Как выявить сбои в работе indoor-фермы с помощью анализа данных датчиков

В данном исследовании анализируется качество данных о температуре воздуха, собранных с помощью недорогих IoT-датчиков в маломасштабной системе сельского хозяйства с управляемой средой (CEA) в ходе выращивания салата при четырех различных температурных режимах.

Введение:  Обеспечение качества данных в системах с управляемой средой имеет решающее значение, поскольку оно влияет на стабильность системы и эффективность ее работы. Цель данного исследования — оценить стабильность системы путем анализа корреляции между накопленным количеством агротехнических операций (Agr.Ops) и вариабельностью данных о температуре воздуха.

Методы: Методология включала сбор данных о температуре воздуха с IoT-датчиков в системе с управляемой средой на протяжении всего цикла выращивания салата. Был проведен регрессионный анализ на основе обобщенной линейной модели для изучения взаимосвязи между накопленным количеством агротехнических операций и z-оценками остатков температуры воздуха, которые служили индикатором стабильности системы. Выбросы в данных датчиков были идентифицированы и проанализированы для оценки их влияния на производительность системы. Для определения наилучшей модели распределения данных датчиков использовались анализ распределения остатков и методы подбора кривых; наилучшее соответствие показало логарифмически нормальное распределение.

Результаты: Регрессионный анализ выявил сильную обратную зависимость между накопленным количеством агротехнических операций и z-оценками остатков, что позволяет предположить, что увеличение количества операций коррелирует с большим количеством выбросов и снижением стабильности системы. Анализ остатков показал, что выбросы могут быть связаны с такими потенциальными проблемами, как шум датчиков, дрейф показаний или другие источники неопределенности при сборе данных. В разных экспериментальных циклах система демонстрировала различную степень устойчивости к накопленному количеству агротехнических операций, при этом в некоторых циклах наблюдалось повышение устойчивости с течением времени.

Обсуждение: Использованный альтернативный метод декомпозиции позволил эффективно выявить выбросы и дал ценную информацию о функционировании системы при различных уровнях эксплуатационной нагрузки. Данное исследование подчеркивает важность учета неопределенностей в системах закрытого грунта (indoor-фермерство) путем улучшения суррогатных моделей данных, уточнения выбора датчиков и обеспечения избыточности данных. Предложенный метод представляет собой перспективный подход для улучшения мониторинга и управления неопределенностями в системах с управляемой средой, способствуя повышению стабильности и эффективности в сельском хозяйстве закрытого грунта.

К 2050 году численность населения мира, как ожидается, достигнет 9,7 млрд человек (United Nations and Department of Economic and Social Affairs and Population Division, 2019: Highlights, 2019), и примерно две трети этого населения, по прогнозам, будут проживать в городах (Ramin Shamshiri et al., 2018). Чтобы удовлетворить потребности в продовольствии этого растущего населения, мировая продовольственная система будет вынуждена увеличить производство продуктов питания на фоне сокращающихся площадей сельскохозяйственных угодий (Plaut, 1980). Кроме того, ожидается, что экстремальные и все более нерегулярные погодные явления (Wehner et al., 2017) и дефицит чистой воды (Boretti and Rosa, 2019) будут далее угрожать устойчивости традиционных систем сельскохозяйственного производства и производства продовольствия. Хотя это и сложно, необходимы инновационные подходы к сельскохозяйственному производству для обеспечения глобальной продовольственной безопасности (Keating et al., 2014; Lipper et al., 2014) и достаточных поставок продовольствия в этих условиях (Pitesky et al., 2014). Методы производства в условиях управляемой среды (CEA), такие как теплицы и вертикальные фермы, могут помочь решить задачу более интенсивного, рентабельного и устойчивого производства (O'Sullivan et al., 2019; Coon et al., 2024). CEA позволяют осуществлять круглогодичное производство сельскохозяйственных культур, в том числе в районах, где в противном случае культуры не могли бы выращиваться (Jensen and Malter, 1995). Тепличное производство специализированных культур (фруктов, овощей и цветоводства) является важной частью сельского хозяйства США с ежегодной оптовой стоимостью на уровне фермы в 6,9 млрд долларов (USDA et al., 2019). По сравнению с полевым производством, теплицы обеспечивают более высокую урожайность на единицу площади выращивания, используя при этом меньше воды, удобрений и пестицидов на единицу урожая (USDA et al., 2020). Системы CEA являются потенциально жизнеспособными стратегиями для смягчения многих сложных проблем, влияющих на глобальное производство продовольствия (Ramin Shamshiri et al., 2018; Iddio et al., 2020; Engler and Krarti, 2021). Системы CEA могут повысить эффективность использования воды и питательных веществ, обеспечивать более здоровые и безопасные продукты питания с минимальным применением химических пестицидов или без него, увеличивать урожайность на квадратный фут земли, снижать транспортные расходы при размещении в городских условиях и обеспечивать стабильное производство высококачественных продуктов питания круглый год независимо от климатических условий. Однако к основным недостаткам CEA относятся высокие капитальные вложения и эксплуатационные расходы, вызванные высоким энергопотреблением и трудозатратами (Benke and Tomkins, 2017; Engler and Krarti, 2021; Van Delden et al., 2021), что ограничивает их финансовую рентабельность (O'Sullivan et al., 2019). Для того чтобы использовать CEA для повышения устойчивости и жизнеспособности наших продовольственных систем, крайне важно улучшить их экономическую эффективность (Hati and Singh, 2021) и доступность.

Двумя основными типами систем CEA являются теплицы и вертикальные фермы, каждая из которых имеет свои преимущества, недостатки и оптимальные сценарии использования. Теплицы представляют собой полууправляемые среды, где растения могут выращиваться в почве или гидропонно, с контролируемым орошением и фертигацией, с преимущественным использованием солнечного света для освещения и обогрева. Эти полууправляемые среды могут повышать урожайность и качество растений, снижать давление вредителей и болезней и продлевать вегетационные периоды культур по сравнению с традиционными методами производства. Например, салат, выращенный гидропонно в теплице, использовал в 13 ± 2,7 раза меньше воды и давал в 11 ± 1,7 раза больше урожая, чем салат, выращенный традиционным способом, хотя для этого требовалось в 82 ± 11 раз больше энергии (Barbosa et al., 2015). Вертикальные фермы выращивают растения с использованием беспочвенных методов культивирования в герметичных, теплоизолированных зданиях с контролируемым освещением и условиями окружающей среды, что может дать значительные преимущества по сравнению с теплицами. Сравнение растительных фабрик (тип вертикальной фермы) и теплиц показало, что растительные фабрики превзошли даже самые эффективные теплицы, достигнув более высокой производительности по воде, углекислому газу и площади земли (Graamans et al., 2018). Одна вертикальная ферма в Японии производила в 100 раз больше салата на квадратный фут, потребляя на 40% меньше энергии, создавая на 80% меньше пищевых отходов и используя на 99% меньше воды, чем традиционная ферма (Hati and Singh, 2021).

