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

PROJECTVERSLAG

Uitbreiding en verdieping mogelijkheden, kansen en beperkingen van fytomonitoring (fase 2) IN OPDRACHT VAN PRODUCTSCHAP TUINBOUW (PROJECT 11.412)

1000 900 800 700 600 500 400 300 200 1 0 0 02-10 0

31-10

12-10 23-10 03-10 04-10 05-10 06-10 07-10 09-10 10-10 14-10 15-10 16-10 17-10 21-10 26-10 27-10 28-10 29-10 08-10 11-10 13-10 18-10 20-10 22-10 24-10 25-10 100 19-10 500 1000 1500 2000 2500 3000

80

60

40

20 50

0

-20

0

2

4

6

8

10

12

14

16

18

20

22

-50

-100

-150 -20

0

20

40

60

Leiden, februari 2005

80

100

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

2

PROJECTVERSLAG

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

Uitgevoerd door: TNO Toegepaste Plantwetenschappen DLV Facet Growlab b.v.

Gefinancierd door:

Productschap Tuinbouw Postbus 280 2700 AG Zoetermeer

© DLV Facet, TNO Toegepaste Plantwetenschappen, Growlab B.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 B.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 B.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 B.V.

Leiden februari 2005

Inhoudsopgave Geïllustreerde Samenvatting

4

1. Inleiding

9

2. Doel van het project

11

3. Aanpak van de vraagstelling

12

4. Parameters gemeten in het project

13

5. Resultaten 5.1 Data aquisitie 5.2 Analyse strategie op weg naar een “early warning” systeem 5.3 Data set acquisitie en analyse bottlenecks 5.4 Gevolgde traject naar een ‘early-warning’ systeem

15 15 15 16

6. Conclusies

68

Leiden, februari 2005

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

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.



5

1000 900 800 700 600 500 400 300 200 100 02-10

31-10

12-10 14-10 23-10 25-10 04-10 05-10 09-10 10-10 21-10 26-10 27-10 06-10 07-10 15-10 16-10 17-10 28-10 29-10 08-10 18-10 11-10 13-10 20-10 22-10 24-10 19-10 0 03-10 500 1000 1500 2000 2500 3000

Figuur A: Q-residuals van meer dan 3000 meetmomenten over de periode 2 -10 tot 31-10. 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”. 15

10 07-10

02-10 05-10 02-10

04-10 5 28-10 29-10

0 09-10 11-10 08-10 08-10 11-10 07-10 10-10 03-10 03-10 04-10 06-10 05-10 20-10 19-10 19-10 21-10 22-10 25-10 22-10 18-10 20-10 12-10 15-10 14-10 16-10 23-10 28-10 13-10 29-10 17-10 30-10 26-10 24-10 31-10 01-11 27-10 03-11 -10 02-11

31-10

-5

-15

8

06-10

27-10

10

12

14

16

18

Figuur B: Model parameter PC1 die opgebouwd uit de gewogen som van alle meet parameters is hier uitgezet in de tijd (van ochtend 7.00 uur tot avond 19.00 uur) voor de periode 2-10 tot 3-11. Binnen 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.



6

100

80

60

40

20

0

-20

2

4

6

8

10

12

14

16

18

20

22

Figuur C: Idem aan figuur B 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



7

50

0

-50

-100

-150 -20

0

20

40

60

80

100

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. Blauwe 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. 0.4 C4-Buistemp 0.3 Buis Buisberek met RV C7-RH

Loadings on PC 2 (8.77%)

0.2

windsnelheid C6-CO2 B regen

0.1

Kastemp C8-Area temp C9-IR Camera

buiten temp

C5-PT1000 B C2-PAR C1-PAR BA straling

DDC1 C2-PAR PAR A BB C1-PAR C2-PAR A D DD C9 D C9C8C8-Area -IR IRArea Camera temp temp

D D C5-PT1000 C5 -PT1000 BB Belichting 100%

wz berek D C4-Buistemp Lampen uit 50% wz D raam raam C11D C3-met Ldtv 10 mm Belichting 50% DDC6-CO2 BBLdtv C6-CO2 D DC310 mm C12 -Sapflow DDC10C0-Tensio Tensio 500 Lampen uit 100%D D C7 C7--RH RH D D C2-Sapflow C1 regenmelder C3-Ldtv 10 mm

0

-0.1

-0.2

l z raam lz raam met berek

C11C12-Sapflow

Doek stand C10-Tensio 500 -0.3 -0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2

0.25

0.3


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, CO2 en buistemperatuur waarden ten opzichte van de andere parameters.



x 10

8

4

2 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0

0

200

400

600

800

1000

1200

Figuur F: In deze figuur zijn de Q residuals (afwijkingen binnen het model) per meetmoment uitgezet tegen de Hotelling T2 (extremiteit van de parameters). Alle datapunten uit de geselecteerde “goede” dagen (5000 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, CO2 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.



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: Ø Analyses van concrete bedrijfs- en/of teelt situaties voor specifieke gewassen. Ø Gebruik in “vroege waarschuwing” systemen (early warning systems), waarbij afwijkende teeltsituaties en/of afwijking in correlaties tussen parameters worden gesignaleerd Ø 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. Ø 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. Ø Betere sturing gewas en bedrijfsmanagement voor een maximale gewasgroei en kwaliteit in relatie tot een zo hoog mogelijk rendement Ø 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: Ø Zijn parameter correlatie diagrammen bruikbaar in teeltsturing?



10

Ø Zijn parameter correlatie diagrammen universeel of uniek voor verschillende bedrijven en/of verschillende teelt perioden en/of gewassen/rassen? Ø Welke parameters zijn essentieel in dergelijke analyse methoden? Ø 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.



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.



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.



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 Growlab parameters PAR A PAR B LDTV (stengeldiameter) Buistemp PT1000 B CO2 RV meter (incl. dauwpunt) Area temp IR camera Tensio 500 EC Sapstroom Meteogegevens Kastemp RV Buis berekend Buis meting Luwe zijde raamstand berekend Luwe zijde raamstand meting. Wind zijde raamstand berekend Wind zijde raamstand meting ML Lampen 50% ML Lampen 100% Assimilatie belichting 50% Assimilatie belichting 100% Straling Buitentemperatuur Windsnelheid Regenmelder Regen Doekstand

Channel or code Chan 1 Chan 2 Chan 3 Chan 4 Chan 5 Chan 6 Chan 7 Chan 8 Chan 9 Chan 10 Chan 11 Chan 12

Growlab Sensor used LI-190SZ LI-190SZ Resolutie 0.1o C, nauwkeurigheid +0.5o C Resolutie 0.1o C, nauwkeurigheid +0.5o C Vaisala GMM222 Hmm213 Vaisala Resolutie 0.1o C, nauwkeurigheid +0.3% IR camera Ktx.11 Tensio-technik 500 Tensio-technik 500



14

Zuurstof sensor 6 Zuurstof sensor 8 VP VPD

Tabel 2: Paprika Parameters Growlab parameters PAR A PAR B LDTV (stengeldiameter) Buistemp PT1000 B CO2 RV meter (incl. dauwpunt) Area temp IR camera Tensio 500 EC Sapstroom RV Area temp Kastemp Buistemp RV CO2 Raamstand luw Raamstand wind Ber Pb luw Ber Pb wind pH EC I400N2R7V3 pH EC Flow m3 Gift

Channel or code Growlab Sensor used Chan 1 Chan 2 Chan 3 Chan 4 Chan 5 Chan 6 Chan 7 Chan 8 Chan 9 Chan 10 Chan 11 Chan 12 Chan 13 Chan 14

LI-190SZ LI-190SZ Resolutie 0.1o C, nauwkeurigheid +0.5o C Resolutie 0.1o C, nauwkeurigheid +0.5o C Vaisala GMM222 Hmm213 Vaisala Resolutie 0.1o C, nauwkeurigheid +0.3% IR camera Ktx.11 Tensio -technik 500 Tensio -technik 500 Hmm213 Vaisala Resolutie 0.1o C, nauwkeurigheid +0.3%

Watsys Watsys Vochtmeting Vochtmeting Watsys Vochtmeting



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: Ø 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). Ø 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. Ø 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. Ø 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.



