# Inspectius Grow · Synthetic Test-Daten · v1

**Zweck:** Phase-0-Testreihe ohne Geräte. Realistische 7-Tage-Sensor- + Foto-Story für 3 Pflanzen im KCanG-konformen Setup. Reicht zum Prompt-Engineering, Pipeline-Bau, Dashboard-Mockup, Edge-Pre-Filter-Kalibrierung.

## Storyline (definiert)

**Setup:** 1 Grow-Tent · 3 Pflanzen · Vegetative Phase
**Strain:** Northern Lights (Indica-dominant, gut dokumentiert)
**Lichtzyklus:** 18/6 (Veg)
**Tag-Bereich Start:** Day 14 → Day 21 (7 Tage Verlauf)

**Plant-IDs:**
- **P1** „Bruce" · gesund, Referenz, Day 14 → Day 21
- **P2** „Marley" · leicht Überwässerung Day 17–19, Recovery Day 20+
- **P3** „Snoop" · Stickstoff-Mangel ab Day 18 (gelbliche Untere Blätter), Eskalation bis Day 21

**Sensoren pro Pflanze:**
- Temp [°C]
- Humidity [%]
- Soil-Moisture [%]
- EC [mS]
- pH
- VPD [kPa] (berechnet aus Temp + Humidity)
- PAR-Light [µmol/m²/s] (Tent-weit, nicht pro Pflanze)

**Foto-Cron:** alle 60 Minuten 1 Snapshot (24/Tag · 168/Woche · 504 total für 3 Pflanzen)

**Events:**
- Tägliche Bewässerung Tag 14, 16, 18, 20 (06:30 Uhr)
- Düngung Day 15, 19 (EC-Spike danach)
- KI-Alert P3 Day 18 nachmittags (erste gelbliche Spitzen erkannt)
- KI-Alert P3 Day 20 (Mangel-Diagnose bestätigt)
- Kalibrier-Marker bei jedem Foto: erwartete Ground-Truth-Klassifikation

## Dateien

| Datei | Inhalt |
|---|---|
| `plants.json` | 3 Pflanzen-Profile (Strain, Phase, Setup) |
| `sensors_7d.csv` | Sensor-Daten 5-min-Granularität (10.080 Zeilen × 3 Pflanzen × 7 Sensoren) |
| `events_7d.json` | Bewässerung, Düngung, Alerts mit Timestamps |
| `photos_log.json` | 504 Foto-Events mit erwarteten Labels |
| `synthetic_diagnosis_examples.json` | 6 ausführliche Gemini-Style-Befund-Beispiele (Ground-Truth) |
| `gemini_prompt_templates.md` | Prompt-Bibliothek für die Pipeline |

## Verwendung

1. **Prompt-Engineering:** Diagnose-Beispiele aus `synthetic_diagnosis_examples.json` als Few-Shot-Examples in Gemini-Prompts laden
2. **Edge-Pre-Filter:** Sensor-Schwellwerte aus dem 7-Tages-Verlauf herleiten (Min/Max/Median)
3. **Anomalie-Detektor:** P1 als „normal", P3 als „Drift-Beispiel" trainieren
4. **Dashboard-Mockup:** Daten als Live-Feed simulieren (Replay 7d in 5 min mit Time-Stretch)
5. **VPD-Berechnung-Test:** validieren, dass `VPD = (1 - RH/100) * SVP(T)` korrekt aus Temp/Humidity rekonstruiert wird