Sistema de sensores sem fio energeticamente eficiente para monitoramento do nível de água subterrânea urbano usando aprendizado de máquina e mobilidade do coletor

Observando a água oculta sob nossas cidades

Muitas cidades dependem silenciosamente da água armazenada sob nossos pés. À medida que as populações crescem e as secas se tornam mais frequentes, saber com que rapidez essa reserva subterrânea está subindo ou caindo deixa de ser um luxo — torna‑se essencial para planejar poços, evitar subsidência do solo e manter as torneiras funcionando. Este artigo apresenta uma forma inteligente de monitorar a água subterrânea urbana usando sensores sem fio, aprendizado de máquina e um coletor de dados itinerante, tudo projetado para poupar pequenas baterias para que o sistema funcione por anos com pouca intervenção humana.

Por que a água subterrânea é difícil de rastrear

A água subterrânea não corre por tubos que possamos medir facilmente; ela percola pelo solo e pelas rochas, mudando lentamente por grandes áreas. O monitoramento tradicional depende de alguns poços verificados manualmente, fornecendo apenas um retrato grosso. Redes de sensores sem fio prometem algo melhor: muitos pequenos dispositivos espalhados por uma cidade, cada um medindo níveis de água ou condições relacionadas e enviando leituras em tempo real. O problema é que esses dispositivos normalmente estão enterrados, são de difícil acesso e alimentados por pequenas baterias não recarregáveis. Se se comunicarem demais, morrem cedo. Pior, sensores próximos ao ponto principal de coleta precisam retransmitir as mensagens de todos e ficam sem energia primeiro, criando “zonas mortas” onde nenhum dado pode ser coletado.

Uma rede mais inteligente que compartilha a carga

Os autores propõem um novo protocolo, chamado Agregação de Dados com Escalonamento de Sono e Mobilidade do Coletor (SSDA‑SM), para manter essa rede de sensores viva e confiável por longos períodos. Em vez de fazer com que todo sensor fale diretamente com um hub central, sensores próximos formam grupos, e um nó em cada grupo atua como líder temporário. Esse líder reúne leituras dos vizinhos e encaminha uma mensagem combinada em direção a um dispositivo “sink” itinerante que coleta todos os dados. Um modelo simples de aprendizado de máquina ajuda a escolher qual sensor deve liderar em cada rodada, ponderando quanta bateria lhe resta e quantos vizinhos pode atender, além de rodízio do papel para que nenhum dispositivo seja sobrecarregado. Sensores muito próximos e que observam condições de água subterrânea quase idênticas revezam‑se acordados, de modo que a rede continua cobrindo a área sem desperdiçar energia com medições redundantes.

Compactando os dados antes de enviá‑los

Enviar mensagens via rádio é a ação mais custosa para esses dispositivos subterrâneos, portanto o SSDA‑SM trabalha para reduzir os dados antes que saiam da terra. Em cada líder de grupo, o sistema usa um artifício matemático conhecido como sensoriamento compressivo. Em vez de encaminhar cada leitura bruta, o líder mistura muitas medições em um conjunto muito menor de valores codificados que ainda preservam o padrão essencial. Mais tarde, no sink, com muito mais capacidade de processamento, esses valores comprimidos são desempacotados para reconstruir de forma próxima os sinais originais. Como a água subterrânea varia suavemente no espaço e no tempo, seu comportamento pode ser capturado com precisão a partir de muito menos números do que há sensores, permitindo que a rede envie menos dados sem perder quase nenhum detalhe.

Deixar o coletor ir até os sensores

Outra fonte de desperdício em projetos clássicos é a posição fixa do sink. Os sensores mais próximos desse ponto precisam retransmitir mensagens de nós distantes repetidamente, drenando suas baterias primeiro e abrindo um “buraco” energético no mapa. No SSDA‑SM, o sink é móvel: ele se desloca pela área monitorada ao longo de uma rota planejada, fazendo pausas próximo a grupos de sensores por sua vez. Sua trajetória é escolhida para reduzir a distância média que as mensagens precisam viajar e para favorecer grupos cujos líderes estão com pouca energia. Líderes armazenam temporariamente os dados comprimidos até que o sink entre no alcance, então os enviam em uma única salto curto. Esse movimento, combinado com a formação cuidadosa dos grupos, distribui a carga de comunicação de maneira mais uniforme pela rede.

O que os testes revelam sobre o desempenho

Os pesquisadores testaram o SSDA‑SM em simulações computacionais detalhadas e o compararam com quatro métodos recentes que também tentam economizar energia ou usam sinks móveis. Nas mesmas condições — 100 sensores com energia mista em um quadrado do tamanho de uma cidade — o novo projeto manteve o primeiro sensor vivo por mais tempo, retardou o ponto em que metade dos sensores morreu e estendeu o tempo até que toda a rede fosse desligada. Consumiu menos energia por rodada de comunicação, entregou mais pacotes de dados com sucesso e reduziu o atraso médio para a informação chegar ao sink. Os grupos da rede permaneceram estáveis por mais rodadas, e a etapa de sensoriamento compressivo alcançou maior redução de dados enquanto ainda permitia que o sink reconstruísse os padrões de água subterrânea com mais de 97% de precisão.

O que isso significa para os gestores de água das cidades

Para não especialistas, a mensagem é direta: decidindo cuidadosamente quais sensores permanecem acordados, quais falam pelos vizinhos, quão compactados os dados ficam e para onde o coletor de dados se move, podemos construir uma rede de monitoramento que observa a água urbana oculta por muito mais tempo com as mesmas baterias. O SSDA‑SM mostra que combinar aprendizado de máquina simples, esquemas inteligentes de sono, compressão de dados e um sink itinerante pode transformar um conjunto disperso de sondas subterrâneas em um “sistema nervoso” urbano durável para a água subterrânea. Tais sistemas poderiam dar aos planejadores uma imagem muito mais clara de quão rapidamente os aquíferos estão sendo esgotados e ajudar a orientar um uso mais sustentável desse recurso crítico, porém em grande parte invisível.

Citação: 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

Palavras-chave: monitoramento de água subterrânea, redes de sensores sem fio, sensoriamento energeticamente eficiente, coleta de dados móvel, sensoriamento compressivo