В CEA датчики температуры используются для мониторинга окружающей среды и систем управления (отопление, вентиляция, кондиционирование воздуха, затеняющие конструкции, осушители, увлажнители, орошение и т. д.) для достижения точного контроля среды вокруг растений. Температура может оказывать значительное влияние на эффективность использования ресурсов системы, влияя на нагрузки на отопление и охлаждение, скорость использования воды, показания датчиков и даже на срок службы и эффективность преобразования энергии компонентов системы. На температуру влияют многие факторы роста и развития растений, включая фотосинтез, дыхание, скорость роста, стадию развития, прорастание и высоту растений (Yang et al., 2014), причем оптимальные диапазоны варьируются в зависимости от вида растений и сортов. Было показано, что высокие температуры выше 35°C наносят вред фотосинтетическому процессу (He et al., 2009), а температуры, которые способствуют дыханию растений в ночное время при одновременном снижении скорости фотосинтеза в дневное время, могут снизить общую урожайность растений (Yamori et al., 2014). Температура корневой зоны влияет на активность метаболических ферментов и скорость поглощения воды растениями (He et al., 2009), при этом более высокие температуры приводят к более быстрым темпам роста и большему потреблению воды. Температура корневой зоны также влияет на концентрацию растворенного кислорода (DO) в воде, при этом более высокие температуры снижают концентрацию кислорода, что может привести к гибели растений, когда концентрация кислорода становится слишком низкой (Brechner et al., 1996). Показания электропроводности (EC) питательных растворов, используемых для гидропонного производства, необходимо корректировать с учетом температуры для обеспечения точности, поскольку EC имеет прямую зависимость от температуры. Светодиоды, используемые для искусственного освещения, становятся менее энергоэффективными, когда температура превышает их оптимальные диапазоны, что в конечном итоге приводит к снижению оптимальной эффективности и увеличению тепловыделения (Peng and Liu, 2021). Кроме того, внешние рабочие температуры и различные типы используемых систем CEA могут приводить к различным оптимальным условиям для энергоэффективности: более высокие установки в жарких условиях и более низкие установки в холодных условиях часто оказываются более эффективными (Yang et al., 2014; Zhang and Kacira, 2020). Таким образом, точный контроль температуры необходим для эффективной и результативной работы систем производства CEA.

Датчики являются важнейшим компонентом для мониторинга и контроля условий окружающей среды внутри систем CEA для обеспечения поддержания точных условий. Использование датчиков позволяет оптимизировать эффективность использования ресурсов, снизить трудозатраты и обеспечить производство высококачественных культур. Недорогие датчики (LC) обеспечивают доступные и масштабируемые способы создания плотных матриц датчиков, необходимых для точного мониторинга и управления операциями CEA. Системы Интернета вещей (IoT) используют недорогие датчики различными способами для улучшения сельскохозяйственной деятельности без высокой цены, связанной с высококачественными датчиками. Устройства IoT оснащены вычислительными и сетевыми возможностями, часто через программное обеспечение с открытым исходным кодом (Charumathi et al., 2017; Tzounis et al., 2017; Marques et al., 2019; Montoya et al., 2020; Tatas et al., 2021), а использование нескольких устройств позволяет собирать большие объемы данных. С большим объемом данных различные системные операции или инциденты могут быть интерпретированы или представлены с помощью соответствующих методов анализа, таких как статистика. Некоторые из этих операций или инцидентов включают калибровку датчиков (Montoya et al., 2020), периодическую потерю соединения, недостаточную надежность данных и, следовательно, плохое принятие решений (Karkouch et al., 2016), нестабильные и перегруженные сети, а также истощение источников питания (Teh et al., 2020). Эти проблемы предрасположены к случаям качества данных, таким как выбросы, пропущенные данные, смещение, дрейф, шум и неопределенность (Teh et al., 2020).

Решения для интерпретации информации о качестве данных включают множество сложных методов обработки данных, таких как анализ главных компонент (PCA), искусственные нейронные сети (ANN) и байесовские сети, которые повышают функциональность и применимость этих систем путем устранения этих ошибок (Teh et al., 2020; Samara et al., 2022). Для данных временных рядов используются статистические методы и методы машинного обучения для обнаружения аномальных данных, таких как выбросы (Filimonov et al., 2020; Fawzy et al., 2013). Были разработаны поэтапные правила (например, тест на физические ограничения, ступенчатый тест, тест на внутреннюю идентичность и т. д.) для мониторинга метеорологических данных и данных о погоде (Tak, 2015; Cella et al., 2019; Kim et al., 2015; Oh et al., 2013). В сельском хозяйстве, и особенно в операциях с управляемой средой, анализ качества данных имеет решающее значение для управления экологическими системами, связанными с потреблением энергии, ростом культур, производительностью, стабильностью системы и т. д. Однако соответствующих исследований в области сельского хозяйства с использованием соответствующих наборов данных мало, если они вообще есть.

В этом исследовании изучается качество данных о температуре воздуха, собранных с маломасштабной системы CEA с использованием недорогих IoT-датчиков, для оценки стабильности системы в ходе выращивания салата при четырех различных температурах воздуха. Далее будут представлены конфигурация системы и методология анализа, за которыми последуют результаты статистического анализа. Результаты и выводы будут представлены в обсуждении, за которым последует заключение.

В этом эксперименте данные временных рядов собирались с различных датчиков окружающей среды, подключенных к матрице датчиков на базе Arduino, в системе вертикального фермерства (VF), где гидропонный салат выращивался по методу питательной пленки (NFT) под светодиодными лампами. Матрица датчиков выводила данные в базу данных MySQL и сохраняла данные локально на компьютере на протяжении всего эксперимента в качестве резервного набора данных (подробности см. в Приложении). Контролируемый характер этой маломасштабной VF обеспечивал регулярные временные колебания, которые было легко обнаружить и которые основывались в первую очередь на функциональности системы (оборудование, таймеры, датчики и т. д.). Внешние условия окружающей среды оказывали незначительное влияние на VF, поскольку она была изолирована внутри здания с постоянным экологическим контролем. Небольшой размер VF делал внутренние условия окружающей среды подверженными высокой степени колебаний, вызванных агротехническими операциями, и, следовательно, потенциально влиятельным фактором на функциональность системы и неопределенности в данных об окружающей среде. Данные о температуре воздуха использовались для применения статистических методов для анализа остатков и обнаружения выбросов в декомпозированных данных временных рядов в качестве показателя стабильности системы. Предлагаемый в этом эксперименте метод анализа данных может помочь снизить общие эксплуатационные расходы вертикальных ферм за счет повышения эффективности использования энергии и снижения трудозатрат.

2.1 Обзор среды

Для этого исследования использовалась климатическая камера для размещения системы indoor-фермы с экспериментами по выращиванию салата. Температура, влажность и поток воздуха в камере контролировались, а CO2 обогащался до постоянного уровня. Эксперимент включал четыре цикла с различными установками температуры воздуха. Данные собирались с помощью шести микроконтроллерных плат, подключенных к датчикам для различных параметров, таких как температура воздуха, влажность, концентрация CO2 и условия питательного раствора. Данные регистрировались онлайн в базе данных MySQL и локально в виде текстового файла. Датчики были размещены в разных местах камеры для мониторинга условий (подробности см. в Приложении). Эксперимент был направлен на изучение роста и развития салата в различных условиях окружающей среды. Система управления данными включала дизайн базы данных для хранения данных в реальном времени и управления датчиками, а также резервную файловую систему для обеспечения безопасности данных. Подробная информация о конструкции системы приведена в приложении.

