Izgradnja modelov - Analiza rasti v pametnem hidroponiˇ cnem sistemu

tabeli 4.4. Dopolnilne zapise bomo lahko oblikovali tudi tako, da bo en zapis zdruˇzeval ˇsirˇse povpreˇcje, na primer v 48 urnem obdobju. ˇCe povzamemo s kratkim primerom uporabe: za rastline stare 4 dni je smiselno uporabiti zapis, ki ga sestavljajo: osnovni zapis, v katerem je ˇze vkljuˇcena zgodovina zadnjega dneva (dan i), dopolnilni zapis predhodnega dneva (dan i−1) in dopolnilni zapis, kjer zdruˇzimo ˇse dva dneva pred tem (i−2 in i−3 — to sta prva dva dneva rastline).

4.3. IZGRADNJA MODELOV 33

Tabela 4.4: Pregled podatkov, ki jih zdruˇzuje zapis. Osnovni zapis vsebuje vse naˇstete podatke. Dopolnilni zapis obsega le podatke oznaˇcene z ’X’ v stolpcu ’Dopolnilni zapis’. V stolpcu ’Vloga’ smo oznaˇcili vlogo podatka pri modeliranju. Vsak podatek nastopa v modelu bodisi kot vhod ali kot izhod.

Parameter Dopolnilni

zapis

Vloga Opombe

Povpreˇcna temperatura zraka X Vhod

Povpreˇcna temperatura zraka ponoˇci X Vhod V ˇcasu ugasnjene luˇci.

Povpreˇcna temperatura zraka podnevi X Vhod V ˇcasu priˇzgane luˇci.

Procent vklopa luˇci na dnevni ravni X Vhod Trajanje obdobja priˇzgane luˇci na dnevni ravni deljeno s 24 ur.

Povpreˇcna slanost vode (EC) X Vhod

Povpreˇcna kislost vode (pH) X Vhod

Povpreˇcni razmak med dovajanjem hranil

X Vhod Kolikˇsen je v povpreˇcju za-mik med dvema dovaja-njema hranil.

Povpreˇcno trajanje dovajanja hranil X Vhod Povpreˇcno trajanje dovaja-nja hranil.

Povpreˇcni volumen dovajanja hranil X Vhod Skupni volumen prˇsenja izraˇzen kot ˇstevilo sekund prˇsenja v eni uri.

Prvotna listna povrˇsina X Vhod Listna povrˇsina na zaˇcetku zapisa.

Starost rastline od sejanja Vhod Starost rastline v ˇcasu za-pisa od trenutka setve v ka-lilnik.

Starost rastline od presaditve v sistem Vhod Starost rastline v ˇcasu za-pisa od presaditve v sistem.

Konˇcna listna povrˇsina Izhod Listna povrˇsina na koncu

zapisa.

Bolezenski znaki Izhod Ali smo to rastlino v

obdo-bju tega zapisa odstranili iz sistema ker je kazala bole-zenske znake ali je propadla.

dodatno transformirana z aktivacijsko funkcijo, ki opravlja vlogo praga akti-vacije [33].

Za implementacijo izgradnje, uˇcenja in ocenjevanja toˇcnosti smo uporabili knjiˇznico Accord.NET, ki smo jo uporabili tudi ˇze za procesiranje fotografij rastlin.

4.3.1 Kakˇ sne modele potrebujemo

Za uˇcinkovito napovedovanje odziva rastline na dane nastavitve hidropo-niˇcnega sistema potrebujemo dva razliˇcna modela. Prvi model uporabimo za napoved listne povrˇsine posamezne rastline ˇcez 24 ur. Drugi model pa uporabimo za napoved verjetnosti, da rastlina preˇzivi in ne razvije nobe-nih bolezenskih znakov. Ta model potrebujemo iz vsaj dveh razlogov. V prvih dnevih po presaditvi rastlin v hidroponiˇcni sistem so te (nekateri pri-merki bolj, drugi manj) obˇcutljive na ekstremne nastavitve. Naˇs cilj je, da doseˇzemo najveˇcjo rast vseh rastlin, brez nepotrebnih izgub. Drugi razlog za potrebo po modelu za napoved verjetnosti preˇzivetja brez bolezenskih znakov pa so neprimerne in/ali ekstremne nastavitve v kasnejˇsih dnevih, ko ob ta-kih nastavitvah rastline sicer rastejo hitro vendar razvijejo bolezenske znake.

