Memetakan Ruang, Meramalkan Waktu: Kriging dan SARIMA untuk Indoor Farming

Dua pertanyaan di balik dashboard mikroklimat

Di mana bagian kebun paling panas saat ini? Berapa kemungkinan suhunya tiga puluh menit lagi? Peta spasial memperkirakan kondisi di antara posisi sensor pada waktu tertentu. Peramalan memperkirakan kondisi masa depan memakai informasi yang sudah tersedia saat prediksi dibuat.

Kontainer 10 kaki dan 27 node sensor internal Tobafarm menjadi konteks pembahasan ini. Kriging dan peramalan musiman pernah dibahas dalam pengembangan riset kami. Artikel ini menjelaskan fungsi metode dan rancangan evaluasinya, bukan melaporkan benchmark baru atau menetapkan metode terbaik.

Kriging: mempelajari hubungan antarlokasi

Ordinary Kriging memperkirakan nilai melalui penjumlahan observasi berbobot. Jumlah bobotnya satu dan ditentukan oleh model hubungan spasial, bukan hanya jarak. Asumsi rerata yang tidak diketahui berlaku pada domain yang dimodelkan; gradien sistematis yang kuat dapat membutuhkan pemodelan tren atau residual. [1]

Semivariogram menggambarkan perubahan perbedaan observasi terhadap jarak. Nugget mewakili variasi yang tidak teresolusi atau efek pengukuran, sill menggambarkan tingkat varians model, sedangkan range mencirikan jarak korelasi. Sebagian model mendekati sill secara asimtotik. Anisotropi berarti hubungan tersebut bergantung pada arah. [2]

Pada kontainer, koordinat harus sesuai posisi sensor sebenarnya. Perbedaan kiri–kanan dan atas–bawah tidak harus memiliki skala korelasi sama. Dengan 27 lokasi, memaksakan variogram arah yang kompleks pada setiap waktu dapat menghasilkan estimasi tidak stabil. Uji beberapa kandidat yang beralasan; jangan menganggap permukaan halus sebagai bukti mekanisme fisik.

Ketidakpastian Kriging bersyarat pada model spasial dan asumsi yang dipilih. Nilainya tidak otomatis mencakup bias kalibrasi, ketidakpastian pemilihan variogram, atau kegagalan peralatan yang tidak teramati. Sertakan galat prediksi pada sensor yang disisihkan. [1,2]

IDW dan RBF: pembanding spasial yang diperlukan

IDW memberi pengaruh lebih besar kepada pembacaan terdekat melalui bobot kebalikan jarak. Pangkat dan lingkungan pencarian memengaruhi hasil; pada posisi pengamatan, interpolasi eksak mengembalikan pembacaan sensor tersebut. IDW berguna sebagai baseline, tetapi kedekatan saja belum tentu menangkap pola menurut arah. [3]

RBF membangun permukaan memakai kernel radial, sering dengan komponen polinomial. Pilihan kernel, smoothing, dan kadang parameter bentuk memengaruhi hasil. Kecocokan sempurna pada sensor bukan bukti prediksi yang baik di antaranya; smoothing dapat lebih sesuai untuk data berisik. [4]

Bandingkan ketiga metode pada waktu, subset sensor, koordinat, dan target terukur yang sama. Keunggulan Kriging baru bermakna jika bertahan pada perbandingan yang adil. Laporkan pula kegagalan, waktu komputasi, galat di batas ruangan, dan kinerja ketika jumlah sensor berkurang.

ARIMA dan SARIMA: memodelkan hubungan sepanjang waktu

ARIMA(p,d,q) menggabungkan autoregresi, differencing, dan komponen galat moving average. SARIMA(p,d,q)(P,D,Q)[m] menambahkan komponen musiman dengan periode m dalam jumlah observasi. Untuk siklus harian, m mengikuti interval sampling, bukan selalu 24. [5]

Jadwal lampu dapat menjadi alasan menguji periode harian, tetapi bukan bukti musimannya stabil. Pertumbuhan tanaman, perubahan operasi AC, dan penggantian sensor dapat mengubah proses. Data dua hari hanya memuat dua siklus harian: ratusan sampel tidak menggantikan pengulangan siklus pada berbagai kondisi operasi.

Orde SARIMA yang pernah dibahas adalah kandidat awal, bukan konfigurasi optimal untuk semua data. Pilih orde memakai data latih, periksa residual, lalu nilai pada periode berikutnya. Bila lampu, cuaca, atau aktuator menjadi prediktor, bedakan regresi dengan galat ARIMA atau SARIMAX dari SARIMA univariat. Nilai prediktor masa depan harus sudah diketahui atau diramalkan saat prediksi dibuat.

Validasi menentukan kekuatan klaim ilmiah

Untuk pemetaan, keluarkan sensor sebelum fitting variogram, tuning parameter, imputasi masukan, atau pelatihan koreksi residual. Bandingkan prediksi dengan pembacaan asli sensor yang disisihkan. Leave-one-sensor-out menguji posisi yang belum diamati; menyisihkan satu zona menguji celah spasial yang lebih sulit.

Untuk peramalan, latih model pada masa lalu dan evaluasi observasi berikutnya melalui rolling origin. Hitung ulang preprocessing menggunakan informasi yang tersedia pada setiap titik prediksi. Bandingkan dengan persistence dan seasonal naive pada horizon yang sama. [6]

Jangan mengimputasi seluruh dataset memakai semua sensor lalu baru menyisihkan satu sensor: nilainya mungkin sudah memengaruhi masukan pelatihan. Jangan pula melakukan interpolasi melintasi waktu masa depan sebelum meramal. Simpan penanda observasi asli dan hasil imputasi; galat utama harus dihitung terhadap pengukuran nyata.

Laporkan MAE dan RMSE per sensor, zona, periode operasi, dan horizon. Untuk prediksi probabilistik, periksa cakupan serta lebar interval. Pisahkan tuning dari evaluasi akhir; gunakan blok waktu yang bermakna ketika menilai ketidakpastian, bukan menganggap sampel berdekatan sebagai eksperimen independen.

Menggabungkan Kriging dan SARIMA: perlu pengujian menyeluruh

Salah satu rancangan adalah meramal setiap lokasi sensor, lalu memetakan hasilnya ke grid 3D. Alternatifnya, modelkan tren spasial dan ramalkan struktur residual. Keduanya disajikan sebagai rancangan pengembangan, bukan hasil integrasi yang sudah dibuktikan di Tobafarm.

Urutan proses berpengaruh. Pemetaan lebih dahulu dapat memasukkan galat spasial yang saling berkorelasi ke model waktu; peramalan lebih dahulu dapat memasukkan galat ramalan berkorelasi ke peta. Varians Kriging saja bukan ketidakpastian lengkap prediksi gabungan. Uji seluruh pipeline pada lokasi yang disisihkan dan waktu masa depan.

Pertanyaan riset yang tajam ialah apakah prediksi spasial mendeteksi hotspot mendatang lebih baik daripada prediksi rerata ruangan, dengan biaya komputasi yang dapat diterima. Ini lebih konkret daripada sekadar menggabungkan lima algoritme. Ramalan dapat mendukung keputusan supervisori, tetapi bukan pengendali atau jaminan keselamatan.