoel te bereiken werden bij twee verschillende bedrijven metingen verricht gedurende de teelt van rozen, en bij twee verschillende bedrijven gedurende de teelt van paprika. Aan het einde van de verschillende meetsessies zijn alle meetgegevens onder gebracht in een data-base en in een identiek format gezet. Hierna zijn de gegevens op verschillende manieren geanalyseerd. Leiden februari 25

13 13 4. Parameters gemeten in het project. Tijdens de teelt van zowel roos als paprika zijn een groot aantal parameters gevolgd in de tijd. Sommige parameters werden zeer frequent gemeten (bijvoorbeeld iedere vijf minuten), terwijl anderen slechts een maal per dag werden bepaald. De meetfrequente van de verschillende parameters werd gekozen op basis van een inschatting van minimaal noodzakelijke frequentie en de technische mogelijkheden. Naast de direct gemeten parameters zijn ook veranderingen in parameters in de tijd als aparte waarden meegenomen (bijvoorbeeld de snelheid van verandering van temperatuur of licht), en de percentuele veranderingen in de parmeters. In tabel 1 en 2 zijn de geregistreerde parameters voor het gewas roos weer gegeven, en in tabel 2 voor het gewas paprika. Tabel 1: Roos Parameters Channel or code Growlab parameters Growlab Sensor used PAR A Chan 1 LI-19SZ PAR Chan 2 LI-19SZ LDTV (stengeldiameter) Chan 3 uistemp Chan 4 Resolutie.1 o C, nauwkeurigheid +.5 o C PT1 Chan 5 Resolutie.1 o C, nauwkeurigheid +.5 o C CO2 Chan 6 Vaisala GMM222 RV meter (incl. dauwpunt) Chan 7 Hmm213 Vaisala Area temp Chan 8 Resolutie.1 o C, nauwkeurigheid +.3% IR camera Chan 9 IR camera Ktx.11 Tensio 5 Chan 1 Tensio-technik 5 EC Chan 11 Tensio-technik 5 Sapstroom Chan 12 Meteogegevens Kastemp RV uis berekend uis meting Luwe zijde raamstand berekend Luwe zijde raamstand meting. Wind zijde raamstand berekend Wind zijde raamstand meting ML Lampen 5% ML Lampen 1% Assimilatie belichting 5% Assimilatie belichting 1% Straling uitentemperatuur Windsnelheid Regenmelder Regen Doekstand Leiden februari 25

14 14 Zuurstof sensor 6 Zuurstof sensor 8 VP VPD Tabel 2: Paprika Parameters Channel or code Growlab Sensor used Growlab parameters PAR A Chan 1 LI-19SZ PAR Chan 2 LI-19SZ LDTV (stengeldiameter) Chan 3 uistemp Chan 4 Resolutie.1 o C, nauwkeurigheid +.5 o C PT1 Chan 5 Resolutie.1 o C, nauwkeurigheid +.5 o C CO2 Chan 6 Vaisala GMM222 RV meter (incl. dauwpunt) Chan 7 Hmm213 Vaisala Area temp Chan 8 Resolutie.1 o C, nauwkeurigheid +.3% IR camera Chan 9 IR camera Ktx.11 Tensio 5 Chan 1 Tensio -technik 5 EC Chan 11 Tensio -technik 5 Sapstroom Chan 12 RV Chan 13 Hmm213 Vaisala Area temp Chan 14 Resolutie.1 o C, nauwkeurigheid +.3% Kastemp uistemp RV CO2 Raamstand luw Raamstand wind er Pb luw er Pb wind ph Watsys EC Watsys I4N2R7V3 ph Vochtmeting EC Vochtmeting Flow m3 Watsys Gift Vochtmeting Leiden februari 25