Najpogostejˇse so listne oˇzganine (angleˇsko Leaf Scorch) [34]. Oba modela v osnovi delujeta na enakih vhodnih podatkih, razlikujeta se le v arhitekturi in izhodnem podatku.

S starostjo rastline se, vsaj v zaˇcetnih dnevih, spreminja tudi oblika podat-kov in s tem oblika modela. Eksperimentalno smo doloˇcili, da je vkljuˇcevanje ˇcim veˇcje koliˇcine zgodovine rastline zelo smiselno, vendar ne veˇc kot za 5 preteklih dni. Ker pa za rastline stare manj kot 5 dni nimamo na voljo podat-kov o vseh 5 preteklih dnevih to pomeni, da bomo prisiljeni uporabiti loˇcene pare modelov vsaj za dneve 1, 2, 3 in 4. Glede na to, da so odzivi rastlin na doloˇcene pogoje ob razliˇcnih starostih drugaˇcni, pa je smiselno uporabiti drug par modelov za vsak dan starosti rastline. Vsak par modelov zgradimo le na podatkih rastlin, ki so pribliˇzno enake starosti kot trenutne rastline.

Podrobnosti selekcije rastlin za posamezen par modelov smo predstavili v

4.3. IZGRADNJA MODELOV 35

tabeli 4.5, v stolpcu Starost rastlin v modelu.

4.3.2 Struktura in arhitektura nevronske mreˇ ze

Kot je razvidno iz tabele 4.4, ima osnovni zapis 12 vhodnih atributov, do-polnilni pa 10. Glede na ˇstevilo dodo-polnilnih zapisov d, ki smo jih uporabili imamo tako v nevronski mreˇzi 12 + 10∗d vhodnih nevronov, ter v vsakem primeru po en izhodni nevron. V nevronski mreˇzi smo uporabili tudi en skriti nivo, za katerega smo eksperimentalno doloˇcili, da je smiselno upora-biti enako ˇstevilo nevronov, kot v vhodnem nivoju. Za rastline stare 5 dni, kjer smo eksperimentalno doloˇcili, da je smiselna oblika zapisa osnovni zapis ter trije dopolnilni zapisi to pomeni arhitekturo nevronske mreˇze 42 : 42 : 1.

Ostale variacije smo predstavili v tabeli 4.5.

4.3.3 Uˇ cenje nevronske mreˇ ze

Preden priˇcnemo s procesom uˇcenja podatkov izvedemo vse opisane korake priprave podatkov glede na to, katere podatke potrebujemo. ˇCe nevronske mreˇze uˇcimo z namenom optimizacije rasti, potem pripravimo podatke in potrebne nevronske mreˇze glede na starosti trenutnih rastlin v rastlinjaku.

Ob pripravi matrik vhodov in izhodov nevronske mreˇze, ki jih bomo upora-bili za uˇcenje, podatke ˇse standardiziramo oziroma normaliziramo. Vsakega od vhodnih atributov loˇceno standardiziramo tako, da mu odˇstejemo pov-preˇcno vrednost, ter njegov razpon razˇsirimo s takim koeficientom, da je njegova standardna deviacija enaka 1. Izhodni atribut v vsaki od matrik pa le normaliziramo: odˇstejemo mu minimalno vrednost in njegov razpon normaliziramo med 0,1 in 0,9, da prepreˇcimo zasiˇcenje izhodnega nevrona.

Vse normalizacijske funkcije in njihove obratne funkcije, ki normalizirano vrednost preslikajo nazaj v prvotno vrednost, shranimo za kasnejˇso uporabo pri napovedovanju in raˇcunanju absolutnih napak.