2.2 Данные в этом исследовании

В этом исследовании основное внимание уделяется данным о температуре воздуха, собранным из камеры. Температура воздуха контролировалась системой кондиционирования воздуха здания для обеспечения ее однородности и отслеживалась на двух уровнях полога растений и в других местах для регистрации ее колебаний. Эксперимент включал четыре цикла, обозначенных как T1, T2, T3 и T4, каждый с различной дневной установкой температуры воздуха: 30°C, 24°C, 28°C и 26°C соответственно. Данные собирались с помощью пяти недорогих датчиков температуры воздуха (Adafruit, SHT30, New York, NY), подключенных к микроконтроллерным платам, с показаниями с интервалом в 10 секунд, а также с помощью независимого эталонного датчика температуры воздуха для регистрации данных (Hydrofarm, APCEM2, Petaluma, CA) (подробности см. в Приложении). Собранные данные включали 302 400 точек данных на цикл.

Датчики были откалиброваны и размещены в различных местах для точного мониторинга температуры воздуха внутри камеры и понимания однородности температуры в разных точках. Недорогой датчик был размещен на каждом из двух пологов растений (LC_Canopy_1, LC_Canopy_2) для мониторинга их однородности. Недорогой датчик был установлен рядом с эталонным датчиком в открытом пространстве камеры для мониторинга общих условий окружающей среды в камере и сравнения точности показаний между двумя датчиками в одном месте. Два других датчика температуры были размещены на входе кондиционера для мониторинга энергопотребления агрегата, а еще один — снаружи камеры для мониторинга условий окружающей среды в здании, где размещалась камера. Из шести наборов данных о температуре воздуха, собранных для анализа, использовались только четыре: эталонный датчик (Reference) и три недорогих датчика, расположенных на обоих пологах растений и рядом с эталонным датчиком (LC_Canopy_1, LC_Canopy_2, LC_Reference). Данные двух других датчиков температуры не рассматривались в нашем анализе из-за временных ограничений и актуальности для исследования. Другие данные об окружающей среде, такие как относительная влажность и концентрация CO2, выходили за рамки этого исследования из-за бюджетных и временных ограничений, отсутствия данных эталонных датчиков и из-за того, что эти данные демонстрировали нерегулярную сезонность, которая потребовала бы иного метода анализа, чем тот, который был предложен в этом исследовании (см. подробности в приложении). Все датчики были подключены к одному источнику питания, поэтому электрические колебания должны были влиять на них всех одинаково.

Агротехнические операции отслеживались и регистрировались как две точки данных: 1) состояние двери, 2) присутствие человека. Оба параметра регистрировались как бинарные переменные, указывающие на открытое/закрытое состояние для состояния двери и присутствие/отсутствие для состояния присутствия человека. Состояние двери регистрировалось автоматически с помощью фотоэлемента (Adafruit, CdS photocell, New York, NY), прикрепленного к двери камеры, который обнаруживал свет, когда дверь была открыта (1), и отсутствие света, когда дверь была закрыта (0). Присутствие человека регистрировалось вручную с помощью системы регистрации на основе переключателей с тремя кнопками, где нажатие одной из трех кнопок фиксировало нахождение в камере и изменяло состояние на «присутствует» (1), а повторное нажатие кнопки при выходе из камеры изменяло состояние на «отсутствует» (0). Это позволяло регистрировать одновременное присутствие до трех человек в камере, что оказывало тройной эффект на условия окружающей среды по сравнению с одним человеком, работающим в камере.

2.3 Метод классификации данных

Вся обработка и анализ данных выполнялись с использованием программного обеспечения R Statistical Software (RRID:SCR_001905) (R Core Team, 2024). Для обработки и преобразования данных использовались многочисленные библиотеки, включая «lubridate» (Grolemund and Wickham, 2011), «tidyverse» (Wickham et al., 2019), «plyr» (Wickham, 2011), «dplyr» (Wickham et al., 2023), «ggplot» (Wickham, 2016), «ggpubr» (Kassambara, 2023), data.table (Barrett et al., 2024), «psych» (Revelle, 2024), «hrbrthemes» (Rudis, 2024), «devtools» (Wickham et al., 2022), «fitdistrplus». Декомпозиция выполнялась с использованием стандартного пакета stats в R. Регрессионный анализ выполнялся с использованием стандартного пакета stats в R с функцией обобщенной линейной модели (glm).

2.3.1 Обработка пропущенных данных

Собранные в ходе экспериментов данные содержали множество пропущенных значений по различным причинам, таким как сбои датчиков и микроконтроллеров, скачки напряжения и отключения электроэнергии. Пропущенные точки данных датчиков были заменены данными из суррогатного набора данных, которые соответствовали временной метке каждого датчика и каждого цикла (Рисунок 1). Полученный набор данных не содержал пропущенных точек данных и в дальнейшем в этом документе называется объединенными данными (coalesced data). Используемые суррогатные наборы данных состояли из медианных показаний датчиков за каждый цикл для каждой уникальной комбинации часа/минуты в течение 24-часового периода. Медианное значение было выбрано, поскольку оно менее подвержено искажению выбросами, чем среднее значение, и поэтому является более подходящей мерой центральной тенденции (Khorana et al., 2023) для каждой точки данных. Эти медианные значения давали полные 24-часовые наборы данных, которые более точно идентифицировали сезонность температуры для каждого датчика и каждого цикла по сравнению со стандартной функцией аддитивной декомпозиции.

Рисунок 1 Замена пропущенных точек данных в исходных данных датчиков значениями суррогатных данных, соответствующими временным меткам часа/минуты. Полученный объединенный набор данных не содержит пропущенных значений и используется для декомпозиции.

2.3.2 Декомпозиция данных

Данные временных рядов могут быть обработаны различными способами для извлечения более значимой статистики и других характеристик данных. Одним из таких методов является декомпозиция, которая позволяет разделить данные временных рядов на сезонную и трендовую составляющие. Вычитая извлеченные паттерны из исходного набора данных, можно рассмотреть шум или остатки в данных. Один из типов декомпозиции, называемый аддитивной декомпозицией, эффективен, когда пики в сезонности данных не сильно меняются с течением времени (Prema and Rao, 2015), например, данные, собранные в системе indoor-фермерства, где температурные колебания регулярны и контролируемы и мало подвержены влиянию внешних условий. Однако этот метод не работает при большом количестве пропущенных данных, как это было в данном эксперименте. Проблема пропущенных данных была решена с использованием суррогатных наборов данных для заполнения пропусков и генерации объединенных наборов данных. Ввод объединенных данных через стандартную функцию декомпозиции давал сезонную и трендовую составляющие, которые можно было вычесть из объединенных данных для идентификации остатков. Однако, поскольку суррогатные данные по сути представляли собой периодичность исходных данных, вычитая суррогатные данные из объединенных, можно было эффективно удалить сезонность (Prema and Rao, 2015) и получить остаточные данные, используемые для идентификации выбросов (Рисунок 2) (Blázquez-García et al., 2022). Этот альтернативный метод декомпозиции оказался более успешным при извлечении остаточных значений, чем использование стандартной функции аддитивной декомпозиции. Таким образом, наборы остаточных данных, полученные с помощью альтернативного метода декомпозиции, использовались для анализа остатков.