15 15 5. Resultaten 5.1 Data acquisitie Net zoals tijdens de eerste fase van het project zijn zowel de meetgegevens uit de Growlab als de data uit de klimaatcomputers en meteo stations van de versch illende bedrijven bewerkt tot format voor de Excel data base. Vanuit deze data base zijn verschillende bewerkingen en analyses van de meetgegevens uitgevoerd om de geschiktheid van de analyses voor gebruik in een early-warning systeem te toetsen. 5.2 Analyse strategie op weg naar een early warning systeem In de gevolgde analyse strategie naar een early warning systeem zijn verschillende dataanalyse werkzaamheden uitgevoerd. In het kort is het traject als volgt geweest: De data afkomstig van een bedrijf zijn door teeltadviseurs per dag voorzien van een label goede dag of slechte dag. Hierbij zijn slechte dagen die dagen waarbij het gewas er niet goed bijstond, dagen waarbij fouten in instellingen in klimaatcomputer of acties zijn geconstateerd, eventueel dagen voorafgaand aan slechte stand van het gewas zonder dat daar direct zichtbare afwijkingen aanwezig waren. Uitdrukkelijk wordt hier opgemerkt dat dagen waarbij bijvoorbeeld weersomstandigheden ongunstig voor optimale teelt waren niet als slechte dagen worden beschouwd (als de gebruikte teelt maatregelen op deze dagen goed waren). De data-sets met alleen de goede dagen zijn op verschillende manieren aan mathematische analyses onderworpen. Op basis van deze analyses is een op Principale Componenten Analyse (PCA) gebaseerd model door de computer opgesteld, waarin de data van de goede dagen het best past. Vervolgens zijn de complete data-sets (dus zowel afkomstig van de goede als de slechte dagen) in het model ingevoerd, en is bekeken of de slechte dagen binnen het model ook als slecht gediscrimineerd kunnen worden. In principe kan het ontwikkelde model, indien in staat te discrimineren tussen goede en slechte dagen, de basis vormen van een early warning systeem. 5.3 Data set acquisitie en analyse bottlenecks Zowel gedurende het verzamelen van de meetgegevens als tijdens de analyse van de data zijn evenals bij fase 1 verschillende onvoorziene problemen opgetreden. Deze problemen en de daardoor veroorzaakte extra werkzaamheden kunnen als volgt worden samen gevat: Extra werk heeft moeten plaatsvinden om de verschillende data sets in een zodanig format te brengen dat zowel Growlab data en klimaat/teelsturing gegevens in dezelfde data base met dezelfde tijdspunten konden worden opgenomen. Complicerende factoren hierbij waren de asynchrone tijdspunten van de metingen in de verschillende systemen en verschillen in meetfrequentie van de verschillende parameters. Veel (handmatig) werk heeft moeten plaatsvinden om de data sets voor de computer analyses te schonen van foute meetpunten (= nonsens waarden door meetstoring) en afwezige meetpunten voor een of enkele parameters gedurende een aantal meetpunten. Leiden februari 25

16 16 Dat sets zijn handmatig of door middel van speciaal hiervoor geschreven software routines netjes gemaakt zodat ze in de computer analyse verwerkt konden worden Gecomputeriseerde analyse Door de enorme complexiteit en omvang van de in het project geproduceerde data sets, kan een analyse alleen plaats vinden met door TNO speciaal ontwikkelde software. Deze door TNO ontwikkelde data-analyse methoden zijn speciaal geschikt voor het vinden van correlaties en verbanden tussen grote aantallen parameters en groepen van parameters. Ook bevatten deze methoden mogelijkheden om incidenten in data sets te identificeren. Deze methoden zijn in het project gebruikt om een early -warning systeem te maken. Principale componenten analyse (PCA): hierbij wordt door de computer een rekenkundig model geconstrueerd dat goed fit met de data-set. Hieruit kan onder andere worden bepaald hoeveel parameters noodzakelijk zijn voor een totale beschrijving (voorspelling) van de dataset, indien ingevoerd in het geconstrueerde model. (voorbeeld; bij de olympische tienkamp worden tien onderdelen uitgevoerd door de atleten. Principale componenten analyse laat zien dat reeds met de uitslagen van vier onderdelen welke dan in het model worden ingevoerd de uitslag van de gehele tienkamp met 98% zekerheid kan worden voorspeld. In dat geval zouden de atleten dus met het uitvoeren van deze vier onderdelen hetzelfde resultaat verkrijgen. Deze bevindingen zijn gebaseerd op de correlaties tussen de verschillende onderdelen die in het model vastliggen (1 m hardlopen en verspringen zijn bijvoorbeeld sterk gecorreleerd, evenals speerwerpen en discuswerpen, etc.). De principale componenten zijn lineaire combinaties van de parameters met daarbij weegfactoren per parameter (de zgn loadings). ijvoorbeeld: PC1= A*(parameter 1)+ *(parameter 2)+ C*(parameter 3)+ D*(parameter 4) + etc. De grootte van de weegfactoren per parameter vertellen iets over het relatieve belang van de verschillende parameters in het model. Parameters met grote weegfactor spelen een prominentere rol dan parameters met hele kleine weegfactor. Variantie analyse: hierbij wordt de totale variatie in de data-set geanalyseerd. Deze variantie wordt uitgedrukt in een zgn Q-residual. Tijdens normaal verloop van de teelt zal deze Q- residual zich onder een bepaalde waarde bevinden. Indien er echter incidenten optreden waardoor de variatie in de data niet meer voldoet aan het normale beeld dan kan dit direct worden gesignaleerd. 5.4 Gevolgde traject naar een early-warning systeem Om te schetsen welk traject is gevolgd naar een early-warning systeem is hieronder in een reeks figuren aangeven welke analyses zijn uitgevoerd. Op basis van deze analyses kunnen conclusies worden getrokken met betrekking tot de haalbaarheid van een basis van complexe data-analyse gebaseerd early warning systeem. Leiden februari 25