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. 5.3.1 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 (100 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). Bijvoorbeeld: PC1= A*(parameter 1)+ B*(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 Qresidual 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.



17

5.4.1. Model voor licht-periode bij paprika 5.4.1.1 Model constructie In eerste instantie is uitgegaan van de data die is verzameld gedurende de licht periode (iets voor 8.00 uur in de ochtend tot iets na 18.00 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).

18 16

Variance Captured (%)

14 12 10 8 6 4 2 0

2

4

6

8 10 12 14 Principal Component Number

16

18

20

Principal Eigenvalue % Variance % Variance Component of Captured Captured Number Cov(X) This PC Total --------- ---------- ---------- ---------1 1.24e+001 17.24 17.24 2 7.17e+000 9.96 27.20 3 4.83e+000 6.71 33.91 4 3.73e+000 5.17 39.08 5 3.65e+000 5.07 44.15 6 2.81e+000 3.91 48.06 7 2.14e+000 2.97 51.03 8 2.10e+000 2.91 53.94 9 1.96e+000 2.72 56.65 10 1.92e+000 2.67 59.32 11 1.88e+000 2.62 61.93 12 1.58e+000 2.19 64.13 13 1.56e+000 2.16 66.29 14 1.48e+000 2.06 68.35 15 1.42e+000 1.98 70.33 16 1.39e+000 1.93 72.26 17 1.27e+000 1.76 74.02 18 1.24e+000 1.73 75.75 19 1.09e+000 1.51 77.26 20 1.06e+000 1.47 78.73

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


18

8

8.5

7.5

8

7 RMSECV

R 7.5 M SE C 7

6.5

6

6.5 5.5

6

2

4

6


16

18

20

5

2

4

6


16

18

20

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).



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 (2-10) en 31 oktober (31-10) 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 30 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).



20

8

Scores on PC 2 (9.96%)

6

4

2 27-10 31-10

28-1021-10 25-10 26-10 24-10 29-10 19-10 20-10 11-10 23-10 16-10 22-10 08-10 -2 06-10 17-10 12-10 14-10 03-10 09-10 05-10 13-10 15-10 18-10 07-10 10-10 -4 04-10 0

02-10

-6 8

10

12 14 Timevaltrain24

16

18

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.


-0.3

-0.4 X2

0.3

0.2

C1-PARBA C2-PAR C3-Ldtv 10 mm C4-Buistemp C5-PT1000 B C6-CO2 BC7-RH C8-Area C9-IR Cameratemp C10-Tensio 500 C11C12-Sapflow C13-Aquameter Temp RV VD Raam-Noord Raam-Zuid Raam totaal ber buis gem buis gem doek CO2 CO2 CO275 1 CO2CO2 9 buitenstraling windsnelheid StartGewicht GiftBerekend DrainGewicht MatGewicht PlantGewicht DrainTabel Drain X1 X3 X4 X5X6 X7 Zuurstof D C1-PARBA D C2-PAR DDC3-Ldtv 10 mm C4-Buistemp DB C5-PT1000 B C6-CO2 DDC7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D DC12-Sapflow PC13-Aquameter C1-PAR BA C2-PAR PPP C3-Ldtv 10 mm C4-Buistemp PB C5-PT1000 B P C6-CO2 P C7-RH P C8-Area temp C9-IR Camera PPP C10-Tensio 500 C11PPC12-Sapflow C13-Aquameter VP (KPa) VPD (KPa)



10 20 30 40 Variable 50 60

21

0.1

0

-0.1

-0.2

70

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 30 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).



22

10


5 12-10 06-10 17-10 08-10 18-10 13-10 23-10 05-10 16-10 15-10 14-10 22-10 04-10 24-10 03-10 27-10 21-10 28-10 25-10 07-10 10-10 19-10 0 29-10 11-10 20-10 26-10 09-10

31-10

02-10

-5

-10

-15

-20

-25 8

10

12 14 Timevaltrain24

16

18

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 0, in de tijd. De scores lopen echter in de loop van de tijd niet sterk naar positieve waarden, maar blijven min of meer constant.



0.3

23

D C1-PAR A PPC1-PAR C2-PARAB DDC8-Area temp PPC8-Area C9-IR Camera temp C9-IR Camera D C2-PAR B

0.25


0.2 C2-PAR B 0.15 C1-PAR A 0.1 0.05 0 -0.05 -0.1 -0.15 -0.2

X4 X5 Raamtotaal straling CO2 uiten D C5-PT1000 PB C5-PT1000 B Raam-Noord b C9-IR Camera D C13-Aquameter P C13-Aquameter VPD (KPa) Raam-Zuid gem buis StartGewicht CO2 5 Drain C8-Area temp X2 D C11C4-BuistempVD CO27 MatGewicht D C12-Sapflow VP (KPa) Temp Zuurstof C12-Sapflow DrainTabel CO29 PPC11D C7-RH P C7-RH X1 X3 gem doekGiftBerekend C6-CO2 B C3-Ldtv 10 mm buis C11P C4-Buistemp RV ber CO2 D C4-Buistemp C10-Tensio 500 1 C7-RHC13-Aquameter windsnelheid P C6-CO2 B D C6-CO2 B P C3-Ldtv 10 mm DrainGewicht D C3-Ldtv 10 mm X7 C12-Sapflow D C10-Tensio P 500 C10-Tensio 500 C5-PT1000 B 10

X6 PlantGewicht 20

30

40 Variable

50

60

70

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 10) worden de residuen weergegeven van meer dan 3000 meetpunten in de periode van 2 oktober (2-10) tot 31 oktober (31-10). Uit het voorbeeld blijkt dat de data uit de meeste meetmomenten goed in het model passen (Q residual kleiner dan 50). 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.



24

1000 900

Q Residuals (24.25%)

800 700 600 500 400 300 200 100 02-10 0 03-10 04-10 500 1000 1500 2000 2500 3000 05-10 06-10 Sample Index 07-10 08-10 09-10 10-10 11-10 12-10 13-10 Figuur 10: Q-residuals van meer dan 300014-10 meetmomenten over de periode 2-10 tot 31-10. 16-10 Hoge Q-residual waarden geven meetmomenten15-10 aan waarbij de uitgelezen data van Growlab 17-10 en klimaatcomputer niet passen binnen het model “goede18-10 dag”. 19-10 20-10 21-10 22-10 23-10 Naast de residuals is ook gekeken naar de sterkte waarmee ieder tijdstip24-10 (data punten op dat 25-10 tijdstip genomen) de vorm van het berekende model beïnvloedt. Hiervoor wordt de 26-10 31-10 27-10 28-10 zogenaamde Hotelling factor T2 gebruikt. In figuur 11 is deze factor weergegeven 29-10 voor

dezelfde samples als in figuur 10. 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 10) veelal tijdstippen met data die minder goed in het model passen.



25

500 450 400

Hotelling T2 (75.75%)

350 300 250 200 150 100 50 02-10 0

04-10 05-10 06-10 03-10 09-10 08-10 07-10 10-10 12-10 11-10 500 1000 1500 2500 3000 31-10 13-10 14-10 16-102000 15-10 18-10 Sample Index17-10 19-10 21-10 22-10 27-10 20-10 24-10 29-10 28-10 23-10 25-10 26-10

Figuur 11: Hotelling van meer dan 3000 meetmomenten over de periode 2-10 tot 31 -10. Hoge T2 waarden geven meetmomenten aan waarbij de uitgelezen data van Growlab en klimaatcomputer de modelvorming voor de “goede dagen” sterker beïnvloeden

5.4.1.2. 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).