Рисунок 2 Стандартный метод декомпозиции (выше) и альтернативный метод декомпозиции (ниже), предложенный в данном эксперименте и использованный для декомпозиции данных о температуре воздуха.

В данных о температуре воздуха видимые суточные периодичности, вызванные дневными/ночными установками, соответствовали требованиям использования аддитивного метода декомпозиции. Эти суточные температурные колебания не сильно варьировались в пределах одного температурного цикла, однако периодичности различались между разными циклами из-за четырех различных дневных установок температуры, и поэтому данные о температуре воздуха для каждого цикла декомпозировались отдельно. Кроме того, уникальные наборы данных каждого датчика температуры декомпозировались отдельно для изучения работы отдельных датчиков. Данные о накопленных агротехнических операциях использовались для выявления корреляций между количеством выбросов и стабильностью системы с течением времени.

2.3.3 Расчет остатков и обнаружение выбросов

Данные сезонности и тренда больших и более полных наборов данных могут быть извлечены более успешно по сравнению с меньшими и более несовершенными наборами данных. Таким образом, меньшие и более несовершенные наборы данных обычно приводят к более низкому качеству извлечения остатков, которые затем менее пригодны для анализа или диагностики. Предлагаемые в этом исследовании «суррогатные данные» представляют собой медианный суточный колебательный паттерн системы и могут использоваться для замены пропущенных значений в исходном наборе данных. Однако, как и в случае со стандартной декомпозицией, их использование ограничено количеством и качеством собранных данных, поскольку недостаточное количество данных или нестабильный датчик дадут суррогатные данные, которые не могут эффективно заполнить пропуски или быть использованы для декомпозиции. По мере увеличения объема данных возрастает надежность и применимость суррогатных данных для диагностики системы.

Распределения остатков анализировались на предмет разброса, центральной тенденции и нормальности как меры качества данных и датчиков (Montoya et al., 2020). Предполагая, что заводская калибровка датчиков была успешной, остатки должны быть распределены нормально со средним значением, стремящимся к нулю. Статистический анализ, такой как z-тесты, выполнялся для остатков с уровнем значимости α = 0,05 (Montoya et al., 2020), однако в этом эксперименте использовалось меньшее значение α = 0,001 после проверки этого значения на данных предыдущих циклов и обнаружения, что оно лучше демонстрирует результаты. Остаточные данные с z-оценками, превышающими 3,29 стандартных отклонения от среднего значения (|z| > 3,29), были отмечены как выбросы (Рисунок 3). Изучая остаточные данные, можно анализировать изменения в регулярных колебаниях системы для выявления неопределенностей, выбросов, ошибок датчиков и определения того, какие операции являются критическими и как они влияют на стабильность работы indoor-фермы (Таблица 1). Распределение абсолютных значений z-оценок было проанализировано для определения кривой наилучшего соответствия этому распределению и для информирования регрессионного анализа.

Рисунок 3 Визуализация альтернативного метода декомпозиции для объединенных данных от недорогого датчика в остатки с идентифицированными точками данных-выбросов (|z| > 3,29). Идентифицированные данные-выбросы затем отображаются в объединенных данных для лучшей демонстрации их временной значимости.

Таблица 1 Неопределенности системы indoor-фермерства.

2.3.4 Регрессионный анализ

Обобщенная линейная модель использовалась для выполнения регрессионного анализа между накопленными агротехническими операциями (Agr.Ops) и соответствующими z-оценками остаточных данных температуры воздуха для оценки общей стабильности работающей системы. Agr.Ops количественно оценивались накопительно за каждый цикл для учета прогрессивного эффекта на стабильность системы. Если Agr.Ops влияет на стабильность системы, то по мере увеличения накопленного количества Agr.Ops с течением времени мы ожидали увидеть увеличение количества выбросов. Наша гипотеза состояла в том, что количество и интенсивность выбросов данных могут информировать о стабильности работы системы и ее корреляции с Agr.Ops. Однако для изучения этой корреляции нам нужно было удалить из анализа все значения, не являющиеся выбросами, поскольку они составляли более 97% данных и могли бы исказить результаты. Таким образом, поиск кривой наилучшего соответствия для распределения и регрессионный анализ выполнялись только с данными-выбросами.

3.1 Сводка данных

Всего было проанализировано 40 320 точек данных на датчик температуры воздуха и на температурный цикл, что в сумме составило 645 120 точек данных. В Таблице 2 представлена описательная статистика для исходных данных с количеством пропусков для всех четырех датчиков по каждому температурному циклу. Предложенный альтернативный метод декомпозиции достиг аналогичного успеха в идентификации случаев неопределенности и отклонений, как и стандартная функция аддитивной декомпозиции, как показано в Таблице 3.

Таблица 2 Сводка исходных данных о температуре воздуха и количество пропущенных значений на датчик и на температурный цикл.

Исходные данные относятся к неизмененным данным, собранным с каждого датчика. NA = количество пропущенных значений. Датчики LC_Canopy_1 и LC_Canopy_2 (SHT30) были размещены на двух разных пологах растений, а датчики LC_Reference и Reference (APCEM2) находились рядом друг с другом вдали от пологов растений для мониторинга общих условий окружающей среды.

Таблица 3 Сравнение среднего значения остаточных данных, стандартного отклонения и количества выбросов, идентифицированных стандартным и альтернативным методами декомпозиции на датчик и на температурный цикл.

Датчики LC_Canopy_1 и LC_Canopy_2 (SHT30) были размещены на двух разных пологах растений, а датчики LC_Reference и Reference (APCEM2) находились рядом друг с другом вдали от пологов растений для мониторинга общих условий окружающей среды. Стандартная аддитивная декомпозиция выполнялась с помощью функции decompose() из стандартного пакета статистики R, при этом из идентифицированных сезонных и трендовых данных вычитались объединенные данные. Альтернативный метод декомпозиции вычитал объединенные данные из суррогатных данных. Выброс = количество остаточных значений с z-оценками, большими или равными 3,29 (|z| ≥ 3,29).

3.2 Распределение остатков и подбор кривой

Распределения z-оценок всех недорогих датчиков было схожим в четырех циклах, с различиями, наблюдаемыми только в данных эталонного датчика (Рисунок 4).

Рисунок 4 Гистограммы z-оценок остатков температуры воздуха для всех значений (слева) и только для значений-выбросов (|z| > 3,29) (справа). Остатки были рассчитаны с помощью альтернативного метода декомпозиции с использованием данных датчиков в течение всех четырех температурных циклов. Датчики LC_Canopy_1 и LC_Canopy_2 (SHT30) были размещены на двух разных пологах растений, а датчики LC_Reference и Reference (APCEM2) были размещены рядом друг с другом вдали от пологов растений для мониторинга общих условий окружающей среды.