17 Model voor licht-periode bij paprika Model constructie In eerste instantie is uitgegaan van de data die is verzameld gedurende de licht periode (iets voor 8. uur in de ochtend tot iets na 18. uur in de avond. Data punten zijn ieder 5 minuten opgenomen. Gebruikte data: in het voorbeeld hieronder: 5 minuten data uit een paprika bedrijf (dwz ieder vijf minuten werd een meting verricht van iedere parameter), handmatig geselecteerd op goede dagen. Van deze data werd een PCA model berekend (figuur 1). Variance Captured (%) Principal Component Number Principal Eigenvalue % Variance % Variance Component of Captured Captured Number Cov(X) This PC Total e e e e e e e e e e e e e e e e e e e e Figuur 1: PCA model gebaseerd op 5 minuten data van 72 parameters. Op de x-as staat het nummer van de verschillende Principale componenten (PC) uitgezet tegen het percentage van de variantie in de data-set die door iedere PC wordt vastgelegd. In de tabel rechts worden de exacte waarden weergeven, alsook de som variantie. Een fouten analyse in het model, waarbij wordt onderzocht bij gebruik van hoeveel PC s de fout in de model voorspelling minimaal is bij beschrijving van de volledige data-set, geeft aan dat 72 gebruikte variabelen kunnen worden samengevat in 18 lineaire combinaties waarbij de fout minimaal is en 75% van de dat wordt beschreven (o.a. figuur 1, 2 en 3). Comment: Deze tabel met cijfers zegt de gemiddelde lezer waarschijnlijk niets. Ik zou het daarom weglaten Leiden februari 25

18 R M SE C RMSECV Principal Component Number Principal Component Number Figuur 2 en 3: Cross-validatie (fouten analyse) van het PCA model. In figuur 2 (links) zijn de data als continue blokken verwerkt en figuur 3 (rechts) zijn de dat volgens een zogenaamd luxaflex principe verwerk. Uit beide analyses blijkt dat bij gebruik van meer dan 18 PC de fout in de voorspelling weer toeneemt. Vanuit het PCA model zijn de eerste drie PC s vervolgens weergegeven in de tijd. Steeds is de sterkte van de trend (score) uitgezet tegen het tijdstip van de dag. Daarnaast is gekeken naar de onderlinge correlaties van de verschillende parameters binnen de betreffende PC s (figuren 4, 5, 6, 7, 8 en 9). Leiden februari 25

19 19 Figuur 4: Trend van PC1 gedurende 24 uur op de verschillende dagen. Ieder dag start de score rond de waarde 5 om vervolgens op te lopen naar positieve waarden. Vervolgens neemt de waarde weer af. De dagen 2 oktober (2-1) en 31 oktober (31-1) vertonen een start punt midden in de grafiek, veroorzaakt door een storing in data acquisitie waarbij data in de voorliggende uren verloren is gegaan. Figuur 5: Onderlinge correlaties van de 72 verschillende variabelen binnen PC1. Hier is duidelijk is dat in PC1 de meeste variabelen genummerd van 1 tot 3 bijdragen aan de correlaties. Variabelen met een nummer groter dan 45 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven). Leiden februari 25

20 2 8 6 Scores on PC 2 (9.96%) Timevaltrain24 Figuur 6: Trend van PC2 gedurende 24 uur op de verschillende dagen. De start van iedere score is hier veel meer variabel dan bij PC1 (figuur 4). Ook hier lopen de scores in de loop van de tijd naar positieve waarden en nemen vervolgens weer af. Echter de spreiding is veel groter, en er lijken ook twee groepen te bestaan. Leiden februari 25

21 Loadings on PC 2 (9.96%) C3-Ldtv 1 mm C2-PAR C1-PAR A C4-uistemp C6-CO2 C5-PT1 C7-RH C9-IR C8-Area Camera temp C1-Tensio 5 C12-Sapflow C11- Temp C13-Aquameter VD RV Raam-Zuid Raam-Noord t otaal gem ber buis buis CO2 gem doek CO2 CO2 1 5 CO29 CO2 7 b uiten windsnelheid straling StartGewicht DrainGewicht Gifterekend PlantGewicht MatGewicht Drain DrainTabel X2 X1 X3 X4 X5 X7 X6 C1-PAR A Zuurstof D D C3-Ldtv C2-PAR 1 D C4-uistemp mm D C6-CO2 D C5-PT1 D C7-RH D C9-IR D C8-Area Camera temp C1-Tensio C11-5 D D C12-Sapflow C13-Aquameter P C2-PAR C1-PAR A P P C3-Ldtv C4-uistemp 1 mm P C6-CO2 P C5-PT1 P C7-RH P C9-IR P C8-Area Camera temp VP (KPa) P P C1-Tensio C11-5 P P C12-Sapflow C13-Aquameter VPD (KPa) Variable Figuur 7: Onderlinge correlaties van de 72 verschillende variabelen binnen PC2. Ook hier is duidelijk is dat in PC2 de meeste variabelen genummerd van 1 tot 3 bijdragen aan de correlaties. Variabelen met een nummer groter dan 45 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven). Leiden februari 25