26

15

10


07-10

02-10 05-10 02-10

04-10 5 28-10 29-10

0 09-10 11-10 08-10 08-10 11-10 07-10 10-10 03-10 03-10 04-10 06-10 05-10 20-10 19-10 19-10 21-10 22-10 25-10 22-10 18-10 20-10 12-10 15-10 14-10 16-10 23-10 28-10 13-10 29-10 17-10 30-10 26-10 24-10 31-10 01-11 27-10 03-11 -10 02-11

31-10

-5

-15

8

06-10

27-10

10

12 14 16 Timevaltrain24,Timevaltest24

18

Figuur 12: PC1 in de tijd (van ochtend tot avond) voor de periode 2-10 tot 3 -11. Binnen 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. 8 27-10


6 29-10 28-10

4

2 27-10 31-10

28-1021-10 25-10 26-10 24-10 29-10 20-10 19-10 30-10 20-10 01-11 11-10 19-10 23-10 16-10 22-10 22-10 03-11 11-10 08-10 02-11 -2 31-10 06-10 17-10 12-10 14-10 03-10 09-10 03-10 05-10 08-10 13-10 15-10 18-10 07-10 10-10 -4 04-10 0

-6

8

02-10 06-10

07-10

10

04-10

02-10

05-10


18

Figuur 13: PC2 in de tijd (van ochtend tot avond) voor de periode 2-10 tot 3 -11. Binnen 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”.



27

20 27-10 15


10 06-10

5 12-10 06-10 17-10 08-10 13-10 18-10 20-10 23-10 22-10 05-10 16-10 22-10 15-10 14-10 04-10 27-10 24-10 03-10 03-10 21-10 19-10 28-10 11-10 25-10 02-11 07-10 10-10 08-10 19-10 0 29-10 03-11 11-10 20-10 26-10 31-10 01-11 09-10 30-10

28-10 31-10 29-10 04-10

02-10 02-10

05-10

-5 -10 -15

07-10

-20 -25

8

10


18

Figuur 14: PC3 in de tijd (van ochtend tot avond) voor de periode 2-10 tot 3 -11. Binnen 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”. 15

27-10


10

06-10

5 21-10 08-10 09-10 06-10 11-10 31-10 10-10 23-10 29-10 08-10 14-10 30-10 24-10 04-10 03-10 05-10 07-10 17-10 20-10 18-10 15-10 20-10 26-10 0 28-10 01-11 02-11 16-10 25-10 22-10 27-10 19-10 03-10 12-10 13-10 03-11 11-10 19-10 22-10

31-10 28-10 29-10 04-10

02-10 02-10 05-10

-5

-10 07-10 -15

8

10


18

Figuur 15: PC4 in de tijd (van ochtend tot avond) voor de periode 2-10 tot 3 -11. Binnen 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”.



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 10). Hieruit blijkt dat het grootste deel van de “foute” dagen een Q-residual geeft dat buiten de geaccepteerde waarde van 75 ligt.

1000 900


800 700 600 500 400 300 200

27-10 03-11 02-11

100 02-10

31-10 01-11 31-10 30-10 02-10 07-10 05-10 12-10 23-10 03-10 04-10 05-1007-10 06-10 08-10 28-10 09-10 10-10 14-10 21-10 26-10 27-10 04-10 29-10 15-10 16-10 17-10 28-10 29-10 11-10 22-10 08-10 18-10 20-10 22-1024-10 25-10 19-10 20-10 11-1013-10 19-10 0 03-10 06-10 500 1000 1500 2000 2500 3000 3500 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).

5.4.2 Model voor de totale dag bij rozenteelt 5.4.2.1. 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 5000 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,



29

maar dan op een 24 uur schaal (iedere dag start opnieuw bij 0 uur). De figuur laat ook zien dat op sommige dagen het “normale patroon” niet of in minder mate aanwezig is. 15


10

5

0

-5

-10

-15

500

1000

1500

2000 2500 3000 Sample Scale

3500

4000

4500

5000

Figuur 17: PC1 scores van de geselecteerde” goede” dagen gedurende 24 over ongeveer 17 dagen. Dagelijkse terugkerende fluctuaties in PC1 zijn duidelijk zichtbaar.



30

15


10

5

0

-5

-10

-15

0

4

8

12 Time

16

20

24

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 30 met de grootste invloed. In de figuren 20, 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 5.4.1. dat voor PC2 er een verloop over de dag is, en dat met name parameters genummerd 1-30 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 40) die bijdragen.



31

0.3


C8-Area C9-IR Camera temp Kastemp C5-PT1000 B 0.2 C1-PAR C2-PARAB 0.1

0

-0.1

Temp Vpsat Vpsat °R PWS (Kpa) Vpair VP (KPa) (psi) VPD VPD (KPa) straling

lzlzraam raamberek met Belichting 50% buiten temp regenmelder C4-Buistemp C3-Ldtv 10 mm Belichting 100% D C5-PT1000 B D C5-PT1000 B DDC1C2-Sapflow C11C12-Sapflow C6-CO2 B D C0-Tensio 500 DD10 C10-Tensio 500 DC11C12-Sapflow 10 mm D C3-Ldtv mm DC6-CO2 C7-RH DC6-CO2 C7-RH wz wzraam raamberek met DDC3-Ldtv D B C4-Buistemp D D C4-Buistemp B Buisberek met Buis windsnelheid DDC1-PAR AC9-IR regen C2-PAR DDC8-Area B DDC1-PAR C2-PAR temp D A B temp Camera DC8-Area C9-IR Camera C7-RH RV Doek stand Lampenuituit 100% Lampen 50% O2 Sens6 C10-Tensio 500

-0.2 O2 Sens8 -0.3

-0.4

10

20

30 Variable

40

50

60

Figuur 19: Onderlinge correlaties van de 72 verschillende variabelen binnen PC1. Duidelijk is dat in PC1 de meeste variabelen genummerd van 1 tot 30 bijdragen aan de correlaties. Variabelen met een nummer groter dan 40 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven). 8 6


4 2 0 -2 -4 -6 -8 -10 -12 0

4

8

12 Time

16

20

24

Figuur 20: 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 2005


0.3

RV C4-Buistemp C7-RH Buis berek Buis met

0.2

windsnelheid regen buiten temp

C6-CO2 B Loadings on PC 2 (8.95%)

32

Vpair VP (KPa) (psi)

C2-PARAB O2 Sens6 DDC1-PAR C2-PARAB DDC1-PAR Lampen uit 50% C8-Area temp °R D D C8-Area C9-IR temp DDC8-Area C9-IRTemp Vpsat Camera Vpsat PWS (Kpa) D C5-PT1000Camera B D C5-PT1000 Btemp Kastemp D C4-BuistempD C4-Buistemp wz berek C9-IR Camera Belichting 100% wzraam raam met Lampen uit 100% D C11C5-PT1000 B D C6-CO2 B D 10 mm 0 D C3-Ldtv D C6-CO2 10 mm B C3-Ldtv D C12-Sapflow D C10-Tensio 500 D C0-Tensio 500 C2-Sapflow D C7-RHO2 Sens8 Belichting DDC1straling 50% D C7-RH C1-PAR C2-PARAB regenmelder -0.1 C3-Ldtv 10 mm C10-Tensio 500 Doek stand lzlzraam raamberek met VPD VPD (KPa) -0.2 C11C12-Sapflow 0.1

-0.3

-0.4

10

20

30 Variable

40

50

60

Figuur 21: Onderlinge correlaties van de 72 verschillende variabelen binnen PC2. Duidelijk is dat in PC2 de meeste variabelen genummerd van 1 tot 30 bijdragen aan de correlaties. Variabelen met een nummer groter dan 40 dragen in het algemeen nauwelijks bij (dit zijn o.a. de variabelen die veranderingen (snelheid) in de parameters aangeven).



33

10


5

0

-5

-10

-15

-20

0

4

8

12 Time

16

20

24

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.

0.4

DDC8-Area temp DDC8-Area temp C9-IR Camera C9-IR Camera


0.3

0.2

DDC1-PAR C2-PARAB DDC1-PAR C2-PARAB

Doek stand VPD VPD (KPa) D C5-PT1000 B D C5-PT1000 B 0.1 D C6-CO2 B D C6-CO2 B regenmelder 50% D C4-Buistemp D C11O2 Sens6 Buis Buisberek metBelichting D C7-RH D C4-Buistemp D C7-RH C12-Sapflow C4-Buistemp C2-PAR Belichting 100% C1-PAR AB C11D C3-Ldtv 10 mm straling C8-Area C9-IR C10-Tensio Camera temp 500 Temp Vpsat Vpsat °R PWS (Kpa) 0 O2 Sens8 C6-CO2 B D C12-Sapflow C3-Ldtv 10 mm wz raam met berek C5-PT1000 B wz raam Lampen uit50% 100% Vpair VP (KPa) (psi) D C3-Ldtv 10 mm Lampen uit Kastemp lzlzraam raamberek met regen -0.1 D C10-Tensio 500 windsnelheid D C0-Tensio 500 RV -0.2

C7-RH

buiten temp C2-Sapflow DDC1-

-0.3

10

20

30 Variable

40

50

60

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.



