Het monitoren en meten van bosecosystemen is een complexe uitdaging vanwege een bestaande combinatie van software, verzamelsystemen en computeromgevingen die steeds meer energie nodig hebben om van stroom te worden voorzien. Het Wireless Sensor Networks-laboratorium (WiSe-Net) van de University of Maine heeft een nieuwe methode ontwikkeld om kunstmatige intelligentie en machine learning te gebruiken om het monitoren van bodemvocht energie- en kostenefficiënter te maken - een methode die kan worden gebruikt om het meten in het hele bos efficiënter te maken ecosystemen van Maine en daarbuiten.

Bodemvocht is een belangrijke variabele in beboste en agrarische ecosystemen, vooral onder de recente droogte van de afgelopen zomers in Maine. Ondanks de robuuste bodemvochtmonitoringnetwerken en grote, vrij beschikbare databases, kunnen de kosten van commerciële bodemvochtsensoren en het vermogen dat ze gebruiken om te werken onbetaalbaar zijn voor onderzoekers, boswachters, boeren en anderen die de gezondheid van het land volgen.

Samen met onderzoekers van de Universiteit van New Hampshire en de Universiteit van Vermont ontwierp UMaine's WiSe-Net een draadloos sensornetwerk dat kunstmatige intelligentie gebruikt om te leren hoe u energiezuiniger kunt zijn bij het bewaken van bodemvocht en het verwerken van de gegevens. Het onderzoek werd gefinancierd door een subsidie ​​van de National Science Foundation.

"AI kan leren van de omgeving, de kwaliteit van de draadloze verbinding en de binnenkomende zonne-energie voorspellen om efficiënt gebruik te maken van beperkte energie en een robuust, goedkoop netwerk langer en betrouwbaarder te laten werken", zegt Ali Abedi, hoofdonderzoeker van de recente studie en hoogleraar elektrische en computertechniek aan de Universiteit van Maine.

De software leert na verloop van tijd hoe de beschikbare netwerkbronnen optimaal kunnen worden gebruikt, wat helpt bij het produceren van energiezuinige systemen tegen lagere kosten voor grootschalige monitoring in vergelijking met de bestaande industriestandaarden.

WiSe-Net werkte ook samen met Aaron Weiskittel, directeur van het Center for Research on Sustainable Forests, om ervoor te zorgen dat al het hardware- en software-onderzoek wordt geïnformeerd door de wetenschap en is afgestemd op de onderzoeksbehoeften.

"Bodemvocht is een primaire motor voor de groei van bomen, maar het verandert snel, zowel dagelijks als per seizoen", zegt Weiskittel. "We waren niet in staat om effectief op schaal te monitoren. Vroeger gebruikten we dure sensoren die met vaste tussenpozen verzamelden, bijvoorbeeld elke minuut, maar niet erg betrouwbaar waren. Een goedkopere en robuustere sensor met draadloze mogelijkheden zoals deze opent echt de deur voor toekomstige toepassingen voor zowel onderzoekers als praktijkmensen."

De studie werd op 9 augustus 2022 gepubliceerd in Springer's International Journal of Wireless Information Networks .

Hoewel het door de onderzoekers ontworpen systeem zich richt op bodemvocht, zou dezelfde methodologie kunnen worden uitgebreid naar andere soorten sensoren, zoals omgevingstemperatuur, sneeuwdiepte en meer, evenals het opschalen van de netwerken met meer sensorknooppunten.

"Realtime monitoring van verschillende variabelen vereist verschillende bemonsteringsfrequenties en vermogensniveaus. Een AI-agent kan deze leren en de gegevensverzameling en transmissiefrequentie dienovereenkomstig aanpassen in plaats van elk afzonderlijk gegevenspunt te bemonsteren en te verzenden, wat niet zo efficiënt is", zegt Abedi . + Verder verkennen

Draadloze technologie meet bodemvocht op meerdere diepten in realtime