22 Scores on PC 3 (6.71%) Timevaltrain24 Figuur 8: Trend van PC3 gedurende 24 uur op de verschillende dagen. De start van iedere score is hier net als bij PC1 (figuur 4) zeer stabiel, in dit geval rond de waarde, in de tijd. De scores lopen echter in de loop van de tijd niet sterk naar positieve waarden, maar blijven min of meer constant. Leiden februari 25

23 23.3 D C1-PAR A P C1-PAR A P C2-PAR Loadings on PC 3 (6.71%) C2-PAR C1-PAR A X4 Raam t otaal straling X5 Raam-Noord CO2 b uiten D C5-PT1 P C5-PT1 C9-IR Camera Raam-Zuid gem CO2 buis 5 StartGewicht D C13-Aquameter P C13-Aquameter VPD (KPa) C4-uistemp C8-Area VD temp Drain CO2 MatGewicht X2 D C11- Temp 7 D C12-Sapflow CO2 9 DrainTabel Zuurstof C6-CO2 C3-Ldtv 1 mm C1-Tensio C11- gem doek Gifterekend X1 X3 D C7-RH P C7-RH P P C11- C12-Sapflow VP (KPa) RV ber buis 5 CO2 1 D C4-uistemp P C4-uistemp C7-RH C13-Aquameter windsnelheid DrainGewicht D C3-Ldtv D C6-CO2 1 mm P C3-Ldtv P C6-CO2 1 mm X7 C12-Sapflow D C1-Tensio P 5 C1-Tensio 5 C5-PT1 PlantGewicht X6 D C8-Area C9-IR Camera temp P C8-Area C9-IR Camera temp D C2-PAR Variable Figuur 9: Onderlinge correlaties van de 72 verschillende variabelen binnen PC3. Hier is duidelijk is dat in PC3 veelmeer variabelen sterkere correlatie vertonen. Opvallend is hier dat met name de hoger genummerde variabelen (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven) sterkere correlatie bijdrage geven. Vervolgens zijn de residuen (de overblijvende waarde op ieder meetpunt indien ingevuld in het model) bepaald voor alle meetpunten. In het voorbeeld (figuur 1) worden de residuen weergegeven van meer dan 3 meetpunten in de periode van 2 oktober (2-1) tot 31 oktober (31-1). Uit het voorbeeld blijkt dat de data uit de meeste meetmomenten goed in het model passen (Q residual kleiner dan 5). Echter bij een aantal meetmomenten treedt een heel grote residual waarde op. Dit ondanks het feit dat hier alleen data is gebruikt van dagen die door teeltadviseurs als goed zijn beoordeeld. De meetmomenten met de hoge residual waarden passen dus niet in het algemene model dat goede dagen beschrijft, en zijn dus potentieel momenten waarop iets fout is in de kas. Leiden februari 25

24 Q Residuals (24.25%) Sample Index Figuur 1: Q-residuals van meer dan meetmomenten over de periode 2-1 tot Hoge Q-residual waarden geven meetmomenten aan 16-1 waarbij de uitgelezen data van Growlab 17-1 en klimaatcomputer niet passen binnen het model goede 18-1 dag Naast de residuals is ook gekeken naar de sterkte waarmee ieder tijdstip 24-1 (data punten op dat 25-1 tijdstip genomen) de vorm van het berekende model beïnvloedt. Hiervoor wordt de 27-1 zogenaamde Hotelling factor T 2 gebruikt. In figuur 11 is deze factor weergegeven voor dezelfde samples als in figuur 1. Hieruit blijkt dat de data van de meeste tijdstippen ongeveer even zwaar de vorming van het model beïnvloeden. Er zijn echter een aantal tijdstippen die een onevenredig grote model beïnvloeding hebben. Dit zijn (gezien resultaten uit figuur 1) veelal tijdstippen met data die minder goed in het model passen. Leiden februari 25