34

5.4.2.2. Model training Het model dat is opgesteld op basis van de data zoals beschreven in 5.4.2.1 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.

15


10

5

0

-5

-10

-15

2

4

6

8

10 12 14 Timevaltrain24

16

18

20

22

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.



35

0.5

0.4


0.3

C1-PAR AB C2-PAR

Kastemp C9-IR Camera straling C8-Area C5-PT1000 B temp lz lz raam raam berek met

0.2

C11C12-Sapflow

0.1

C3-Ldtv 10 mm

DD C1C2-Sapflow D C0-Tensio 500

D C10-Tensio 500 D C5-PT1000 B D C5-PT1000 D C3-Ldtv 10 mm D C3-Ldtv 10 mmDBC12-Sapflow D C7-RH D C7-RH D C11wzwzraam raamberek met D C6-CO2 B D C6-CO2 B D C4-Buistemp D C4-Buistemp windsnelheid D C8-Area temp Lampen uit 100% regen DD C8-Area temp C9-IR Camera DDC1-PAR C2-PARA B D C9-IRDCamera D C1-PAR C2-PARA B Lampen uit 50%Doek stand

0 C6-CO2 B C4-Buistemp -0.1

Belichting 50% regenmelder buiten temp Belichting 100%

C7-RH

Buisberek met Buis RV C10-Tensio 500 -0.2 5

10

15

20

25

30

35

40

45

50

Variable


8 6


4 2 0 -2 -4 -6 -8 -10 -12

2

4

6

8


16

18

20

22

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.



36

0.4 C4-Buistemp


0.3

0.2

0.1

Buis Buisberek met RV C7-RH Kastemp C8-Area temp C6-CO2 B C9-IR Camera C5-PT1000 B C1-PAR C2-PAR AB

straling C2-PARAB DDC1-PAR C2-PAR AB DDC1-PAR D C5-PT1000 B D C5-PT1000 B Belichting 100% DDC8-Area C9-IR Camera temp DDC8-Area C9-IR Camera temp wz raam berek D C4-Buistemp D C4-Buistemp wz raam met D C11Lampen uit 50% Belichting 50% D C3-Ldtv 10 mm D C6-CO2 D C6-CO2 B D C3-Ldtv 10 mm DB C12-Sapflow D C0-Tensio 500 D C10-Tensio 500 Lampen uit 100% D C7-RH D C7-RH DDC1C2-Sapflow regenmelder lzlzraam raamberek met

0

-0.1

C3-Ldtv 10 mm

-0.2

windsnelheid buiten temp regen

C11C12-Sapflow

Doek stand

C10-Tensio 500 -0.3

5

10

15

20

25 30 Variable

35

40

45

50




37

10


5

0

-5

-10

-15

-20

2

4

6

8


16

18

20

22

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. 0.4 D C8-Area temp D C8-Area temp D C9-IR Camera D C9-IR Camera


0.3

0.2

DDC1-PAR C2-PARAB

C11C12-Sapflow

DDC1-PAR C2-PARAB

D C5-PT1000 B D C5-PT1000 B C2-PARAB straling regenmelderD C6-CO2 B 0.1 C1-PAR D C6-CO2 B D C11D C4-Buistemp D C4-Buistemp Doek stand C3-Ldtv 10 mmCamera C9-IR Belichting 50% D C3-Ldtv 10 mm D C7-RH D C7-RH Belichting 100% C8-Area temp C5-PT1000 B raamberek met lzlz500 raam 0 C10-Tensio Kastemp D C12-Sapflow Buisberek met Buis Lampen uituit50% wz Lampen raamberek met 100% wz raam C4-Buistemp C6-CO2 B D C3-Ldtv 10 mm -0.1 C7-RH

buiten temp regen windsnelheid

RV

D C0-Tensio 500 D C10-Tensio 500

-0.2 C2-Sapflow DDC1-0.3

5

10

15

20

25 30 Variable

35

40

45

50

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.



38

Figuur 30: 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.



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 30 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 30 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.

5.4.2.3. 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. 100


80

60

40

20

0

-20

2

4

6

8 10 12 14 16 Timevaltrain24,Timevaltest24

18

20

22

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.



40

50


0

-50

-100

-150

2

4

6


18

20

22

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 PC1.. 150


100

50

0

-50

-100

2

4

6


18

20

22

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. Beter is dit om inde tekst te doen. Geef voor de doelgroep ook aan wat de afwijkingen zijn. Dus welk type


41

is dat binnen de overige dagen afwijkingen op de normale waarde voorkomen, en in tegenstelling tot bij PC1 en PC2 zowel afwijkingen naar positieve als negatieve kant.. 100 80


60 40 20 0 -20 -40 -60 -80 -100 2

4

6


18

20

22

Figuur 34: PC4 waarden van de totale dataset over 24 uur (5 minuten waarden) gedurende de gehele meetperiode. Zowel “goede” als overige (“slechte”) dagen zijn meeg enomen. 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, en in tegenstelling tot bij PC1 en PC2 zowel afwijkingen naar positieve als negatieve kant..



42

140 120


100 80 60 40 20 0 -20

2

4

6


18

20

22

Figuur 35: PC5 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, vergelijkbaar met de afwijkingen die in PC1 (figuur 31) worden gevonden.

Naast de weergave van de PC’s in de tijd kunnen de verschillende PC’s ook tegen elkaar worden uitgezet voor alle meetpunten (2-D representatie van de 3-D figuur zoals in figuur 30 is weergegeven). In een zelfde type figuur kunnen dan ook de individuele loadings van de verschillende parameters worden weergegeven. Vergelijking van deze twee figuren geeft informatie over de (relatieve) betrokkenheid van de verschillende parameters in de PC scores. In figuur 36 zijn de PC1 en PC2 scores van de volledige data set tegen elkaar uitgezet. Duidelijk is dat veel van de overige dagen (groen) buiten het gebied van de geselecteerde goede dagen (blauw) vallen. In figuur 37 zijn voor dezelfde dataset de loadings voor PC1 en PC2 uitgezet. Vergelijk (over elkaar heen plaatsen) van figuur 36 en figuur 37 laat zien dat veel van de afwijkingen op de overige dagen (groen) ten opzichte van de goede dagen (blauw) 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, CO2 en buistemperatuur waarden ten opzichte van de andere parameters.



43

50


0

-50

-100

-150 -20

0

20 40 60 Scores on PC 1 (12.18%)

80

100

Figuur 36: PC1 en PC2 berekend uit het voor de goede dagen geijkte model uitgezet elkaar. Blauwe punten zijn de waarden afkomstig uit de goede dagen dataset, groene punten zijn de waarden afkomstig uit de overige dagen dataset. 0.4 C4-Buistemp 0.3 Buis Buisberek met RV C7-RH


0.2

windsnelheid C6-CO2 B regen

C5-PT1000 B C2-PAR C1-PAR BA straling

DDC2-PAR C1-PAR AB C1-PARB C2-PAR A D C8-Area C8-Area temp D DD C9-IR C9-IR Camera Camera

0.1

Kastemp C8-Area temp C9-IR Camera

buiten temp

D D C5-PT1000 C5-PT1000 BB Belichting 100%

wz D C4-Buistemp Lampen uit 50% wz D raam raam C11- berek met D C3-Ldtv 10 mm Belichting 50% DDC6-CO2 BB C6-CO2 D DC3-Ldtv 10 mm C12-Sapflow DDC10-Tensio C0-Tensio 500 Lampen uit 100%D C7-RH C7-RH DDC2-Sapflow C1regenmelder C3-Ldtv 10 mm

0

-0.1

-0.2

lz lz raam raam met berek

C11C12-Sapflow

Doek stand C10-Tensio 500 -0.3 -0.15

-0.1

-0.05

0

0.05

0.1

0.15

0.2

0.25

0.3




44

Figuur 37: De loadings (=relatieve bijdrage in de lineaire beschrijving van de PC’s) van de verschillende parameters in PC1 en PC2 tegen elkaar uitgezet voor hetzelfde model als gebruikt voor de analyse zoals getoond in figuur 36. Een zelfde analyse als voor PC1 en PC2 is in de figuren 38 en 39 getoond voor PC3 en PC4. Uit deze figuren kan worden geconcludeerd dat de afwijkende PC3 en PC4 waarden in de overige dagen datasets (groene punten) veelal worden veroorzaakt door een relatief grote verandering (vergroting of verkleining) in de fluctuaties van het PAR licht (in figuur 39 rechts boven) in de kas. Er is dus sprake van relatief snelle fluctuaties van PAR licht op deze dagen.