Постоянное смещение или тренд в данных эталонного датчика в сторону от данных недорогого датчика могли быть связаны с различиями в аппаратном обеспечении датчиков, однако такого рода несоответствия не были явно видны в данных. Наборы данных эталонного и недорогого датчика, размещенных рядом (Reference и LC_Reference), также должны были иметь схожие различия в качестве, которые отличали бы их от остальных недорогих датчиков, но и это не отражалось в данных. Из этих результатов мы сделали вывод, что различия в качестве данных должны быть вызваны любым из или комбинацией типов неопределенностей, перечисленных в Таблице 1, хотя и неясно, каким именно. Различия в распределении остатков также свидетельствуют о том, что сравнение показаний разных типов датчиков может быть неэффективным способом изучения различий в качестве данных. Из-за этих расхождений в данных данные эталонного датчика были исключены из дальнейшего анализа подбора кривых, так как это могло бы повлиять на точность наших статистических моделей.

Тесты на соответствие были выполнены на объединенных остатках всех данных недорогих датчиков в четырех циклах для выявления модели распределения наилучшего соответствия (Таблица 4). Результаты тестов показали, что модель логарифмически нормального распределения обеспечила наилучшее соответствие данным, с оцененными параметрами meanlog = 1,7300694 и sdlog = 0,3805325. Логарифмически нормальная модель достигла логарифмического правдоподобия -20379,76, AIC 40763,52 и BIC 40777,82, что указывает на лучшее соответствие по сравнению с другими моделями распределения.

Таблица 4 Максимальные оценки соответствия для множества кривых распределения по объединенным распределениям остатков данных недорогих датчиков.

Результаты получены с помощью функции fitdist() с соответствующими типами распределений и методом «mge» из библиотеки «fitdistrplus».

На Рисунке 4 представлены две гистограммы остаточных значений: первая показывает распределение всех остатков, а вторая — распределение только значений-выбросов с |z| > 3,29. Распределение всех остаточных значений недорогих датчиков крайне смещено влево с длинным тонким хвостом. Для значений-выбросов недорогие датчики демонстрируют разброс, аналогичный гамма- или логарифмически нормальному распределению, в то время как распределение данных эталонного датчика выглядит слегка бимодальным. Графики плотности для данных-выбросов для каждого датчика и кривая, представляющая кривую наилучшего соответствия логарифмически нормального распределения для данных недорогих датчиков, показаны на Рисунке 5.

Рисунок 5 Графики плотности абсолютных значений остаточных z-оценок (|Z-оценка|) только для данных-выбросов (|z| > 3,29). Остатки были рассчитаны с помощью альтернативного метода декомпозиции с использованием данных датчиков в течение всех четырех температурных циклов. Датчики LC_Canopy_1 и LC_Canopy_2 (SHT30) были размещены на двух разных пологах растений, а датчики LC_Reference и Reference (APCEM2) были размещены рядом друг с другом вдали от пологов растений для мониторинга общих условий окружающей среды.

3.3 Регрессионный анализ

Регрессионный анализ для логарифмически нормального распределения был выполнен на данных отдельных недорогих датчиков по каждому циклу и на комбинации данных всех циклов, с индивидуальным анализом на датчик (Рисунок 6). Кривая регрессии для LC_Canopy_1 показывает некоторую незначительную положительную корреляцию в цикле 3, но остальные кривые регрессии для циклов 1-4 показывают незначительные отрицательные корреляции, которые уменьшаются по мере увеличения z-оценок. Аналогично, анализ объединенных данных показал слегка отрицательную корреляцию при более низких значениях z-оценок, которая уменьшалась при более высоких значениях z-оценок. Результаты регрессионного анализа показывают сильную обратную зависимость между Agr.Ops и остаточными z-оценками (Таблица 5). Среди трех датчиков LC_Canopy_1 имел значительный отрицательный эффект взаимодействия с Agr.Ops, но ни один из двух других недорогих датчиков не показал значительного эффекта. Эти результаты свидетельствуют о том, что Agr.Ops могут быть фактором, способствующим появлению выбросов в данных с течением времени, что частично подтверждает нашу первоначальную гипотезу о влиянии Agr.Ops на качество данных. Однако обоснованность этой взаимосвязи должна оцениваться в каждом конкретном случае.

Рисунок 6 Кривые регрессии для агротехнических операций (Agr. Ops) и абсолютных значений остаточных z-оценок (|Z-оценка|) только для данных-выбросов (|z| > 3,29), по циклам и объединенным циклам. Анализ включает остаточные данные, рассчитанные с помощью альтернативного метода декомпозиции от каждого датчика в течение всех четырех температурных циклов. Датчики LC_Canopy_1 и LC_Canopy_2 (SHT30) были размещены на двух разных пологах растений, а датчик LC_Reference был размещен вдали от пологов растений для мониторинга общих условий окружающей среды.

Таблица 5 Сводка результатов регрессионного анализа для объединенных оценок соответствия множества кривых распределения по объединенным распределениям остатков данных недорогих датчиков. Результаты получены с помощью функции fitdist() с соответствующими типами распределений и методом «mge» из библиотеки «fitdistrplus».

В этом исследовании предложен новый подход к оценке стабильности системы сельского хозяйства с управляемой средой путем анализа состояния ее качества данных (например, выбросов). С точки зрения управляющих системой, общая стабильность рабочей среды связана с контролем рисков для предотвращения отказов системы, стресса растений и управленческих трудностей.

4.1 Обнаружение выбросов и стабильность системы

Использование этого альтернативного метода декомпозиции может дать представление о функционировании системы indoor-фермерства путем выявления отклонений от «идеальной» работы, представленной суррогатными данными. Эти данные-выбросы могут указывать на шум датчиков, дрейф или ошибки линейности, или на одну из многих неопределенностей, которые могут влиять на эти системы (Таблица 1), поскольку все они могут восприниматься как значительные отклонения от суррогатных данных. Однако, поскольку этот метод не может хорошо различать эти неопределенности, может потребоваться использование меньших значений альфа (α < 0,001), чтобы помочь идентифицировать только наиболее экстремальные значения как истинные выбросы.

При связывании выбросов с неопределенностями величина z-оценки является критической мерой значимости этих неопределенностей. Большая z-оценка указывает на серьезные отклонения от нормы, что предполагает потенциальную нестабильность системы. В нашем исследовании Цикл 1 продемонстрировал наибольшую z-оценку (>13), что указывает на значительные уязвимости и высокий риск отказа системы, вероятно, из-за начальных условий настройки, требующих доработки. Другие циклы, с максимальными z-оценками около 7 или 9, испытали менее серьезные неопределенности, что свидетельствует о лучшей стабильности. Цикл 2, с максимальной z-оценкой около 7, показал относительную стабильность по сравнению с Циклом 1.