Zaradi ˇsuma v podatkih, ki se pojavi zaradi zelo raznolikega odziva rastlin na dane pogoje in o katerem bomo natanˇcneje spregovorili v poglavju 5,

upo-Tabela 4.5: Oblika in struktura zapisov glede na starost rastline s pripa-dajoˇco arhitekturo modela nevronskih mreˇz. Ne glede na starost je zapis vedno sestavljen iz osnovnega zapisa. V stolpcu ’Dopolnilni zapisi’ pa smo predstavili, kateri dodatni dnevi zgodovine so bili dodani osnovnemu zapisu.

Osnovni zapis vsebuje podatke za dani, to je bodisi zadnji dan rasti rastline, bodisi dan, katerega rast napovedujemo. Tako (i−1) predstavlja dan pred osnovnim zapisom (i). S strukturo oblike (i−3 : i −5) pa smo ponazo-rili dopolnilni zapis, ki vsebuje povpreˇcje veˇcih dnevov zgodovine rastline. V stolpcu Starosti rastlin v modelu pa smo predstavili, katere rastline vkljuˇcimo v gradnjo modela. Na primer, ˇce je rastlina v hidroponiˇcnem sistemu stara 4 dni, bomo njen napovedni model zgradili na zapisih rastlin, ki se konˇcajo v starostih 4±1,5 dneva.

Starost rastline Dopolnilni zapisi Arhitektura ne-vronske mreˇze

Starosti rastlin v modelu

1 dan / 12 : 12 : 1 ±2,5 dneva

2 dneva (i−1) 22 : 22 : 1 ±2,5 dneva

3 dnevi (i−1),(i−2) 32 : 32 : 1 ±2,5 dneva

4 dnevi (i−1),(i−2),(i−3) 42 : 42 : 1 ±1,5 dneva 5 dni (i−1),(i−2),(i−3 :i−4) 42 : 42 : 1 ±1,5 dneva 6 dni (i−1),(i−2),(i−3 :i−4) 42 : 42 : 1 ±1,5 dneva 7 dni (i−1),(i−2),(i−3 :i−5) 42 : 42 : 1 ±1,5 dneva 8 dni (i−1),(i−2),(i−3 :i−5) 42 : 42 : 1 ±1,5 dneva 9 dni ali veˇc (i−1),(i−2),(i−3 :i−5) 42 : 42 : 1 ±2 dneva

4.3. IZGRADNJA MODELOV 37

rabljamo nekoliko nestandardno metodo uˇcenja. Uporabljamo kombinacijo dveh poznanih algoritmov za uˇcenje nevronskih mreˇz: algoritma vzvratnega uˇcenja (angleˇsko Backpropagation) [35] in algoritma Levenberg-Marquardt [36]. Odlika Levenberg-Marquardt algoritma je, da se uˇci zelo hitro, kar po-meni da ga je zelo smiselno uporabiti v naˇsem primeru, ko strojno uˇcenje poganjamo na relativno nezmogljivi razvojni ploˇsˇcici Raspberry Pi 3. Zato uˇcenje priˇcnemo z algoritmom Levenberg-Marquardt, vendar le 7 iteracij.

Po 7 iteracijah so uteˇzi nevronske mreˇze nastavljene ˇze pribliˇzno pravilno, kar omogoˇci da gradientni spust, ki je osnova algoritma vzvratnega uˇcenja, reˇsitev ˇse nekoliko izboljˇsa, brez da bi se model v preveliki meri prilegal po-datkom. Z algoritmom vzvratnega uˇcenja tako naredimo ˇse 500 iteracij. Ek-sperimentalno smo s preˇcnim preverjanjem, katerega bomo obrazloˇzili v na-slednem podpoglavju, ugotovili da je takˇsna omejitev iteracij zelo smiselna in zelo dober kompromis med nauˇcenostjo nevronske mreˇze, porabljenim ˇcasom za izgradnjo in prepreˇcevanjem prevelikega prileganja uˇcnim podatkom.