100 80


60 40 20 0 -20 -40 -60 -80 -100 -100

-50

0 50 Scores on PC 3 (7.71%)

100

150

Figuur 38: PC3 en PC4 berekend uit het voor de goede dagen geijkte model uitgezet elkaar. Blauwe punten zijn de waarden afkomstig uit de goede dagen dataset, groene punten zijn de waarden afkomstig uit de overige dagen dataset.



45

0.5 D C2-PAR C1-PAR B A 0.4 D C2-PAR C1-PAR B A


0.3

0.2 Belichting 100%

DDC1C2-Sapflow 0.1

C3-Ldtv 10 mmC11C12-Sapflow lz lz raam raam berek met D C3-Ldtv 10 mm Belichting 50% C 5-PT1000 B regenmelder RV D C0-TensioLampen uit 100% Lampen 500 D500 C12-Sapflow uitC8-Area 50% C 7-RH D C10-Tensio temp C9-IR Camera Kastemp 6-CO2 B met buiten temp Cwz wz raam raam C10-Tensio 500 berek Buis Doekstraling stand C 4-Buistemp Buis berek met C1-PAR A C2-PAR D C3-Ldtv 10 mmB D C11windsnelheid D D C4-Buistemp C4-Buistemp regen D C7-RH D D C5-PT1000 C5-PT1000 B B

0

-0.1

D C9-IR Camera

DDC6-CO2 C6-CO2BB -0.2

DD C8-Area C8-Area temp temp

-0.3 -0.2

-0.1

0

0.1

0.2

0.3


Figuur 39: : De loadings (=relatieve bijdrage in de lineaire beschrijving van de PC’s) van de verschillende parameters in PC3 en PC4 tegen elkaar uitgezet voor hetzelfde model als gebruikt voor de analyse zoals getoond in figuur 38. Naast de Principale Componenten kan ook worden gekeken naar in welke mate de meetwaarden van de verschillende parameters binnen het model passen (de residuen die overblijven na fit op het model, in de analyse “Q residuals” genoemd) en in welke mate de meetwaarden extreme waarden binnen het model innemen (waarden kunnen perfect passen op het model, maar wel t.o.v. de ijkdataset extreem klein of extreem groot zijn, in de analyse “Hotelling T2 ” genoemd). In figuur 40 zijn de “Q residuals” uitgezet als functie van de “Hotelling T2 ” voor de gehele dataset (data uit geselecteerde “goede” dagen in blauw, data uit overige dagen in groen. Op de getoonde schaal zijn alle blauwe data punten (5000 in totaal) samengebald in een paar punten uiterst linksonder in de hoek. Duidelijk is dat er punten aanwezig zijn die wel goed in het model passen (kleine Q residual), maar wel extreme waarden verton en ten opzichte van de ijkdataset (heel hoge Hotelling T2 ). Ook zijn minder extreme punten (dagen of momenten) aanwezig die echter wel zeer slecht in het model passen (Hoge Q residuals en matige Hotelling T2 ). In figuur 41 wordt hetzelfde getoond als in figuur 40, maar dan op een andere schaal, waardoor de data uit ijkdataset (blauw) nu beter zichtbaar zijn linksonder. Indien we nu kijken naar het verloop van de Q-residuals Hotelling T2 waarden voor de verschillende dagen (figuur 42) dan wordt een patroon zichtbaar waarbij rond 15 augustus (1508) eerst extreme parameters optreden die nog wel goed passen binnen het model (lage Q-



46

residual, hoge Hotelling T2 ), vervolgens loopt de curve terug naar lagere Hotelling T2 waarden, maar nemen de Q-residuen sterk toe (verloop van 19 tot 20 augustus), en is dus sprake van een situatie die sterk afwijkt van de normale situatie met normale verbanden tussen de parameters. Vervolgens nemen zowel de Hotelling T2 en de Q-residuals weer af tot normale waarden, en zijn de relaties tussen de parameters weer zoals tijdens de geselecteerde goede dagen, en ook niet meer extreem. 6

2.5

x 10


2

1.5

1

0.5

0

0

1

2

3

4

5


6

7

8

9 4

x 10

Figuur 40: Q residuals van de gehele dataset uitgezet tegen de Hotelling T2 van de gehele dataset. Alle datapunten uit de geselecteerde “goede” dagen (5000 punten in totaal) zijn weergegeven in blauw en samengebald in een punt (linksonder). Punten afkomstig uit de overige data zijn weergegeven in groen.



x 10

47

4

2 1.8


1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0

200

400

600

800

1000

1200


Figuur 41: Uitsnede uit figuur 40, waarbij het gedeelte van de grafiek linksonder is uitvergroot. Hier zijn de blauwe punten (“goede” dagen dataset) iets beter zichtbaar. 6

x 10 2.5

26-08 2

20-08 26-08 26-08 26-08 26-08 20-08 25-08

1.5


26-08 20-08 26-0826-08 27-09 23-08 26-08 26-08 27-09

1

25-08

26-09 26-09 20-08

25-08 28-08 30-09 25-08 25-08 26-08 04-09 26-08 26-08 04-09 25-08 24-09 25-08 04-09 13-09 25-08 03-09 03-09 02-10 28-09 28-08 27-08 15-09 27-08 08-09 28-09 28-09 27-09 08-09 03-09 21-08 03-09 03-10 15-09 27-08 25-08 01-09 28-08 27-08 24-09 01-09 02-09 02-09 02-09 25-08 30-09 21-08 21-08 05-09 21-08 21-08 07-09 25-08 17-09 26-09 24-09 23-08 29-09 08-09 24-08 15-09 27-09 23-09 07-09 25-08 17-09 27-09 24-08 30-08 25-08 04-09 28-08 25-08 27-09 17-09 08-09 25-08 24-08 24-08 27-09 03-09 05-09 13-09 02-09 24-08 21-08 25-08 25-09 25-09 22-08 25-08 05-09 02-10 27-09 16-09 02-10 05-09 29-09 25-08 17-09 23-09 24-08 23-09 21-08 30-09 04-09 27-09 13-09 24-09 04-09 08-09 28-09 27-08 31-08 31-08 29-09 21-08 21-08 26-08 26-08 24-09 17-09 16-09 03-10 23-08 12-10 24-08 28-08 01-09 28-08 15-09 05-09 23-09 23-09 23-09 24-09 03-09 13-09 13-09 27-09 13-09 27-09 26-09 26-09 14-09 17-09 29-09 31-08 26-09 14-09 17-09 07-09 15-09 24-09 13-09 16-09 03-09 24-09 13-09 26-09 31-08 13-09 30-09 16-09 03-10 14-09 25-09 25-11 15-12 09-12 08-12 06-12 07-10 18-10 25-10 24-10 23-10 22-10 26-10 06-11 12-12 03-12 02-12 01-12 30-11 19-11 23-01 21-01 16-01 15-01 14-12 13-12 25-01 30-10 31-08 24-09 11-09 15-09 04-10 09-10 03-11 10-11 18-11 30-09 05-10 20-10 27-10 27-11 11-09 05-10 06-10 09-10 25-10 30-10 03-11 08-11 10-11 13-12 29-08 30-08 31-08 01-09 03-09 07-09 09-09 13-09 12-09 15-09 22-09 26-09 27-09 28-09 03-10 02-10 10-10 26-10 09-11 11-11 28-08 02-09 06-09 08-09 16-09 18-09 23-09 24-09 29-09 04-10 07-10 12-10 04-09 27-08 31-08 07-10 20-10 27-10 28-08 30-08 06-09 07-09 09-09 11-09 23-09 27-09 29-09 02-10 04-10 05-10 12-10 26-10 02-09 13-09 01-09 04-09 08-09 24-08 03-09 05-09 14-09 24-09 30-08 07-09 05-10 11-09 24-08 28-08 31-08 02-09 09-09 13-09 07-10 03-09 23-08 01-09 04-09 06-09 05-09 08-09 14-09 15-09 16-09 24-09 25-09 27-09 29-09 06-10 25-08 10-10 25-01 30-08 31-08 02-09 03-09 08-09 23-09 24-09 27-09 29-09 24-08 28-08 01-09 04-09 11-09 13-09 05-10 26-10 09-09 22-09 04-10 06-10 27-08 30-08 31-08 01-09 02-09 04-09 08-09 13-09 15-09 24-09 27-09 04-10 26-10 11-09 26-08 13-09 28-08 11-09 22-08 26-08 23-09 05-10 30-08 01-09 26-08 30-08 31-08 02-09 03-09 09-09 11-09 04-10 29-09 01-09 27-08 25-08 31-0831-08 31-08 24-09 21-08 23-08 25-08 27-08 02-09 03-09 11-09 13-09 05-10 25-08 30-10 03-09 11-09 02-09 08-09 26-08 25-08 01-09 30-08 29-09 26-08 03-09 01-09 26-08 30-08 11-09 08-09 30-08 02-09 11-09 01-09 30-08 26-08 28-08 01-09 25-08 30-08 01-09 01-09 31-08 01-09 01-09 11-09