25 25 Hotelling T 2 (75.75%) Sample Index Figuur 11: Hotelling van meer dan 3 meetmomenten over de periode 2-1 tot Hoge T 2 waarden geven meetmomenten aan waarbij de uitgelezen data van Growlab en klimaatcomputer de modelvorming voor de goede dagen sterker beïnvloeden Projectie van foute dagen in het model Nadat het model is gevormd en geanalyseerd met behulp van de data van de goede dagen zijn vervolgens alle data (dus inclusief de data van dagen die als slecht zijn aangemerkt) op het model geprojecteerd. Met deze projectie wordt zichtbaar gemaakt of het model discriminerend werkt voor de als fout gekenmerkte dagen. In eerste instantie zijn de Principale Componenten van de foute dagen data bepaald volgens de model definitie en geplot in de grafieken van de goede dagen data (Figuur 12,1 3,14, 15). Leiden februari 25

26 26 15 Scores on PC 1 (17.24%) Timevaltrain24,Timevaltest24 Figuur 12: PC1 in de tijd (van ochtend tot avond) voor de periode 2-1 tot innen de figuur is het verloop van PC1 voor de foute dagen aangeven in groen. Duidelijk is dat PC1 voor een groot aantal foute dagen een andere waarde aanneemt dan voor de goede dagen. Verschil treedt vooral op na het einde van ochtend Scores on PC 2 (9.96%) Timevaltrain24,Timevaltest24 Figuur 13: PC2 in de tijd (van ochtend tot avond) voor de periode 2-1 tot innen de figuur is het verloop van PC1 voor de foute dagen aangeven in groen. Duidelijk is dat voor PC2 moeilijk een discriminatie te zien is tussen foute dagen en goede dagen. Leiden februari 25

27 Scores on PC 3 (6.71%) Timevaltrain24,Timevaltest24 Figuur 14: PC3 in de tijd (van ochtend tot avond) voor de periode 2-1 tot innen de figuur is het verloop van PC3 voor de foute dagen aangeven in groen. Duidelijk is dat voor PC3 moeilijk een discriminatie te zien is tussen foute dagen en goede dagen Scores on PC 4 (5.17%) Timevaltrain24,Timevaltest24 Figuur 15: PC4 in de tijd (van ochtend tot avond) voor de periode 2-1 tot innen de figuur is het verloop van PC4 voor de foute dagen aangeven in groen. Duidelijk is dat voor PC4 moeilijk een discriminatie te zien is tussen foute dagen en goede dagen. Leiden februari 25

28 28 Naast het projecteren van de principale componenten in de tijd kunnen ook de residuals worden bepaald van de data van de foute dagen indien ingebracht in het model. Deze residuals zijn weergegeven in figuur 16 samen met de residuals van de goede dagen (uit figuur 1). Hieruit blijkt dat het grootste deel van de foute dagen een Q-residual geeft dat buiten de geaccepteerde waarde van 75 ligt Q Residuals (24.25%) Sample Index Figuur 16: Q-residuals van de foute dagen (groene punten) in het model gebaseerd op goede dagen. Q-residuals van de goede dagen zijn ook weergegeven (zwarte punten) Model voor de totale dag bij rozenteelt Model constructie In dit model is uitgegaan van de data die is verzameld gedurende cycli van 24 uur (gehele dag). Data punten zijn ieder 5 minuten opgenomen. Gebruikte data: in het voorbeeld hieronder: 5 minuten data uit een rozen bedrijf (dwz ieder vijf minuten werd een meting verricht van iedere parameter), handmatig geselecteerd op goede dagen. Van deze data werd een PCA model berekend. In figuur 17 wordt de PC1 waarde zoals in het model berekend weergegeven voor 5 opeenvolgende samples (is ongeveer 17 dagen). Duidelijk zichtbaar zijn de dagelijkse (steeds terugkerende) fluctuaties in de PC1 waarde. In figuur 18 is deze data nogmaals weergegeven, Leiden februari 25

29 29 maar dan op een 24 uur schaal (iedere dag start opnieuw bij uur). De figuur laat ook zien dat op sommige dagen het normale patroon niet of in minder mate aanwezig is Scores on PC 1 (19.73%) Sample Scale Figuur 17: PC1 scores van de geselecteerde goede dagen gedurende 24 over ongeveer 17 dagen. Dagelijkse terugkerende fluctuaties in PC1 zijn duidelijk zichtbaar. Leiden februari 25

30 Scores on PC 1 (19.73%) Time Figuur 18: Dezelfde PC1 waarden gedurende 24 over een periode van ongeveer 17 dagen, maar nu per 24 uur over elkaar heen geplot. Het dag patroon is nu duidelijk zichtbaar. De rechte lijnen zijn de terugsprong aan het eind van een 24 uur periode. Duidelijk is ook dat op sommige dagen het normale patroon niet of verminderd optreedt. In figuur 19 is vervolgens de loading van de verschillende parameters in PC1 weergegeven. Net als bij de eerder geanalyseerde data voor paprika (zie 5.4.1) zijn ook hier de parameters met waarden tot genummerd 3 met de grootste invloed. In de figuren 2, 21, 22, 23 is vervolgens analoog aan figuren 18 en 19 het verloop en loading van PC2 en PC 3 weergegeven. Ook hier blijkt in analogie met de analyse in dat voor PC2 er een verloop over de dag is, en dat met name parameters genummerd 1-3 bijdragen aan de samenstelling van PC2. PC3 lijkt over de dag constant en hierbij zijn het ook de afgeleide parameters (parameter waarde veranderingen, genummerd hoger dan 4) die bijdragen. Leiden februari 25