Влияние Agr.Ops на выбросы также может быть определено с помощью регрессионного анализа. В идеале, если бы Agr.Ops влияли на стабильность системы, наблюдался бы неотрицательный регрессионный тренд. Однако все циклы, кроме Цикла 3, демонстрировали отрицательный тренд, указывающий на то, что серьезность неопределенностей не увеличивалась с течением времени. В Цикле 3 наблюдался положительный тренд для LC_Canopy_1 и LC_Canopy_2, что свидетельствует о том, что Agr.Ops влияли на эти конкретные показания, но не на общую стабильность системы, на что указывают данные LC_Reference. Это может быть связано с плохой циркуляцией воздуха и высокой рабочей температурой (28°C), что требует дальнейшего исследования.

В Циклах 1, 2 и 4 начальные стадии роста салата были связаны со значительными неопределенностями, что может быть связано с тем, что молодые растения не могли эффективно стабилизировать свой микроклимат (Hassanien Emam Hassanien and Ming, 2017). Со временем, по мере роста растений и увеличения площади полога, система становилась более устойчивой к влиянию Agr.Ops, что приводило к меньшим z-оценкам и меньшему количеству выбросов. Цикл 2, с заметно более крутым отрицательным наклоном, продемонстрировал более высокую устойчивость к влиянию Agr.Ops по сравнению с Циклами 1 и 4. Кроме того, в Цикле 4 было меньше пропущенных точек данных, что указывает на лучшую надежность данных, вероятно, из-за меньшего количества отключений электроэнергии.

В целом, в то время как Цикл 3 показывал повышенную нестабильность с течением времени из-за Agr.Ops, Циклы 1, 2 и 4 в целом становились более стабильными по мере роста растений. Цикл 2 был наиболее стабильным, с самым крутым отрицательным наклоном и самым узким диапазоном z-оценок. Для работы вертикальных ферм достижение стабильности системы требует балансировки небольших z-оценок выбросов, обеспечения независимости возникновения выбросов от Agr.Ops и поддержания надежного сбора данных.

4.2 Значение неопределенностей

Однако другие обнаруженные выбросы не показывают явной корреляции с агротехническими операциями, но могут быть связаны с другими неопределенностями или колебаниями в работе системы. Некоторые выбросы возникали во время запланированных дневных/ночных температурных переходов и могли быть вызваны небольшими задержками в активации кондиционера для охлаждения/обогрева системы, поскольку временная задержка могла проявиться как достаточно значительное различие в данных, чтобы быть идентифицированным как выброс. Другие выбросы могут указывать на изменения в динамике системы indoor-фермерства и могут быть связаны с рядом различных неопределенностей, идентификация которых помогла бы лучше понять общее состояние системы. Например, по мере роста растений они будут поглощать большее количество излучения от источника света, выделяя больше влаги по мере протекания большего количества реакций фотосинтеза. Изменения, происходящие в indoor-ферме во время роста и развития растений, могут быть нелинейными и даже могут изменить скорость потребления энергии и время, необходимое системе для достижения равновесия.

При управлении системой выращивания растений в закрытых помещениях некоторые агротехнические операции могут происходить только на определенных стадиях роста растений (например, для салата: пересадка на 1-й неделе, сбор урожая на 5-й неделе), и эффекты этих конкретных операций на данные системы могут быть легко отслежены и поняты. Аналогично, регулярные дневные/ночные температурные колебания, используемые для контроля окружающей среды, становятся частью идентифицированной суточной периодичности и не должны сильно меняться с течением времени, пока компоненты, используемые для их контроля, находятся в хорошем состоянии. Таким образом, если условия окружающей среды начинают отклоняться от регулярной периодичности в данных, эти отклонения могут быть отнесены к изменениям в работе системы или росту и развитию растений и могут быть отмечены для исследования. Независимо от того, вызваны ли изменения продолжительностью агротехнической операции, отказом оборудования или датчиков, биологическими факторами или какой-либо другой неопределенностью, они могут быть идентифицированы при сравнении с суррогатными данными. Крупная система выращивания растений в закрытых помещениях (например, коммерческая растительная фабрика с растениями на разных стадиях роста) может генерировать большое количество данных датчиков, что, соответственно, обеспечит высокое качество извлечения суррогатных данных и декомпозиции. Такие более крупные системы требуют точной настройки для множества компонентов, и использование этого метода может пролить свет на операционную стабильность системы в целом или даже на состояние отдельных компонентов. Например, можно контролировать температуру источников искусственного света для выявления постепенного снижения их световой эффективности, если количество выделяемого тепла увеличивается с течением времени, поскольку это будет означать, что больше энергии теряется в виде тепла, а не преобразуется в свет.

Наложение суточных данных таким образом затрудняет выявление прямых корреляций, но может лучше показать частоту выбросов на основе времени ежедневных операций. При более внимательном рассмотрении выбросов, идентифицированных во время дневных/ночных температурных переходов, эти выбросы, вероятно, были идентифицированы из-за временного сдвига относительно суррогатных данных, и, поскольку в это время выполнялось очень мало агротехнических операций или они не выполнялись вовсе, они вряд ли вызваны операционной неопределенностью. Вместо этого эти изменения могут указывать на то, что датчик температуры воздуха для кондиционера со временем деградирует и охлаждает/нагревает менее эффективно, или что увеличение массы системы, вызванное ростом растений, требует больше времени для эффективного охлаждения/нагрева. В любом случае, выявляется потенциальная динамика системы, которую необходимо исследовать, чтобы лучше понять, почему система колеблется таким образом.

4.3 Будущие направления

Существующие исследования по CEA в отношении стабильности систем в основном сосредоточены на управлении на основе обратной связи от системы (Ngo et al., 2020), выборе переменных (De Goede et al., 2013) или понимании реакции системы на изменения (Urruty et al., 2016). Однако оценка общей стабильности системы с использованием данных мониторинга окружающей среды или других подобных данных с точки зрения статистической эффективности встречается редко. Данное исследование заполняет этот пробел и предоставляет процедуру, которой другие могут следовать при решении таких проблем, как пропущенные данные, обнаружение выбросов и корреляция Agr.Ops с выбросами, которые могут использоваться для индикации стабильности системы.

Понимание источников и последствий этих неопределенностей имеет решающее значение для повышения надежности системы. Будущие исследования могут быть сосредоточены на разработке более сложных моделей для различения типов неопределенностей. Кроме того, внедрение стратегий прогнозируемого обслуживания на основе данных датчиков могло бы помочь на опережение решать такие проблемы, как деградация датчиков или неэффективность системы.

Использование суррогатных данных для обнаружения выбросов оказалось эффективным методом выявления отклонений от идеальных условий эксплуатации. Этот подход может быть дополнительно улучшен путем совершенствования процесса генерации суррогатных данных. Например, включение более сложных моделей, учитывающих стадии роста растений и их влияние на условия окружающей среды, могло бы повысить точность. Изучение методов машинного обучения для создания адаптивных суррогатных моделей данных, которые развиваются вместе с изменениями системы, также может быть ценным направлением для будущих исследований.