0.5

0 0

0.5

20-08 20-08 19-08 20-08 20-08 20-08 19-08 20-08 20-08 19-08 19-08 19-08 19-08 19-08 19-08 19-08 20-08 20-08 19-08 20-08 20-08 21-08 19-08 21-08 20-08 19-08 20-08 20-0820-08 20-08 20-08 1 Hotelling T

1.5 2

2

2.5

Leiden februari 2005 (48.31%)

4

x 10


48

Figuur 42: Zelfde figuur als figuur 40, maar nu met de datum bij ieder data punt geplaatst. De pijl geeft het verloop in de tijd aan van een aantal punten vanaf half augustus tot ongeveer 25 augustus. De periode in figuur 42 begint met het meer extreem worden van de parameter waarden, zonder dat dit een slechtere fit binnen het ijkmodel oplevert. Daarna wordt de fit binnen het ijkmodel slechter (Q-residuals nemen toe). Uiteindelijk wordt weer teruggekeerd naar de “normale” situatie.

5.4.3. Relatieve belang van de verschillende sensoren. In de gebruikte methode wordt met behulp van principale componenten analyse en een geselecteerde dataset uit “goede” dagen een model geconstrueerd. Zoals eerder beschreven bestaat dit model uit PC’s (principale componenten) die elk zijn samengesteld uit een lineaire combinatie van de som van de parameterwaarden met weegfactoren (de loadings) per parameter. Hierdoor wordt dus per parameter de relatieve bijdrage van deze parameter in de PC bepaald. Op basis van deze gegevens kan dus worden bepaald welke parameters (sensoren) sterk bijdragen (dwz afwijkingen in deze parameters hebben sterke invloed op de beschrijving van de situatie in de kas) of minder sterk bijdragen aan de situatie beschrijving in de kas. Als voorbeeld zijn hieronder de loadings van de verschillende parameters in PC1 tot en met PC 12 (PC1 heeft de grootste bijdrage in het model, en PC12 de kleinste bijdrage in het model) weergegeven in figuren (44, 46, 48, 50, 52, 54, 56, 58, 60, 62, 64, 66). De gegevens zijn afkomstig van de modelvorming op metingen bij de rozenteelt (24 uurs data, meting ieder 5 minuten) over een periode van enkele weken. Modelvorming heeft plaatsgevonden zoals beschreven in 5.4.1 en 5.4.2. Daarnaast staan hieronder ook nog voor PC1 t/m PC12 het verloop van de PC waarden in de tijd (figuren 43, 45, 47, 49, 51, 53, 55, 57, 59 ,61, 63, 65).



49

15


10

5

0

-5

-10

-15

2

4

6


18

20

22

Figuur 43: PC1 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen 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 in de avond.



0

-0.1

-0.2

-0.3

-12

0 10

2

4

6

20

Kastemp

C8-Area temp C9-IR Camera

Belichting Belichting 100 50straling buiten temperatuur regenmelder

lz raam ber lz raam met

C11C12-Sapflow

30


40

18

20

50

VP (KPa) VPD (KPa)

windsnelheid regen Doek stand D C1-PAR A DDC2-PAR C3-Ldtv B 10 mm D C4-Buistemp D C5-PT1000 B D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera DDC10-Tensio 500 C11D C12-Sapflow P C1-PAR A P C2-PAR B C3-Ldtv 10 mm P C4-Buistemp P P C5-PT1000 B P C6-CO2 B P C7-RH C8-Area temp PP C9-IR Camera C10-Tensio 500 P C11- P P C12-Sapflow Zuurstof 1

wi raam wi50 raam met ber ML lamp ML lamp 100

RV Buis berekend Buis meting

0.1

C10-Tensio 500

0.2

C4-Buistemp C6-CO2 B C7-RH

0.3

C1-PAR A C3-Ldtv 10 mm C2-PAR B C5-PT1000 B

0.4

Zuurstof 2

Loads on PC 1 (14.12%)


50

60

Figuur 44: Relatieve bijdrage van de verschillende parameters in PC1.

8

6

4

2

0

-2

-4

-6

-8

-10

22


-0.3 0

-0.1

-0.2

0 10

30 40

RV Buis berekend Buis meting

D C8-Area temp D C9-IR Camera

Belichting 100 straling buiten temperatuur windsnelheid regen D C1-PAR A D C2-PAR B D C4-Buistemp D C5-PT1000 B

wi raam met wi raam ber ML lamp 50

Kastemp

C4-Buistemp

P C1-PAR A P C2-PAR B P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B P C6-CO2 B P C7-RH P C8-Area temp P C9-IR Camera P C10-Tensio 500 P C11P C12-Sapflow Zuurstof 1 Zuurstof 2 VP (KPa) VPD (KPa)

D C10-Tensio 500 D C11D C12-Sapflow

D C6-CO2 B D C7-RH

D C3-Ldtv 10 mm

regenmelder Doek stand

20 ML lamp 100 Belichting 50

0.2


0.3

C5-PT1000 B C6-CO2 B C7-RH C8-Area temp C9-IR Camera

C1-PAR A C2-PAR B

0.1

C3-Ldtv 10 mm

0.4

C10-Tensio 500 C11C12-Sapflow



50

51

Figuur 45 : PC2 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC2 voor de “foute” dagen aangeven in groen. Duidelijk is dat PC2 voor een groot aantal “foute” dagen een andere waarde aanneemt dan voor de “goede dagen”. Verschil treedt vooral op in de avond.