31 31 Loadings on PC 1 (19.73%).3 C8-Area C9-IR Camera temp C5-PT1 Kastemp.2 C1-PAR C2-PAR A straling lz lz raam berek met Temp Vpsat Vpsat R PWS (Kpa) Vpair VP (KPa) (psi) elichting 5% C3-Ldtv C4-uistemp buiten 1 mm regenmelder temp elichting 1% C6-CO2 C11- D C5-PT1 C12-Sapflow D D C1- C2-Sapflow D C5-PT1 wz raam berek met D C3-Ldtv D C-Tensio 1 mm uis berek met D C4-uistemp D C6-CO2 C7-RH D C3-Ldtv 5 D mm D D C4-uistemp D C6-CO2 C7-RH C1-Tensio D C11- C12-Sapflow 5 windsnelheid regen D C1-PAR C2-PAR D C8-Area A C9-IR D C1-PAR C2-PAR Camera temp D C8-Area A C9-IR Camera temp C7-RH RV Lampen Lampen uit uit Doek 5% 1% stand O2 Sens6 C1-Tensio 5 O2 Sens8 VPD VPD (KPa) Variable Figuur 19: Onderlinge correlaties van de 72 verschillende variabelen binnen PC1. Duidelijk is dat in PC1 de meeste variabelen genummerd van 1 tot 3 bijdragen aan de correlaties. Variabelen met een nummer groter dan 4 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven) Scores on PC 2 (8.95%) Time Figuur 2: PC2 waarden gedurende 24 over een periode van ongeveer 17 dagen per 24 uur over elkaar heen geplot. Het dag patroon is nu duidelijk zichtbaar. De rechte lijnen zijn de terugsprong aan het eind van een 24 uur periode. Leiden februari 25

32 32.3 RV C4-uistemp C7-RH uis berek met Loadings on PC 2 (8.95%).2.1 D C1-PAR C2-PAR A D C1-PAR C2-PAR A O2 Sens6 C8-Area temp Lampen uit 5% Kastemp D C5-PT1 D C8-Area C9-IR Camera D temp C5-PT1 D C8-Area C9-IR Temp Vpsat Camera temp Vpsat R PWS (Kpa) C9-IR Camera wz raam berek C5-PT1 wz Lampen raam elichting met uit 1% 1% D C4-uistemp D C4-uistemp D C3-Ldtv D C6-CO2 1 mm D C3-Ldtv D C6-CO2 D C11-1 mm D C12-Sapflow D C-Tensio 5 D C1-Tensio 5 C1-PAR C2-PAR A elichting straling 5% D C7-RH D C1- C2-Sapflow D C7-RH O2 Sens8 -.1 regenmelder C3-Ldtv 1 mm C1-Tensio 5 Doek stand lz lz raam berek met VPD VPD (KPa) -.2 C11- C12-Sapflow -.3 C6-CO2 windsnelheid regen buiten temp Vpair VP (KPa) (psi) Variable Figuur 21: Onderlinge correlaties van de 72 verschillende variabelen binnen PC2. Duidelijk is dat in PC2 de meeste variabelen genummerd van 1 tot 3 bijdragen aan de correlaties. Variabelen met een nummer groter dan 4 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven). Leiden februari 25

33 Scores on PC 3 (6.76%) Time Figuur 22: PC3 waarden gedurende 24 over een periode van ongeveer 17 dagen per 24 uur over elkaar heen geplot. Het dag patroon is relatief constant. De rechte lijnen zijn de terugsprong aan het eind van een 24 uur periode..4.3 D C8-Area C9-IR Camera temp D D C8-Area C9-IR Camera temp Loadings on PC 3 (6.76%).2 Doek stand VPD VPD (KPa) D C5-PT1 D C5-PT1.1 C1-PAR C2-PAR C4-uistemp A C11- C12-Sapflow uis berek met elichting regenmelder 5% D C6-CO2 D C6-CO2 D C4-uistemp D C7-RH D C4-uistemp D C7-RH D C11- O2 Sens6 elichting 1% C8-Area C9-IR C1-Tensio Camera temp 5 straling D C3-Ldtv 1 mm Temp Vpsat Vpsat R PWS (Kpa) C6-CO2 O2 Sens8 C3-Ldtv C5-PT1 1 mm wz wz raam berek met D C12-Sapflow Lampen Lampen uit uit 5% 1% D C3-Ldtv 1 mm Vpair VP (KPa) (psi) Kastemp -.1 lz lz raam berek met regen windsnelheid D C-Tensio 5 D C1-Tensio 5 RV -.2 C7-RH D C1-PAR C2-PAR A D C1-PAR C2-PAR A buiten temp D C1- C2-Sapflow Variable Figuur 23: Onderlinge correlaties van de 72 verschillende variabelen binnen PC3. Opvallend is hier dat met name de hoger genummerde variabelen (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven) sterkere correlatie bijdrage geven. Leiden februari 25