4.3.4 Ocenjevanje toˇ cnosti modelov

Za raˇcunanje toˇcnosti napovedi, ki smo jih dobili na izhodu nevronske mreˇze, smo uporabili pristop navzkriˇzne validacije (Cross-Validation) [37]. Podatke, ki smo jih imeli na voljo za izgradnjo modela, smo nakljuˇcno razdelili na 8 delov. Izvedli smo 8 iteracij ocenjevanja toˇcnosti modela, kjer smo iterativno izbrali enega od osmih delov podatkov in ga shranili za ocenjevanje napove-dne toˇcnosti modela. V vsaki iteraciji smo zgradili nov model in ga nauˇcili na preostalih 7 delih podatkov. Napovedno toˇcnost modela smo ovrednotili z metrikami korena povpreˇcja kvadratov napak (angleˇsko Root Mean Squared Error, kratica RMSE) [38] in relativne absolutne napake (angleˇsko Relative Absolute Error, kratica RAE) [39].

V obiˇcajnem naˇcinu delovanja programske opreme, preden zgradimo modele za potrebe optimizacije rasti, z enakimi podatki modele ovrednotimo z opi-sano metodo in rezultat shranimo v podatkovno bazo. Za vsako optimizacijo nastavitev hidroponiˇcnega sistema tako hranimo kratko poroˇcilo, ki poleg

toˇcnosti napovednih modelov vsebuje tudi podatek o koliˇcini uporabljenih zapisov ter stare in nove nastavitve hidroponiˇcnega sistema. V programsko opremo pa smo dodali tudi poseben testni naˇcin, ki nam zgradi modele za vse dneve oziroma starosti rastlin, za katere imamo podatke na voljo. Ta naˇcin uporabimo za eksperimentalno iskanje optimalnih parametrov modelov; kot so arhitektura nevronskih mreˇz, koliˇcina zgodovine rastlin pri posameznih starostih in posebni parametri algoritmov za uˇcenje (hitrost uˇcenja, uˇcni moment, parametri aktivacijskih funkcij v nevronih). V tem naˇcinu lahko tudi izraˇcunamo povpreˇcno napako napovedi ne glede na starost rastline, tako da izraˇcunamo uteˇzeno povpreˇcje napak vseh modelov iste vrste. Uteˇzi doloˇcimo glede na koliˇcino podatkov, ki jih imamo za posamezno starost ra-stline. Izhod testnega naˇcina, ki nam oceni toˇcnost modelov za vse posamiˇcne dneve ter skupno toˇcnost modelov, smo predstavili v tabeli 4.6. Metoda, ki smo si jo izbrali za merjenje rasti rastline ima nekaj pomanjkljivosti, ki se odraˇzajo tudi pri doseˇzenih napovednih toˇcnostih. Zbranim podatkom se bomo natanˇcneje posvetili v poglavju 5. Podrobnosti teˇzav pri ocenjevanju rasti rastline pa smo opisali v dodatku A.

4.4 Iskanje optimalnih parametrov

Z izdelanimi modeli, ki posnemajo odziv rastlin v hidroponiˇcnem sistemu, lahko priˇcnemo postopek iskanja najbolj optimalnih nastavitev hidroponi-ˇcnega sistema. V te namene uporabljamo genetski algoritem, ki ga prav tako ponuja knjiˇznica Accord.NET. Genetski algoritem je algoritem, ki posnema delovanje evolucije, ki jo poznamo iz narave. Uporablja 3 osnovne korake pri iskanju optimalne reˇsitve: kriˇzanje, mutiranje in selekcijo. Pri uporabi genetskega algoritma potencialne reˇsitve zapiˇsemo ali pa nakljuˇcno generi-ramo v obliki kromosomov. Vsak kromosom drˇzi podatke o reˇsitvi. Za vsak kromosom moramo biti zmoˇzni raˇcunsko oceniti njegovo uspeˇsnost (angleˇsko fitness). V vsakem koraku genetskega algoritma drˇzimo tako imenovano po-pulacijo, to je mnoˇzico kromosomov. Nekatere od kromosomov izberemo za

4.4. ISKANJE OPTIMALNIH PARAMETROV 39

Tabela 4.6: Pregled toˇcnosti modelov po posameznih dnevih in skupno.