60

Figuur 46: Relatieve bijdrage van de verschillende parameters in PC2



52

15


10

5

0

-5

-10

-15

-20

2

4

6


18

20

22




Loads on PC 3 (7.28%) 0

-0.1

-0.2

-0.3

-8

0

2

4

10

6

Kastemp

20 30



40

18

20

50 P C10-Tensio 500 P C12-Sapflow Zuurstof 1 Zuurstof 2 VP (KPa)

0.3

VPD (KPa)

P C1-PAR A P C2-PAR B P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B P C6-CO2 B P C7-RH P C8-Area temp P C9-IR Camera P C11-

regenmelder Doek stand D C1-PAR A D C2-PAR B D C4-Buistemp D C5-PT1000 B D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera

Belichting100 50 Belichting straling

Buis berekend Buis meting

C8-Area temp C9-IR Camera C11C12-Sapflow

0.4

D C3-Ldtv 10 mm

buiten temperatuur windsnelheid regen

lz raam ber lz raam met wi wiraam raammet ber ML lamp 50 ML lamp 100

RV

C10-Tensio 500

0.1

C4-Buistemp C5-PT1000 B C6-CO2 B C7-RH

0.2

C1-PAR A C2-PAR B C3-Ldtv 10 mm


53

60


8

6

4

2

0

-2

-4

-6

22


Loads on PC 4 (5.83%) -0.1

-0.2

-0.3

10 20 30 40 VPD (KPa)

Zuurstof 1

50

P C10-Tensio 500

P C5-PT1000 B P C6-CO2 B P C7-RH


D C3-Ldtv 10 mm D C5-PT1000 B D C6-CO2 B D C7-RH

regenmelder

Belichting 50 Belichting 100 straling Doek stand

-0.4 0 wi raam met wi raam ber

0.1 P C1-PAR A P C2-PAR B P C3-Ldtv 10 mm P C4-Buistemp

D C8-Area temp D C9-IR Camera

D C4-Buistemp

windsnelheid buiten temperatuur regen D D C1-PAR C2-PAR A B

ML lamp 50 ML lamp 100


C11C12-Sapflow Kastemp RV

C7-RH

C3-Ldtv 10 mm

0.3

Buis berekend Buis meting

0.2

C5-PT1000 B

0.4

C8-Area temp PP C9-IR Camera P C11P C12-Sapflow Zuurstof 2 VP (KPa)

0

C1-PARBA C2-PAR C4-Buistemp C6-CO2 B C8-Area temp C9-IR Camera C10-Tensio 500


54


60




55

10 5


0 -5 -10 -15 -20 -25 -30 -35

2

4

6


18

20

22

Figuur 51: PC5 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC5 voor de “foute” dagen aangeven in groen. PC5 vormt geen duidelijk patroon over de dag. Duidelijk is dat PC5 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”.



-0.1

-0.2

-0.3

-6

0.5

0.4

0.3

0.2

0.1

0

0


C3-Ldtv 10 mm C4-Buistemp C5-PT1000 B C6-CO2 B C7-RH C8-Area temp C9-IR Camera C10-Tensio 500 C11C12-Sapflow Kastemp RV Buis berekend Buis meting lz raam ber lz raam met wi raam met wi raam ber ML lamp 50 ML lamp 100 Belichting 50 Belichting 100 straling buiten temperatuur windsnelheid regenmelder regen Doek stand D C1-PAR A D C2-PAR B D C3-Ldtv 10 mm D C4-Buistemp D C5-PT1000 B D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D C12-Sapflow P C1-PAR A P C2-PAR B P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B P C6-CO2 B P C7-RH P C8-Area temp P C9-IR Camera P C10-Tensio 500 P C11P C12-Sapflow Zuurstof 1 Zuurstof 2 VP (KPa) VPD (KPa)

C1-PAR A C2-PAR B



10

2 4

20

6

30


40

18 20

50

56

60

10

8

6

4

2

0

-2

-4

22

Figuur 53: : PC6 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC6 voor de “foute” dagen aangeven in groen. Duidelijk is dat PC6 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”.


Loads on PC 6 (4.43%) -0.1

-0.2

-0.3

-0.4 0 Kastemp

10 20

30

40 50

regenmelder

ML lamp 50

P C11-

P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B

D C4-Buistemp D C5-PT1000 B

Doek stand

straling

Zuurstof 2 VPD (KPa) VP (KPa)

P C6-CO2 B P C7-RH P C8-Area temp P C9-IR Camera P C10-Tensio 500 P C12-Sapflow Zuurstof 1

D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D C12-Sapflow P C1-PAR A P C2-PAR B

0.1

lz raam ber lz raam met wi wiraam raammet ber ML lamp 100 Belichting 50 Belichting 100 buiten temperatuur windsnelheid regen D C1-PAR A D C2-PAR B D C3-Ldtv 10 mm

C10-Tensio 500

0.2

C5-PT1000 B

0.3

C3-Ldtv 10 mm C4-Buistemp C6-CO2 B C7-RH C8-Area temp C9-IR Camera C11C12-Sapflow RV Buis berekend Buis meting

0

C1-PAR A C2-PAR B


57

60



0.2

0.1

0

-0.1

-0.2

-0.3

-0.4 2

0 C11C12-Sapflow Kastemp RV Buis berekend Buis meting

-8 4

Figuur 55: PC7 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC7 voor de “foute” dagen aangeven in groen. PC7 heeft geen duidelijk patroon in de tijd. Duidelijk is dat PC7 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”. 0.4

10 lz raam ber lz raam met wi raam met wi raam ber ML lamp 50 ML lamp 100 Belichting 50 Belichting 100 straling buiten temperatuur windsnelheid regenmelder regen Doek stand D C1-PAR A D C2-PAR B D C3-Ldtv 10 mm D C4-Buistemp D C5-PT1000 B D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D C12-Sapflow C1-PAR B A PP C2-PAR P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B P C6-CO2 B P C7-RH P C8-Area temp P C9-IR Camera P C10-Tensio 500 P C11P C12-Sapflow Zuurstof 1 Zuurstof 2 VP (KPa) VPD (KPa)

C6-CO2 B C7-RH C8-Area temp C9-IR Camera C10-Tensio 500

0.3

C1-PAR A C2-PAR B C3-Ldtv 10 mm C4-Buistemp C5-PT1000 B



6 8 10 12 14 16 Timevaltrain24,Timevaltest24

20

30

40 18 20

50

58

8

6

4

2

0

-2

-4

-6

22

60



0

-0.1

-0.2

-0.3

-0.4 0 10 20 30

D C3-Ldtv 10 mm D C4-Buistemp

Figuur57: PC8 in de tijd g edurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC8 voor de “foute” dagen aangeven in groen. PC8 heeft geen duidelijk patroon in de tijd. Duidelijk is ook dat PC8 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”. 0.4

D C5-PT1000 B D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D C12-Sapflow PP C1-PAR A C2-PAR B P C3-Ldtv 10 mm P C5-PT1000 B P C6-CO2 B P C7-RH P C8-Area P C9-IRtemp Camera P C10-Tensio 500 P C11P C12-Sapflow Zuurstof 1 Zuurstof 2 VP (KPa) VPD (KPa)

D C1-PAR A D C2-PAR B

8 10 12 14 16 Timevaltrain24,Timevaltest24 18

40 P C4-Buistemp

0.3 6

regen Doek stand

4

straling buiten temperatuur windsnelheid regenmelder

2

C11C12-Sapflow Kastemp RV Buis berekend Buis meting lz raam ber lzwiraam raammet met wi raam ber ML lamp 50

C7-RH

-8

ML lamp 100 Belichting 50 Belichting 100

0.1

C5-PT1000 B B C6-CO2 C8-Area temp C9-IR500 Camera C10-Tensio

0.2

C1-PAR A C2-PAR B C3-Ldtv 10 mm C4-Buistemp



20

50

59

6

4

2

0

-2

-4

-6

22

60



-0.3

-0.1

-0.2

0 10

20 30 40 50

P C12-Sapflow

20

VP (KPa) VPD (KPa)

18

P C8-Area temp P C9-IR Camera P C10-Tensio 500 P C11Zuurstof 1 Zuurstof 2

P C1-PAR A P C2-PAR B

D C8-Area temp D C9-IR Camera D C10-Tensio 500


P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B P C6-CO2 B P C7-RH

D C11D C12-Sapflow

D C4-Buistemp D C5-PT1000 B D C6-CO2 B D C7-RH

straling windsnelheid regen D C1-PAR A D C2-PAR B D C3-Ldtv 10 mm

wi raam met wi raam ber ML lamp 50 ML lamp 100 Belichting 100

6

Belichting 50

0 C11C12-Sapflow Kastemp

4

buiten temperatuur regenmelder Doek stand

0.2 C6-CO2 B

2

RV Buis berekend Buis meting lz raam ber lz raam met

0.1

C7-RH

-8

C8-Area temp C9-IR Camera C10-Tensio 500

0.3 C1-PAR A C2-PAR B

0.4

C3-Ldtv 10 mm C4-Buistemp C5-PT1000 B



60

8

6

4

2

0

-2

-4

-6

22

Figuur 59: PC9 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC9 voor de “foute” dagen aangeven in groen. Duidelijk is ook dat PC9 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”.