Наблюдаемые расхождения в данных эталонного датчика по сравнению с недорогими датчиками свидетельствуют о том, что различия в аппаратном обеспечении датчиков могут влиять на качество данных. Эта изменчивость подчеркивает необходимость тщательного выбора и калибровки датчиков в системах indoor-фермерства. Будущие исследования могли бы сравнить более широкий спектр датчиков в различных условиях окружающей среды для установления руководящих принципов оптимального использования датчиков в различных сценариях фермерства.

Частое возникновение пропущенных данных в некоторых системах, таких как Циклы 1, 2 и 3, подчеркивает важность избыточности данных. Внедрение нескольких датчиков и перекрестная проверка их показаний могут смягчить влияние пробелов в данных и повысить общее качество данных. Изучение конструкций сетей датчиков, которые включают избыточность и механизмы автоматического переключения на резерв, может быть перспективным направлением для будущих исследований.

В этом исследовании были проанализированы данные о температуре воздуха из систем indoor-фермерства с использованием альтернативного метода декомпозиции на основе суррогатных данных как представления периодичности данных датчиков окружающей среды для оценки производительности и стабильности системы. Данные от нескольких датчиков использовались для сравнения стандартной декомпозиции с альтернативным методом, и было установлено, что альтернативный метод был эффективен в обнаружении выбросов. Используемый здесь метод обнаружения выбросов может быть адаптирован к любым данным датчиков, которые демонстрируют регулярную сезонность в условиях управляемой среды. Простота и низкие вычислительные требования этого метода делают его эффективным для инфраструктуры IoT, и он может использоваться с офлайн-, онлайн-, статическими, динамическими, регистрируемыми данными или сбором данных в реальном времени. Однако этот метод зависит от количества и точности собранных данных и, таким образом, подвержен влиянию качества данных датчиков и объема выборки, что имеет простое, но потенциально дорогое решение — использование большего количества датчиков.

Регрессионный анализ показал обратную зависимость между накопленными агротехническими операциями и интенсивностью отклоняющихся состояний (остаточные z-оценки). Модель логарифмически нормального распределения наилучшим образом характеризовала остатки, подчеркивая важность мониторинга неопределенностей. Системы с меньшим влиянием агротехнических операций (либо с небольшим количеством выбросов, либо с уменьшающейся с течением времени серьезностью) и с более низкими z-оценками выбросов считались более стабильными. Эти результаты подчеркивают важность управления неопределенностями в системах indoor-фермерства для повышения надежности и эффективности, при этом альтернативный метод декомпозиции предлагает многообещающий подход для улучшенного мониторинга системы. Однако собранные и изученные в этом эксперименте данные были относительно короткими по продолжительности и использовали мало датчиков. Необходимы дальнейшие исследования надежности предлагаемого сбора суррогатных данных и альтернативного метода декомпозиции как инструментов диагностики данных. Будущие исследования должны дополнительно проверить эти методы в более крупных коммерческих операциях.

В климатической камере (Environmental Growth Chambers, TC2, Chagrin Falls, Ohio) размером 2,74 м × 2,74 м × 2,39 м (ширина × глубина × высота) размещалась система indoor-фермы, использованная для этого эксперимента. Температура, относительная влажность (RH) и поток воздуха в этой камере контролировались системой отопления, вентиляции и кондиционирования воздуха (HVAC) с непрерывной работой вентилятора. Два стеллажа размером 2,13 м × 0,61 м × 2,13 м (ширина × глубина × высота), установленные спереди назад, создавали поверхности полок, на которых размещались гидропонные системы (Рисунок 7). Для обогащения CO2 в камере до постоянного уровня 800 мг/л использовался регулятор с электромагнитным клапаном. Для контроля освещения и температуры использовался дневной/ночной интервал 16,5/7,5 ч (Brechner and Both, 2013; Caplan, 2018). Влажность контролировалась системой HVAC камеры и была установлена на максимум 60% без минимального значения. Вертикальные белые пластиковые отражатели были размещены между каналами NFT для обеспечения равномерных условий освещения для всех растений в системе. Было проведено четыре температурных цикла, в которых салат выращивался в течение 7 дней в системе Ebb & Flood, а затем пересаживался в каналы NFT на 7-й день до сбора урожая на 35-й день. Агротехнические операции включали открытие/закрытие двери камеры, сбор данных, перекалибровку датчиков, долив резервуаров с питательным раствором, сбор салата и общие задачи по обслуживанию внутри камеры.

Рисунок 7 Схема системы indoor-фермерства, где салат выращивался с полностью автоматизированной гидропонной системой: (A) вид сбоку; (B) вид спереди; (C) изображение фактической используемой климатической камеры перед пересадкой рассады салата в каналы.

6.1 Система сбора данных

Шесть плат микроконтроллеров использовались для разделения недорогих датчиков для обеспечения адекватного питания каждого датчика и высокочастотного сбора данных. Пять плат MEGA2560 (Elegoo, MEGA 2560, Shenzen, China) использовались для мониторинга и управления окружающей средой, а одна плата ESP32 (Espressif Systems, ESP32-S2-Saola-1, Shanghai, China) использовалась для мониторинга агротехнических операций. Все шесть плат были подключены к одному компьютерному блоку, который выступал в качестве регистратора данных, сохраняя данные онлайн в базе данных MySQL и локально в виде текстового файла с помощью скриптов Python. Все данные имели временную метку после сбора в мониторе последовательного порта Python (RRID:SCR_008394) для обеспечения точности даты и времени и отсутствия дрейфа.

Сбор данных датчиков осуществлялся в течение полных пяти недель каждого из четырех циклов. Первая неделя каждого цикла была идентичной для обеспечения одинаковых условий прорастания и скорости роста рассады. Рассада подвергалась воздействию экспериментальных условий со 2-й по 5-ю неделю для проверки изменений в росте и развитии растений при различных температурных установках. Данные недорогих датчиков собирались с интервалом 10 секунд и включали температуру воздуха, относительную влажность (RH), концентрацию CO2, электропроводность (EC), pH, растворенный кислород (DO), температуру корневой зоны, объем дозирования питательных веществ/воды/кислоты/щелочи и выполняемые агротехнические операции. Этот сбор данных давал 302 400 точек данных для каждого из 50 измеряемых параметров на цикл. Эталонная система собирала данные с интервалом 5 секунд, что составляло 604 800 точек данных на параметр на цикл. Уникальные параметры усреднялись за минуту, и эти усредненные наборы данных использовались для анализа данных и визуализации. Каждый из четырех циклов имел различную установку температуры воздуха (24, 26, 28, 30°C), поэтому уникальные наборы данных усреднялись по каждому циклу. Датчики были размещены в различных местах камеры, как показано на Рисунке 8. Данные о температуре воздуха, RH и CO2 собирались на двух уровнях полога растений для обеспечения соответствия работы системы потребностям выращиваемых растений и для измерения однородности окружающей среды. Эталонный датчик был размещен вдали от системы выращивания для мониторинга общих условий в камере. Недорогие датчики температуры, влажности и CO2 были размещены рядом с эталонным датчиком для сравнения данных, собранных в идентичных условиях. Каждый резервуар с питательным раствором контролировался на pH, EC, DO, температуру, а также использовался поплавковый датчик для поддержания желаемых условий.