Napako obeh vrst modelov smo ovrednotili z metrikami korena povpreˇcja kvadratov napak (RMSE) in relativne absolutne napake (RAE). Napaka modelov med posameznimi zagoni programa za ocenjevanje toˇcnosti niha za

±1 %, kolikor ocenjujemo toˇcnost podajanja napake.

Dan RMSE razvoja

bolezenskih znakov

RAE razvoja bo-lezenskih znakov

RMSE listne povrˇsine

RAE listne

povrˇsine

1 0,21 0,26 0,68 0,51

2 0,21 0,25 0,72 0,48

3 0,16 0,21 0,73 0,46

4 0,13 0,17 0,73 0,45

5 0,11 0,13 0,82 0,42

6 0,12 0,14 0,83 0,38

7 0,12 0,15 0,87 0,32

8 0,12 0,15 0,88 0,27

9 0,10 0,13 0,9 0,22

10 0,08 0,10 1,02 0,20

Skupno 0,14 0,17 0,80 0,36

kriˇzanje in jih v parih kriˇzamo tako, da vzamemo nekaj lastnosti ter jih za-menjamo med kromosomoma. Oba kriˇzanca dodamo v populacijo. Podobno nekaj kromosomov izberemo za nakljuˇcno mutacijo lastnosti, pri ˇcemer tudi mutirane kromosome dodamo v populacijo. V teh dveh korakih populacija nekoliko zraste, zato izvedemo postopek selekcije, kjer vsakemu kromosomu ocenimo uspeˇsnost in najmanj uspeˇsne odstranimo. S tem doseˇzemo prvo-tno velikost populacije. Postopek ponavljamo do zahtevanega ustavitvenega pogoja [40].

V naˇsem primeru smo elemente genetskega algoritma definirali na spodaj opisan naˇcin.

• Kromosom smo definirali kot seznam nastavitev hidroponiˇcnega sis-tema. Za hitrejˇse preiskovanje smo v kromosomu vsako nastavitev hidroponiˇcnega sistema predstavili s celoˇstevilsko vrednostjo med 0 in 63. V kromosom smo integrirali tudi funkcionalnost, da omenjeni celoˇstevilski razpon preslikamo v dejanske vrednosti nastavitev. Pre-slikavo smo smiselno omejili in s tem prepreˇcili, da bi sistem poiskal neveljavne nastavitve. Vse nastavitve hidroponiˇcnega sistema, ki so zapisane v kromosomu, in njihov razpon smo predstavili v tabeli 4.7.

• Uspeˇsnost smo implementirali kot vrednotenje nastavitev, spravlje-nih v kromosomu, nad trenutnim stanjem rastlin. Najprej pripravimo zapise trenutnih rastlin, pri ˇcemer njihovo zgodovino zamaknemo za en dan, v zgodovino zadnjega dne pa vnesemo nastavitve hidroponiˇcnega sistema iz kromosoma. Uporabimo pripravljene modele, ki ustrezajo starosti rastline ˇcez 24 ur in napovemo verjetnost, da rastlina preˇzivi in ne razvije bolezenskih znakov ter njeno listno povrˇsino ˇcez 24 ur.

Postopek ponovimo za vse rastline, ki so trenutno v hidroponiˇcnem sistemu. Konˇcna vrednost uspeˇsnosti je seˇstevek vseh zmnoˇzkov ver-jetnosti preˇzivetja in listne povrˇsine ˇcez 24 ur. Tako ocenimo listno povrˇsino rastline, ki bo preˇzivela, ˇcez 24 ur.

