Rete di sensori wireless a basso consumo per il monitoraggio urbano delle falde con apprendimento automatico e mobilità del sink

Osservare l'acqua nascosta sotto le nostre città

Molte città dipendono silenziosamente dall'acqua immagazzinata sotto i nostri piedi. Con la crescita della popolazione e l'aumento della frequenza delle siccità, sapere quanto rapidamente questa riserva sotterranea sta salendo o scendendo non è più un optional: è essenziale per pianificare i pozzi, evitare cedimenti del terreno e mantenere l'erogazione d'acqua. Questo articolo presenta un metodo intelligente per monitorare le acque sotterranee urbane usando sensori wireless, apprendimento automatico e un raccoglitore di dati itinerante, il tutto progettato per ottimizzare batterie minuscole in modo che il sistema possa funzionare per anni con poca manutenzione.

Perché è difficile seguire l'acqua sotterranea

L'acqua sotterranea non scorre attraverso tubi facilmente misurabili; filtra attraverso suolo e roccia, cambiando lentamente su estese aree. Il monitoraggio tradizionale si basa su pochi pozzi controllati manualmente, offrendo solo un quadro approssimativo. Le reti di sensori wireless promettono qualcosa di meglio: molti dispositivi piccoli distribuiti in una città, ciascuno in grado di misurare i livelli d'acqua o condizioni correlate e inviare letture in tempo reale. Il problema è che questi dispositivi sono spesso interrati, difficili da raggiungere e alimentati da batterie piccole e non ricaricabili. Se comunicano troppo, si scaricano in fretta. Peggio ancora, i sensori vicini al punto di raccolta principale devono inoltrare i messaggi degli altri e si esauriscono per primi, creando "zone morte" dove non è possibile raccogliere dati.

Una rete più intelligente che condivide il carico

Gli autori propongono un nuovo protocollo, chiamato Sleep Scheduled Data Aggregation with Sink Mobility (SSDA‑SM), per mantenere una tale rete di sensori viva e affidabile a lungo. Invece che far comunicare ogni sensore direttamente con un hub centrale, i sensori vicini formano gruppi e un nodo in ciascun gruppo agisce da leader temporaneo. Questo leader raccoglie le letture dai vicini e inoltra un messaggio aggregato verso un dispositivo "sink" itinerante che raccoglie tutti i dati. Un semplice modello di apprendimento automatico aiuta a scegliere quale sensore debba fare da leader in ogni ciclo, pesando quanta energia residua ha e quanti vicini può servire, ruotando il ruolo in modo che nessun dispositivo venga sovraccaricato. Sensori molto vicini tra loro che osservano condizioni idriche praticamente identiche si alternano nell'essere attivi, così la rete copre l'area senza sprecare energia in misurazioni ridondanti.

Compattare i dati prima che viaggino

Inviare messaggi radio è l'operazione più dispendiosa per questi dispositivi interrati, quindi SSDA‑SM si impegna a ridurre i dati prima che lascino il suolo. In ciascun leader di gruppo il sistema utilizza un trucco matematico noto come compressive sensing. Invece di inoltrare ogni lettura grezza, il leader combina molte misurazioni in un insieme molto più piccolo di valori codificati che preservano comunque il quadro essenziale. Successivamente, nel sink con potenza di calcolo molto maggiore, quei valori compressi vengono decodificati per ricostruire in modo fedele i segnali originali. Poiché le variazioni delle falde sono regolari nello spazio e nel tempo, il loro comportamento può essere catturato accuratamente con un numero di valori molto inferiore rispetto al numero di sensori, permettendo alla rete di trasmettere meno dati senza perdere quasi nulla in termini di dettaglio.

Lasciare che il raccoglitore venga dai sensori

Un'altra fonte di spreco nei progetti classici è la posizione fissa del sink. I sensori più vicini a quel punto devono inoltrare ripetutamente i messaggi dai nodi distanti, esaurendo per primi le loro batterie e scavando un "buco" energetico nella mappa. In SSDA‑SM il sink è mobile: si muove attraverso l'area monitorata seguendo un percorso pianificato, sostando vicino ai gruppi di sensori a turno. Il suo tragitto è scelto per ridurre la distanza media che i messaggi devono percorrere e per favorire i gruppi i cui leader hanno pochi energia residua. I leader immagazzinano temporaneamente i dati compressi finché il sink non si avvicina a portata, quindi li inviano con un salto breve. Questo movimento, combinato con una formazione attenta dei gruppi, distribuisce il carico di comunicazione in modo più uniforme nella rete.

Cosa rivelano i test sulle prestazioni

I ricercatori hanno testato SSDA‑SM in simulazioni al computer dettagliate e l'hanno confrontato con quattro metodi recenti che mirano anch'essi a risparmiare energia o a utilizzare sink mobili. Alle stesse condizioni—100 sensori con energie miste in un quadrato di dimensioni cittadine—il nuovo progetto ha mantenuto vivo più a lungo il primo sensore, ha ritardato il punto in cui la metà dei sensori è morta e ha prolungato il tempo fino all'arresto completo della rete. Ha consumato meno energia per ogni ciclo di comunicazione, ha consegnato più pacchetti dati con successo e ha ridotto il ritardo medio affinché l'informazione raggiunga il sink. I gruppi della rete sono rimasti stabili per più cicli, e il passaggio di compressive sensing ha ottenuto una maggiore riduzione dei dati pur consentendo al sink di ricostruire i modelli delle falde con oltre il 97% di accuratezza.

Cosa significa per i gestori idrici urbani

Per i non specialisti, il messaggio è chiaro: decidendo con attenzione quali sensori restano attivi, quali parlano per i loro vicini, quanto comprimere i dati e dove si sposta il raccoglitore, possiamo costruire una rete di monitoraggio che sorveglia l'acqua sotterranea urbana molto più a lungo con le stesse batterie. SSDA‑SM dimostra che combinare un apprendimento automatico semplice, programmi di sleep intelligenti, compressione dei dati e un sink itinerante può trasformare un insieme sparso di sonde interrate in un "sistema nervoso" urbano durevole per le falde. Tali sistemi potrebbero fornire ai pianificatori un quadro molto più chiaro della velocità con cui gli acquiferi vengono sfruttati e guidare un uso più sostenibile di questa risorsa critica, ma per lo più invisibile.

Citazione: Manchanda, R., Lakshmi, A.V., Kaur, G. et al. Energy-efficient wireless sensor network for urban groundwater level monitoring using machine learning and sink mobility. Sci Rep 16, 9474 (2026). https://doi.org/10.1038/s41598-026-39435-1

Parole chiave: monitoraggio delle acque sotterranee, reti di sensori wireless, rilevamento a basso consumo energetico, raccolta dati mobile, compressive sensing