Energooszczędna bezprzewodowa sieć czujników do monitorowania poziomu wód gruntowych w miastach z użyciem uczenia maszynowego i mobilnego kolektora

Obserwowanie ukrytej wody pod naszymi miastami

Wiele miast w sposób niemal niewidoczny polega na zasobach wodnych zgromadzonych pod ziemią. Wraz ze wzrostem populacji i częstszymi suszami, wiedza o tym, jak szybko te podziemne zasoby się podnoszą lub opadają, przestaje być luksusem — staje się niezbędna do planowania studni, uniknięcia osiadania terenu i zapewnienia ciągłości dostaw wody. Artykuł przedstawia inteligentne podejście do monitorowania miejskich wód gruntowych z wykorzystaniem bezprzewodowych czujników, uczenia maszynowego i wędrującego kolektora danych, wszystko zaprojektowane tak, by oszczędzać małe baterie i umożliwić działanie systemu przez lata przy minimalnej obsłudze.

Dlaczego wody podziemnej trudno śledzić

Woda gruntowa nie płynie rurami, które można łatwo zmierzyć; przesącza się przez glebę i skały, zmieniając się powoli na dużych obszarach. Tradycyjne monitorowanie opiera się na kilku studniach kontrolowanych ręcznie, co daje jedynie przybliżony obraz. Bezprzewodowe sieci czujników obiecują coś lepszego: wiele małych urządzeń rozproszonych po mieście, z których każde mierzy poziom wody lub powiązane parametry i przesyła odczyty w czasie rzeczywistym. Problem w tym, że te urządzenia są zwykle zakopane, trudno dostępne i zasilane małymi, niewymienialnymi bateriami. Jeśli komunikują się zbyt często, szybko się wyczerpują. Co gorsza, czujniki blisko głównego punktu zbierania muszą przekazywać wiadomości wszystkich innych i zużywają energię najszybciej, tworząc „martwe strefy”, w których nie można zbierać danych.

Mądrzejsza sieć, która dzieli obciążenie

Autorzy proponują nowy protokół nazwany Sleep Scheduled Data Aggregation with Sink Mobility (SSDA‑SM), mający na celu utrzymanie takiej sieci czujników przy życiu i niezawodnej przez długi czas. Zamiast każdemu czujnikowi komunikować się bezpośrednio z centralnym węzłem, pobliskie czujniki tworzą grupy, a jeden węzeł w każdej grupie pełni rolę tymczasowego lidera. Lider zbiera odczyty od sąsiadów i przesyła skompilowaną wiadomość w stronę wędrującego „sinka”, który zbiera wszystkie dane. Prosty model uczenia maszynowego pomaga wybrać, który czujnik powinien zostać liderem w danej rundzie, uwzględniając stan baterii i liczbę obsługiwanych sąsiadów, przy jednoczesnym rotowaniu tej roli, aby żadne pojedyncze urządzenie nie było nadmiernie eksploatowane. Czujniki bardzo blisko siebie, które obserwują niemal identyczne warunki gruntowo‑wodne, na przemian pozostają czuwające, dzięki czemu sieć nadal pokrywa obszar bez marnowania energii na redundantne pomiary.

Gęstsze pakowanie danych przed wysyłką

Nadawanie sygnałów radiowych jest najdroższą czynnością dla tych podziemnych urządzeń, dlatego SSDA‑SM stara się maksymalnie skurczyć dane zanim opuszczą grunt. U każdego lidera grupy system stosuje matematyczny trik znany jako kompresywne próbkowanie. Zamiast przekazywać każdy surowy odczyt, lider łączy wiele pomiarów w mniejszy zestaw zakodowanych wartości, które nadal zachowują istotny wzorzec. Później, w sinku dysponującym znacznie większą mocą obliczeniową, te skompresowane wartości są rekonstruowane, aby wiernie odtworzyć oryginalne sygnały. Ponieważ wody gruntowe zmieniają się płynnie w przestrzeni i czasie, ich zachowanie można dokładnie uchwycić z znacznie mniejszej liczby liczb niż liczba czujników, co pozwala sieci przesyłać mniej danych przy zachowaniu niewielkiej utraty szczegółów.

Pozwolenie kolektorowi, by podszedł do czujników

Innym źródłem marnotrawstwa w klasycznych rozwiązaniach jest stała pozycja punktu zbierania danych. Czujniki najbliżej tego punktu muszą wielokrotnie przekazywać wiadomości z odległych węzłów, co szybko wyczerpuje ich baterie i tworzy energetyczną „dziurę” w mapie. W SSDA‑SM sink jest mobilny: porusza się po monitorowanym obszarze po zaplanowanej trasie, zatrzymując się kolejno w pobliżu grup czujników. Jego ścieżka jest wybierana tak, by skrócić średni dystans, który muszą pokonać wiadomości, i faworyzować grupy, których liderzy mają niski poziom energii. Liderzy tymczasowo przechowują skompresowane dane, aż sink znajdzie się w zasięgu, a następnie wysyłają je na krótki skok. To przemieszczanie się, w połączeniu ze starannym formowaniem grup, równiej rozkłada obciążenie komunikacyjne w całej sieci.

Co testy mówią o wydajności

Naukowcy przetestowali SSDA‑SM w szczegółowych symulacjach komputerowych i porównali go z czterema niedawnymi metodami, które również starają się oszczędzać energię lub używać mobilnych sinków. W tych samych warunkach — 100 czujników o mieszanym poziomie energii na obszarze wielkości miasta — nowy projekt wydłużył czas pracy pierwszego czujnika, opóźnił moment, gdy połowa czujników padła, i zwiększył czas do całkowitego wyłączenia sieci. Zużycie energii na rundę komunikacyjną było mniejsze, dostarczono więcej pakietów danych pomyślnie, a średnie opóźnienie dotarcia informacji do sinka zostało zredukowane. Grupy w sieci pozostawały stabilne przez więcej rund, a etap kompresywnego próbkowania osiągnął wyższą redukcję danych przy jednoczesnym umożliwieniu sinkowi odtworzenia wzorców wód gruntowych z dokładnością ponad 97%.

Co to oznacza dla zarządców miejskiej wody

Dla osób niebędących specjalistami przekaz jest prosty: poprzez staranne decyzje, które czujniki mają pozostawać aktywne, które mają reprezentować sąsiadów, jak mocno kompresować dane i gdzie porusza się kolektor, można zbudować sieć monitorującą ukrytą wodę miejską, która działa znacznie dłużej na tych samych bateriach. SSDA‑SM pokazuje, że połączenie prostego uczenia maszynowego, inteligentnych harmonogramów uśpienia, kompresji danych i wędrującego sinka może przekształcić rozproszone sondy podziemne w trwały, miejski „system nerwowy” dla wód gruntowych. Takie systemy mogłyby dać planistom znacznie jaśniejszy obraz tego, jak szybko wyczerpują się studnie i pomóc w kierowaniu bardziej zrównoważonym wykorzystaniem tego krytycznego, lecz w dużej mierze niewidocznego zasobu.

Cytowanie: 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

Słowa kluczowe: monitorowanie wód gruntowych, bezprzewodowe sieci czujników, energooszczędne pomiary, mobilne zbieranie danych, kompresywne próbkowanie