• Populacija je velikosti 40 kromosomov. V zaˇcetno populacijo

vsta-4.4. ISKANJE OPTIMALNIH PARAMETROV 41

vimo kromosom, ki vsebuje trenutne nastavitve hidroponiˇcnega sis-tema. Ostalih 39 kromosomov pa generiramo nakljuˇcno.

• Kriˇzanjesmo implementirali kot zamenjavo ene nakljuˇcno izbrane na-stavitve hidroponiˇcnega sistema, ki se nahaja v kromosomih. Verje-tnost za kriˇzanje posameznega kromosoma smo nastavili na 0,75.

• Mutacijo smo implementirali kot poveˇcanje ali zmanjˇsanje ene na-kljuˇcno izbrane nastavitve hidroponiˇcnega sistema. Verjetnost, da po-samezen kromosom v populaciji doleti mutacija smo nastavili na 0,25.

• Selekcijosmo implementirali tako, da vedno obdrˇzi zgornjih 10 % naj-boljˇsih kromosomov. Ostale primerke pa izberemo z algoritmom ime-novanim selekcija kolesa rolete (angleˇsko Roulette wheel selection) [41].

Verjetnost, da v naslednji krog izberemo enega od preostalih kromoso-mov, je sorazmerna z uspeˇsnostjo kromosoma. Lahko si predstavljamo kolo rolete, na katerega nanizamo kromosome - vsako polje rolete je en kromosom. Vendar polja postavimo tako, da so nekatera veˇcja, druga manjˇsa, sorazmerno z uspeˇsnostjo kromosoma. Kromosome izbiramo z metom ˇzogice po roleti dokler ne naberemo dovolj kromosomov za zapolnitev prvotne velikosti populacije.

Ustavitveni pogoj genetskega algoritma je v naˇsem primeru ˇstevilo itera-cij. Eksperimentalno smo ugotovili, da se uspeˇsnost najuspeˇsnejˇsega kromo-soma neha poveˇcevati po nekaj 100 iteracijah. Zato smo algoritem omejili na 500 iteracij. Po 500 iteracijah nastavitve iz najboljˇsega kromosoma uvelja-vimo v hidroponiˇcnem sistemu.

Tabela 4.7: Nastavitve hidroponiˇcnega sistema, kot so zapisane v kromo-somu. Vsaka nastavitev hidroponiˇcnega sistema je v kromosomu zapisana celoˇstevilsko z vrednostjo med 0 in 63. Glede na vrsto nastavitve celoˇstevilsko vrednost linearno preslikamo v intervale navedene v tabeli.

Nastavitev hidroponiˇcnega sistema Preslikan razpon Deleˇz dneva (vklopljenih luˇci) 0,2 - 0,9

Temperatura 19^◦C - 30^◦C

Kislost vode s hranili (pH) 5,0 - 7,0

Koncentracija hranil v vodi s hranili (EC) 300µS/cm²- 2000µS/cm² Razmak med dovajanjem hranil za prvo posodo za