34 Model training Het model dat is opgesteld op basis van de data zoals beschreven in is vervolgens getraind op een dataset met geselecteerde goede dagen uit de teelt. De modelparameters (PC1, PC2 etc) zijn vastgesteld met behulp van deze goede dagen data. In de figuren 24 t/m 29 zijn het verloop van de Principale Componenten (PC s) en samenstelling van de PC s weergegeven Scores on PC 1 (12.18%) Timevaltrain24 Figuur 24: PC1 waarden gedurende 24 over een periode van ongeveer 17 dagen ( per 24 uur over elkaar heen geplot) voor een dataset geselecteerd op goede dagen. Het dag patroon is nu duidelijk zichtbaar. Leiden februari 25

35 Loadings on PC 1 (12.18%) C1-PAR.3 C2-PAR A C9-IR Camera Kastemp straling C5-PT1 C8-Area temp lz lz raam berek met C11- C12-Sapflow elichting 5% C3-Ldtv 1 mm regenmelder D D C1- C2-Sapflow buiten temp D C-Tensio 5 elichting 1% D C1-Tensio 5 D C5-PT1 D C3-Ldtv D C7-RH 1 mm D C3-Ldtv D C5-PT1 1 mm D C12-Sapflow D C7-RH wz wz raam berek met D C11- C6-CO2 D C6-CO2 D C6-CO2 D C4-uistemp D C4-uistemp C4-uistemp windsnelheid Lampen uit 1% regen D D D C1-PAR C2-PAR A D C8-Area C9-IR Camera temp D D C8-Area C9-IR Camera temp C7-RH Lampen uit 5% Doek stand D D C1-PAR C2-PAR A C1-Tensio RV uis uis 5 berek met Variable Figuur 25: Onderlinge correlaties van de 72 verschillende variabelen binnen PC1. Duidelijk is dat in PC1 de meeste variabelen genummerd van 1 tot 3 bijdragen aan de correlaties. Variabelen met een nummer groter dan 3 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven) Scores on PC 2 (8.77%) Timevaltrain24 Figuur 26: PC2 waarden gedurende 24 over een periode van ongeveer 17 dagen ( per 24 uur over elkaar heen geplot) voor een data set geselecteerd op goede dagen. Het dag patroon is nu duidelijk zichtbaar. Leiden februari 25

36 C4-uistemp uis berek met Loadings on PC 2 (8.77%) RV.2 C7-RH Kastemp C8-Area temp C6-CO2 C9-IR Camera buiten windsnelheid regen temp C1-PAR C2-PAR C5-PT1 A straling.1 D D C1-PAR C2-PAR A D D C1-PAR C2-PAR A D C5-PT1 D C5-PT1 elichting 1% D D C8-Area C9-IR Camera temp D D C8-Area C9-IR Camera temp wz wz Lampen raam raam berek met uit 5% D C4-uistemp D C4-uistemp D C11- elichting 5% D C3-Ldtv 1 mm D C3-Ldtv D C6-CO2 1 mm D C6-CO2 Lampen uit 1% D C-Tensio 5 D C1-Tensio D C12-Sapflow 5 D C7-RH D C7-RH D D C1- C2-Sapflow regenmelder -.1 C3-Ldtv 1 mm lz lz raam berek met C11- C12-Sapflow C1-Tensio 5 Doek stand Variable Figuur 27: Onderlinge correlaties van de 72 verschillende variabelen binnen PC2. Duidelijk is dat in PC2 de meeste variabelen genummerd van 1 tot 3 bijdragen aan de correlaties. Variabelen met een nummer groter dan 3 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven). Leiden februari 25