60



0

-0.1

-0.2

-0.3

-0.4 0.2

0.1

0

6

Figuur 61: PC10 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC10 voor de “foute” dagen aangeven in groen. PC10 heeft geen duidelijk patroon in de tijd. Duidelijk is ook dat PC10 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”. 0.4


wi raam met wi raam ML lamp ber 50 ML lamp 100 Belichting 50 Belichting 100 straling buiten temperatuur windsnelheid regenmelder regen Doek stand D C1-PAR A D C2-PAR B D C3-Ldtv 10 mm D C4-Buistemp D C5-PT1000 B D C6-CO2 B D C7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D C12-Sapflow P C1-PAR A P C2-PAR B P C3-Ldtv 10 mm P C4-Buistemp P C5-PT1000 B P C6-CO2 B P C7-RH P C8-Area P C9-IR Camera temp P C10-Tensio 500 P C12-Sapflow P C11Zuurstof 1 Zuurstof 2 VP (KPa) VPD (KPa)

10 RV

4


2

C11C12-Sapflow Kastemp Buis berekend Buis meting

0.3

C4-Buistemp C5-PT1000 B C7-RH C8-Area temp C9-IR Camera C10-Tensio 500

-8

C6-CO2 B

C1-PAR A C2-PAR B C3-Ldtv 10 mm




20

30

40

18 20

50

61

6

4

2

0

-2

-4

-6

22

60


-0.2

-0.1

0 10

20 buiten temperatuur regenmelder Doek stand 30

40 P C10-Tensio 500

18

50

VP (KPa) VPD (KPa)

P C12-Sapflow Zuurstof 1 Zuurstof 2

P C6-CO2 B


P C7-RH P C8-Area temp P C9-IR Camera P C11-

0.3

P C3-Ldtv 10 mm

0.4

D C10-Tensio 500 D C11D C12-Sapflow P C1-PAR A P C2-PAR B P C4-Buistemp P C5-PT1000 B

Figuur 63: PC11 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC11 voor de “foute” dagen aangeven in groen. PC11 heeft geen duidelijk patroon in de tijd. Duidelijk is ook dat PC11 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”. D C6-CO2 B

0.6

D C7-RH D C8-Area temp D C9-IR Camera

0.5

windsnelheid regen DDC1-PAR C2-PARAB D C3-Ldtv 10 mm D C4-Buistemp D C5-PT1000 B

6

ML lamp 50

Buis berekend Buis meting wi raam raam ber met wi ML lamp 100 Belichting 50 Belichting 100 straling

0

4


2

C11C12-Sapflow

-10

Kastemp RV

0.1 C1-PAR A C2-PAR B

0.2

C3-Ldtv 10 mm C4-Buistemp C5-PT1000 B C6-CO2 B C7-RH C8-Area temp C9-IR Camera C10-Tensio 500



20

62

10

8

6

4

2

0

-2

-4

-6

-8

22

60



-0.2

-0.3 0 10 20

0.3

30 18

40 P C6-CO2 B


P C3-Ldtv 10 mm

Figuur 65: PC12 in de tijd gedurende 24 uur gedurende een aantal weken. Binnen de figuur is het verloop van PC12 voor de “foute” dagen aangeven in groen. PC12 heeft geen duidelijk patroon in de tijd. Duidelijk is ook dat PC12 de “foute” dagen geen significant andere waarde aannemen dan voor de “goede dagen”.

D C3-Ldtv 10 mm D C4-Buistemp D C5-PT1000 B D C7-RH D C8-Area temp D C9-IR Camera D C10-Tensio 500 D C11D C12-Sapflow P C1-PAR A P C2-PAR B P C4-Buistemp P C5-PT1000 B P C7-RH P C8-Area temp P C9-IR Camera P C10-Tensio 500 P C11P C12-Sapflow Zuurstof 1 Zuurstof VP (KPa) 2 VPD (KPa)

regen Doek stand D C1-PAR A D C2-PAR B

Belichting 100 buiten temperatuur windsnelheid

0

regenmelder

Buis berekend Buis meting lz raam ber lz raam met wi raam met wi raam ML lamp 50 ber

0.4

D C6-CO2 B

-0.1 6

ML lamp 100 Belichting 50 straling

0.1 4

Kastemp RV

0.2

C3-Ldtv 10 mm

2

C6-CO2 B C8-Area temp C9-IR Camera500 C10-Tensio C11C12-Sapflow

-8

C1-PAR A C2-PAR B C4-Buistemp C5-PT1000 B C7-RH



20

50

63

8

6

4

2

0

-2

-4

-6

22

60




64

Uit de figuren 43 t/m 66 blijkt dat voor PC’s hoger dan 3 de niet als “goed” geselecteerde dagen geen sterk afwijkende PC waarden veroorzaken. Afwijkingen in de kas situatie resulteren dus niet in afwijkende PC waarden voor PC4 t/m 12. Bovendien zien we weinig dynamisch gedrag van deze hogere PC waarden (die ook minder bijdragen in het gehele model). Voor het beoordelen van de relatieve bijdrage van de verschillende parameters (sensoren) in het model en “early warning” systeem is daarom alleen gekeken naar de betrokkenheid van de verschillende parameters in PC1, PC2, en PC3. Als we als (arbitraire) grens stellen dat parameters die in de PC een bijdrage hebben die groter is dan een factor 0.15 (of meer negatief dan -0.15) de meest bepalend e factoren zijn dan komen we tot de hieronder weergegeven lijst van parameters die het meest bepalend zijn voor de situatie in de kas volgens het opgestelde model (Tabel 3). Uit tabel 3 blijkt dat vooral de parameters die te maken hebben met licht (PAR, Instraling, doek), temperatuur (kasomgeving, buistemperatuur, gewastemperatuur, buitentemperatuur), vocht (RV parameters, substraat watergehalte) belangrijk te zijn. Daarnaast vallen zuurstof in het substraat, CO2 en sapstroom op. Van de parameters PAR lich t, kasomgevingstemperatuur, gewastemperatuur, substraatwatergehalte en sapstroom zijn ook de fluctuaties belangrijk.


Comment: Je hebt hier bladzijden achter elkaar met figuren. Stop deze in een bijlage. Het maakt het geheel leesbaarder


Parameter naam

PC1 bijdrage

PAR licht A Delta PAR A (2x) PAR licht B Delta PAR B (2x) Buistemperatuur (growlab) PT1000 B CO2 RH (growlab sensor) Area temp Delta Area temp (2x) Gewas temp (IR) Delta IR (2x) Tensiometer Delta Tensio Kastemperatuur

0.28

Buitemtemp. Windsnelheid Regen straling doekstand

PC2 bijdrage PC3 bijdrage 0.2/ 0.2

0.28 0.2/ 0.2 0.32 0.28 0.17 0.24 0.29 0.33/ 0.31 0.30 0.31/ 0.30 -0.17

-0.22 -0.15

0.29

Vocht in substraat (FD) Delta FD Sapflow Delta Sapflow RV (klimaat comp) Buis berekend & Buis gemeten Lz raam (2x)

65

-0.25 -0.26 -0.26 -0.25 0.26 0.27 0.19 0.16 0.18 0.17 0.25 -0.2

Zuurstof in -0.18 substraat 1 Zuurstof in -0.28 substraat 2 VP 0.25 0.22 VPD 0.24 Tabel 3: Relatieve bijdragen groter dan 0.15 (-0.15) in PC1, PC2 en PC3 van verschillende parameters.



66

6. Conclusies In het o nderzoek is met behulp van principale componenten analyse en stap gezet naar de ontwikkeling van een “early -warning” systeem voor de glastuinbouw gebaseerd op het signaleren van afwijkingen in de relaties tussen een groot aantal parameters die in de kas kunnen worden gemeten. Hierbij wordt dus niet zozeer gekeken naar extreme waarden van individuele waarden, maar naar extremen in samenhang. Daarnaast kon een indicatie worden gegeven over welke parameters een hoofdrol vervullen in een dergelijk signaleringssysteem. 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 teelt deskundigen alle dagen in de periode beoordeeld als “normale/goede” dagen of “afwijkende/slechte” dagen in de teelt. Op basis 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 behulp 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 verschillend e model parameters nuttig gebleken. 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) 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, CO2 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.


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

Recommend Documents