Övervakning och mätning av skogsekosystem är en komplex utmaning på grund av en befintlig kombination av mjukvara, insamlingssystem och datormiljöer som kräver ökande mängder energi för att driva. University of Maines laboratorium för trådlösa sensornätverk (WiSe-Net) har utvecklat en ny metod för att använda artificiell intelligens och maskininlärning för att göra övervakningen av markfuktighet mer energi- och kostnadseffektiv – en metod som kan användas för att göra mätningen mer effektiv över hela den breda skogen ekosystemen i Maine och vidare.

Markfuktighet är en viktig variabel i både skogs- och jordbruksekosystem, särskilt under de senaste torkaförhållandena under tidigare Maine-somrar. Trots de robusta nätverken för övervakning av markfuktighet och stora, fritt tillgängliga databaser, kan kostnaden för kommersiella markfuktighetssensorer och kraften som de använder för att köra vara oöverkomliga för forskare, skogsbrukare, jordbrukare och andra som spårar landets hälsa.

Tillsammans med forskare vid University of New Hampshire och University of Vermont designade UMaines WiSe-Net ett trådlöst sensornätverk som använder artificiell intelligens för att lära sig hur man kan bli mer energieffektiv när det gäller att övervaka markfuktighet och bearbeta data. Forskningen finansierades av ett anslag från National Science Foundation.

"AI kan lära av miljön, förutsäga den trådlösa länkens kvalitet och inkommande solenergi för att effektivt använda begränsad energi och få ett robust lågkostnadsnätverk att köras längre och mer tillförlitligt", säger Ali Abedi, huvudutredare för den senaste studien och professor i elektriska och datateknik vid University of Maine.

Programvaran lär sig över tid hur man använder tillgängliga nätverksresurser på bästa sätt, vilket hjälper till att producera energieffektiva system till en lägre kostnad för storskalig övervakning jämfört med befintliga industristandarder.

WiSe-Net samarbetade också med Aaron Weiskittel, chef för Center for Research on Sustainable Forests, för att säkerställa att all hård- och mjukvaruforskning är informerad av vetenskapen och skräddarsydd för forskningsbehoven.

"Markfuktighet är en primär drivkraft för trädtillväxt, men den förändras snabbt, både dagligen och säsongsmässigt," säger Weiskittel. "Vi har saknat förmågan att övervaka effektivt i stor skala. Historiskt sett har vi använt dyra sensorer som samlades in med fasta intervall – till exempel varje minut – men som inte var särskilt tillförlitliga. En billigare och mer robust sensor med trådlösa funktioner som denna öppnar verkligen dörr för framtida ansökningar för både forskare och praktiker."

Studien publicerades 9 augusti 2022 i Springer's International Journal of Wireless Information Networks .

Även om systemet designat av forskarna fokuserar på markfuktighet, kan samma metodik utvidgas till andra typer av sensorer, som omgivningstemperatur, snödjup och mer, samt skala upp nätverken med fler sensornoder.

"Realtidsövervakning av olika variabler kräver olika samplingshastigheter och effektnivåer. En AI-agent kan lära sig dessa och justera datainsamlingen och överföringsfrekvensen därefter snarare än att sampla och skicka varje enskild datapunkt, vilket inte är lika effektivt", säger Abedi . + Utforska vidare

Trådlös teknik mäter markfuktighet på flera djup i realtid