vzgojo rastlin

30 s - 1800 s

Trajanje dovajanja hranil za prvo posodo za vzgojo ra-stlin

1 s - 15 s

Razmak med dovajanjem hranil za drugo posodo za vzgojo rastlin

30 s - 1800 s

Trajanje dovajanja hranil za drugo posodo za vzgojo rastlin

1 s - 15 s

Razmak med dovajanjem hranil za tretjo posodo za vzgojo rastlin

30 s - 1800 s

Trajanje dovajanja hranil za tretjo posodo za vzgojo ra-stlin

1 s - 15 s

Poglavje 5

Prilagajanje sistema z eksperimenti

V okviru magistrske naloge smo izvajali eksperimente – vzgojo rastlin pod budnim oˇcesom kamere – pri ˇcemer smo beleˇzili vse okoljske in hranilne po-goje, ki so vplivali na rast rastline. Ta del naloge je bil bistvenega pomena, saj nam je zagotovil potrebne podatke za izgradnjo modelov pri doseganju cilja optimizacije rasti. Prvi del eksperimentov, katerega namen je bil zbi-ranje podatkov, bomo poimenovali izvajanje eksperimentov z ekspertnimi nastavitvami. Zbiranje podatkov bomo, poleg uporabe za optimizacijo ra-sti, uporabili tudi za vrednotenje uspeˇsnosti vzgoje rastlin z ekspertnimi nastavitvami. V drugem delu eksperimentov smo eksperimente izvajali z zaprtozanˇcno regulacijo sistema. Povedano z drugimi besedami, smo vlogo eksperta prepustili raˇcunalniku, ki je nastavitve v hidroponiˇcnem sistemu, glede na odzive rastlin, na dnevni ravni, samodejno prilagajal. Temu delu eksperimentov bomo rekli izvajanje zaprtozanˇcnih eksperimentov.

Casovna omejenost magistrske naloge nam je predstavljala veliko omejitevˇ pri izvajanju eksperimentov. Zato smo se bili prisiljeni omejiti le na eno vrsto rastline: izbrali smo priljubljeno vrsto solate zimsko ledenko. Eksperimente v hidroponiˇcnem sistemu pa smo omejili zgolj na prvih 10 dni. Po 10 dnevih smo rastline iz hidroponiˇcnega sistema zavrgli in posadili nove. Starost same

rastline je bila na koncu vsakega eksperimenta sicer veˇc kot 10 dni, saj smo sadike rastlin iz semen na zalogo pripravljali v kalilniku. Za kalilnik smo uporabili plastiˇcno posodo z nekaj perlita, in zagotovili kislost 6,0 pH ter majhno koliˇcino hranil. Rastline so bile ob presaditvi v hidroponiˇcni sistem tako stare od 9 do 27 dni, v povpreˇcju pa 16 dni.

V ˇcasu nastajanja magistrske naloge smo tako uspeli izvesti 13 iteracij eks-perimentov in presaditi v sistem kar 597 sadik.

5.1 Eksperimenti z ekspertnimi nastavitvami

V okviru izvajanja eksperimentov z ekspertnimi nastavitvami smo izvedli 8 eksperimentov in v sistem presadili 371 sadik. V nekaj iteracijah smo hidro-poniˇcni sistem dovolj spoznali, da smo dosegli zadovoljive rezultate. Uspeh po posameznih eksperimentih smo predstavili v tabeli 5.1. Pri podajanju konˇcne skupne listne povrˇsine v celotnem eksperimentu upoˇstevamo tudi listno povrˇsino rastlin, ki so med eksperimentom propadle (upoˇstevamo nji-hovo zadnjo zabeleˇzno listno povrˇsino).

Uspeˇsnost eksperimenta lahko vrednotimo glede na skupno pridelano listno povrˇsino v 10 dnevih. Eksperiment, kjer smo dosegli najveˇcjo absolutno sku-pno listno povrˇsino 310,8 cm² smo predstavili v tabeli 5.3. Teˇzava tovrstnega vrednotenja je, da so sadike ob presaditvi v hidroponiˇcni sistem razliˇcnih starosti in velikosti. Kot je razvidno iz tabele 5.1 predstavlja zaˇcetna listna povrˇsina sadik znaten deleˇz konˇcne listne povrˇsine. S tem ozirom bi bilo smiselno vrednotiti uspeˇsnost eksperimenta z odstotkom poveˇcanja skupne listne povrˇsine v trajanju eksperimenta. Najboljˇsi eksperiment po tovrstni metriki smo prikazali v tabeli 5.4, doseˇzeno poveˇcanje listne povrˇsine je bilo 368 %. Teˇzava te metrike pa je v tem, da veˇcje sadike ne nudijo nujno prednosti pri doseganju velike listne povrˇsine hitreje, saj se listna povrˇsina v hidroponiˇcnem sistemu pridobiva veliko hitreje. Menimo, da je smiselno upoˇstevati obe metrike. V tabeli 5.2 smo dodatno predstavili ˇse najveˇcje vzgojen primerek. Da bi olajˇsali delo strojnemu uˇcenju, smo v preostalih