Рисунок 8 Схема размещения датчиков в климатической камере: (A) вид сбоку; (B) вид спереди.

6.2 Матрица датчиков

Эталонный набор данных был собран с помощью автономного датчика и регистратора данных (Hydrofarm, APCEM2, Petaluma, CA), который собирал данные о температуре воздуха, концентрации CO2 и RH и сохранял их локально на карту microSD. Объемы воды в резервуарах контролировались с помощью поплавковых выключателей (Anndason, DP3500, Shenzen, China) (Рисунок 9A). EC, pH и уровни воды поддерживались с помощью автоматического дозирования перистальтическими насосами (Atlas Scientific, EZOTM-PMP, Long Island City, NY) на основе показаний соответствующих датчиков. Концентрация CO2 контролировалась с помощью пяти инфракрасных датчиков CO2 (Vaisala, GMP252, Vantaa, Finland) и управлялась регулятором CO2 и электромагнитным клапаном, подключенным к реле (Рисунок 9B). Пять датчиков температуры и относительной влажности (Adafruit, SHT30, New York, NY) были размещены на разных высотах и в разных местах (оба полога растений, вход HVAC, рядом с эталонным датчиком, снаружи камеры) для мониторинга условий внутри и снаружи камеры. Мультиплексор (Adafruit, TCA9548A, New York, NY) переключался между пятью датчиками с одинаковым I2C-адресом (Рисунок 9C). Температуры питательного раствора контролировались водонепроницаемыми термопарами типа T (Aideepen, DS18B20, Shenzen, China), откалиброванными по воде при 100°C и 0°C (Рисунок 9D). Данные о дате/времени агротехнических операций, выполняемых при входе в камеру, регистрировались с помощью фоторезистора (Adafruit, CdS photocell, New York, NY) для регистрации состояния двери камеры (открыта/закрыта) и с помощью ручных кнопочных переключателей для регистрации присутствия до трех человек в камере одновременно (Рисунок 9E). Датчики Atlas Scientific и соответствующие встроенные схемы EZO™ также использовались для мониторинга питательного раствора. Эти матрицы датчиков включали pH (Atlas Scientific, #ENV-40-pH, Long Island City, NY), электропроводность (Atlas Scientific, #ENV-40-EC-K1.0, Long Island City, NY) и растворенный кислород (Atlas Scientific, #ENV-40-DOX, Long Island City, NY). Схемы EZO™ были установлены на шилд Tentacle (Whitebox, T1.16, Schlatt TG, Switzerland), который обеспечивал разрывы цепей, гальваническую изоляцию и порты подключения датчиков. Совокупное потребление электроэнергии измерялось с помощью измерителей тока (CrocSee, CRS-022B, Shenzen, China).

Рисунок 9 Схемы подключения датчиков с платами Arduino и макетными платами для сбора данных. (A) Система питательного раствора; (B) Концентрация CO2; (C) Температура и влажность; (D) Температура питательного раствора; (E) Агротехнические операции.

6.3 Управление данными

То, как данные собираются, управляются и хранятся, может играть значительную роль в целостности любой системы, основанной на автоматизации и управлении с использованием датчиков. Система indoor-фермерства, которая собирает данные с высокой частотой, должна иметь возможность надежно и доступно хранить большие наборы данных, чтобы обеспечить работу системы с оптимальной производительностью и контроль в пределах желаемых параметров окружающей среды. Анализ собранных данных может выявить требования системы, неопределенности, ошибки в данных и другие подобные операционные инсайты.

6.3.1 Дизайн базы данных

Система сбора данных требует: 1) хранения данных в реальном времени и 2) адаптации при добавлении/удалении устройств. Дизайн базы данных должен удовлетворять этим требованиям. В частности, база данных построена на службе MySQL, которая обеспечивает функциональность для хранения данных в реальном времени. Данные загружаются с плат Arduino через API MySQL и помещаются в таблицу (sensor_data), записывающую временные метки, значения и M_ID (уникальный идентификатор, присвоенный каждому датчику) (Рисунок 10). Для решения проблемы добавления, удаления и замены датчиков мы создали и управляли измерительной таблицей, служащей справочником устройств датчиков. Эта таблица включает единицу измерения, тип измерения и идентификатор каждого датчика. Идентификаторы датчиков, соответствующие M_ID в sensor_data, установлены как первичный ключ (информация об индексе соединения для связи нескольких таблиц в региональной базе данных, такой как MySQL) для запроса информации о конкретных датчиках в базе данных. Связь, построенная на M_ID между двумя таблицами, позволяет нам управлять базой данных более эффективно. Например, когда показание записывается в таблицу sensor_data, соответствующее измерение и единица могут быть отслежены в измерительной таблице по M_ID. Аналогично, когда новый датчик подключается к плате Arduino, в измерительную таблицу может быть добавлена строка с новым M_ID, представляющим этот датчик. Данные, собранные с нового датчика, добавляются в таблицу sensor_data с соответствующим M_ID. С помощью этой процедуры статическая структура базы данных может использоваться для поддержки динамической системы CEA.

Рисунок 10 Структура измерительной таблицы (A) и таблицы sensor_data (B). M_ID является ключом для связи двух таблиц.

6.3.2 Резервная файловая система

Резервная файловая система является важнейшим компонентом для безопасности данных и работает путем агрегирования всех данных в системе в единый поток данных и последующей автоматической записи этого потока данных в текстовый файл, сохраняемый на локальном жестком диске компьютера один раз в день. Это включало сканирование и компиляцию каждого уникального потока данных для обеспечения полного потока данных. Преобразуя эти наборы данных в последовательный поток, стало легче управлять ими и оптимизировать их для требований к месту хранения. Для локального резервного копирования данных использовался формат текстового файла, поскольку этот тип файла является простым, эффективным форматом, известным своей совместимостью и простотой использования. Этот процесс был разработан с учетом целостности данных, позволяя воссоздавать исходные данные из локально сохраненных данных. Способность резервной файловой системы преобразовывать и хранить данные таким образом обеспечивает эффективную защиту от потенциальной потери данных в результате сбоя системы, человеческой ошибки или других непредвиденных обстоятельств. Таким образом, она играет ключевую роль в обеспечении безопасности и стабильности данных. Однако существует множество других неопределенностей, которые могут повлиять на сбор данных в системе indoor-фермерства и также могут привести к потере, повреждению данных или другим подобным ошибкам. Для нашего эксперимента ожидаемые неопределенности перечислены в Таблице 1. Существует множество методов для выявления и устранения этих неопределенностей, от модификации конструкции системы до обработки данных, но ни один метод не является совершенным.

Pompeo J, Yu Z, Zhang C, Wu S, Zhang Y, Gomez C and Correll M (2025) Assessing the stability of indoor farming systems using data outlier detection. Front. Plant Sci. 15:1270544. doi: 10.3389/fpls.2024.1270544

Перевод статьи «Assessing the stability of indoor farming systems using data outlier detection» авторов Pompeo J, Yu Z, Zhang C, Wu S, Zhang Y, Gomez C and Correll M., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык

Фото: Designed by Freepik