37 Scores on PC 3 (7.71%) Timevaltrain24 Figuur 28: PC3 waarden gedurende 24 over een periode van ongeveer 17 dagen per 24 uur over elkaar heen geplot. Het dag patroon is relatief constant. De rechte lijnen zijn de terugsprong aan het eind van een 24 uur periode..4.3 D C8-Area temp D C8-Area temp D C9-IR Camera D C9-IR Camera Loadings on PC 3 (7.71%) C1-PAR C2-PAR A D C5-PT1 D C5-PT1 straling regenmelder D C4-uistemp D C6-CO2 D C4-uistemp D C6-CO2 D C11- C3-Ldtv 1 C9-IR mm Camera Doek stand elichting 5% C8-Area temp elichting 1% D C7-RH D C3-Ldtv D C7-RH 1 mm C5-PT1 C1-Tensio Kastemp lz lz 5 raam berek met uis berek met D C12-Sapflow C4-uistemp C6-CO2 wz wz Lampen raam berek met uit uit 5% 1% D C3-Ldtv 1 mm C7-RH C11- C12-Sapflow RV D C1-PAR C2-PAR A buiten windsnelheid regen temp D D C1-PAR C2-PAR A D C-Tensio 5 D C1-Tensio D D C1- C2-Sapflow Variable Figuur 29: Onderlinge correlaties van de 72 verschillende variabelen binnen PC3. Opvallend is hier dat vooral de hoger genummerde variabelen (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven) sterkere correlatie bijdrage geven. Leiden februari 25

38 38 Figuur 3: 3-D representatie van PC1 (liggende as links), PC2(staande as) en de tijd(liggende as rechts) van de trainingsdataset. Ieder punt (blauw) is een enkel 5 minuten meetpunt. Uitvergrotingen van drie gebieden zijn gegeven. Leiden februari 25

39 39 Op basis van de trainingsdata set (met de hand geselecteerde goede dagen) kan nu een drie dimensionale (3-D) representatie van de data set binnen het model worden gegeven. In figuur 3 staan PC1, PC2 en de tijd over de dag weergegeven. Uit deze weergave blijkt dat er binnen het normale dagelijkse verloop van de PC1 en PC2 waarden drie gebieden met afwijkende waarden kunnen worden onderscheiden (in figuur 3 uitvergroot weergegeven). Ondanks de handmatige selectie van de goede dagen in de trainingsdataset zijn er dus momenten dat de meetwaarden buiten de normaal waarden van het model vallen. Op deze momenten (dagen) is potentieel een calamiteit (afwijking van de normale situatie) in de kas aanwezig Voorspellen van foute dagen Nadat het model is opgesteld en geijkt aan de goede dagen dataset kan worden begonnen aan het onderzoeken van de voorspellende waarde van het model met betrekking tot afwijkende situaties in de kas. Hiertoe is de complete data set (zowel de handmatig geselecteerde goede dagen data als de overige dagen data) over het getrainde model gelegd. In de figuren 31 t/m 35 zijn PC1 t/m PC5 uitgezet in de tijd (24 uur, 5 minuten data interval) over de gehele meetperiode. Uit deze figuren blijkt duidelijk dat de data uit de foute dagen buiten de normale waarden voor de PC s vallen. Scores in PC1 vallen voor foute data veelal hoger uit, voor PC2 lager, en PC5 hoger. Voor PC3 en PC4 zien we een vergrootte spreiding van de score rond de normaalwaarde. Afwijkingen van de normaalwaarden vinden met name plaats tijdens de lichtperiode. 1 8 Scores on PC 1 (12.18%) Timevaltrain24,Timevaltest24 Figuur 31: PC1 waarden van de totale dataset over 24 uur (5 minuten waarden) gedurende de gehele meetperiode. Zowel goede als overige ( slechte ) dagen zijn meegenomen. In zwart zijn de data uit de trainingsset weergegeven, in groen de data uit de overige dagen. Duidelijk is dat binnen de overige dagen veel afwijkingen op de normale waarde voorkomen en dat deze met name tijdens de lichtperiode optreden. Leiden februari 25

40 4 5 Scores on PC 2 (8.77%) Timevaltrain24,Timevaltest24 Figuur 32: PC2 waarden van de totale dataset over 24 uur (5 minuten waarden) gedurende de gehele meetperiode. Zowel goede als overige ( slechte ) dagen zijn meegenomen. In zwart zijn de data uit de trainingsset weergegeven, in groen de data uit de overige dagen. Duidelijk is dat binnen de overige dagen afwijkingen op de normale waarde voorkomen, maar minder dan bij PC Scores on PC 3 (7.71%) Timevaltrain24,Timevaltest24 Figuur 33: PC3 waarden van de totale dataset over 24 uur (5 minuten waarden) gedurende de gehele meetperiode. Zowel goede als overige ( slechte ) dagen zijn meegenomen. In zwart zijn de data uit de trainingsset weergegeven, in groen de data uit de overige dagen. Duidelijk Comment: Vaak vinden de beschrijvingen van de figuren plaats bijde legenda van het figuur. eter is dit om inde tekst te doen. Geef voor de doelgroep ook aan wat de afwijkingen zijn. Dus welk type Leiden februari 25