5.2. PODATKI ZBRANI Z EKSPERIMENTI 45

Tabela 5.1: Pregled eksperimentov z ekspertnimi nastavitvami. V stolpcu Starost sadik v dnevih smo zapisali starost sadik ob dnevu presaditve v hi-droponiˇcni rastlinjak. Zaˇcetno listno povrˇsino navajamo kot seˇstevek listnih povrˇsin vseh rastlin. Konˇcno listno povrˇsino navajamo kot seˇstevek listnih povrˇsin vseh rastlin pred propadom oziroma na zadnji dan eksperimenta. V stolpcu ’Rast’ smo prikazali odstotek poveˇcanja skupne listne povrˇsine skozi dobo eksperimenta.

Datum priˇcetka

Starost sa-dik v dne-vih

Zaˇcetna listna povrˇsina

Konˇcna listna povrˇsina

Rast Opombe

11.8.2016 27 56 cm² 51 cm² -8 % Eksperiment

preki-njen po 4 dneh zaradi okvare.

16. 8. 2016 19 41 cm² 76 cm² +85 %

26. 8. 2016 9 63 cm² 91 cm² +43 %

7. 9. 2016 12 97 cm² 222 cm² +129 %

18. 9. 2016 11 72 cm² 303 cm² +322 %

1. 11. 2016 12 109 cm² 175 cm² +61 %

14. 11. 2016 25 135 cm² 320 cm² +138 %

27. 11. 2016 18 46 cm² 81 cm² +76 %

eksperimentih teˇzili k temu, da prostor nastavitev hidroponiˇcnega sistema ˇcim bolje raziˇsˇcemo.

5.2 Podatki zbrani z eksperimenti

Hidroponiˇcni sistem je bil zasnovan tako, da na dnevni ravni napravi foto-grafije vsake posamiˇcne rastline. To pomeni, da smo od vsake rastline, ki je uspeˇsno uspevala v sistemu vseh 10 dni zbrali 11 fotografij in iz teh podat-kov lahko ustvarimo 10 zapisov za 10 razliˇcnih starosti rastline. Skupno smo v obdobju izvajanja eksperimentov z ekspertnimi nastavitvami zbrali 2215 zapisov. ˇCe dodamo ˇse zapise iz zaprtozanˇcnih eksperimentov pa smo jih vse

Tabela 5.2: Rastlina z najveˇcjo konˇcno listno povrˇsino iz obdobja eks-pertnih eksperimentov. Ob presaditvi v hidroponiˇcni sistem, na dan 18.

septembra 2016, je bila sadika stara 11 dni.

Dan Listna

povrˇsina

Nastavitve Slika

0 2,8 cm² EC: 600 µS/cm²; pH: 6,0; razmaki dova-janja hranil: 600 s/600 s/300 s, trajanja 4 s/6 s/8 s; trajanje vklopa luˇci: 14 ur; tem-peratura: 24^◦C

1 3,5 cm² nespremenjene

2 3,3 cm² nespremenjene

3 4,1 cm² nespremenjene

4 5,5 cm² nespremenjene

5 7,3 cm² nespremenjene

6 8,9 cm² nespremenjene

7 10,6 cm² nespremenjene

8 14,5 cm² nespremenjene

9 18,9 cm² nespremenjene

10 25,7 cm² nespremenjene

5.2. PODATKI ZBRANI Z EKSPERIMENTI 47

Tabela 5.3: Eksperiment z najveˇcjo skupno listno povrˇsino vseh rastlin ob koncu. Sadike so bile na dan presaditve v hidroponiˇcni sistem 14. novembra 2016 stare 25 dni.

Dan Skupna listna povrˇsina (ˇzivih)

Povpreˇcna listna povrˇsina na rastlino

Nastavitve Nastavitve dovajanja hranil za vse tri posode

0 / /

EC: 950µS/cm², pH: 6,0 vklop luˇci: 15 ur

temperatura: 23^◦C