Энергоэффективная беспроводная сенсорная сеть для мониторинга уровня грунтовых вод в городской среде с использованием машинного обучения и мобильного коллектора

Наблюдение за скрытой водой под нашими городами

Многие города тихо зависят от воды, хранящейся под нашими ногами. По мере роста населения и учащения засух знание того, насколько быстро пополняется или истощается этот подземный резерв, перестаёт быть роскошью — оно необходимо для планирования скважин, предотвращения проседания грунта и обеспечения бесперебойной подачи воды. В этой статье предлагается умный подход к мониторингу городских грунтовых вод с помощью беспроводных датчиков, машинного обучения и перемещающегося сборщика данных, всё это спроектировано так, чтобы экономно расходовать малые батареи и позволять системе работать годами при минимальном участии человека.

Почему трудно отслеживать подземную воду

Грунтовые воды не текут по трубам, которые легко измерить; они просачиваются через почву и породы, меняясь медленно на больших территориях. Традиционный мониторинг опирается на несколько скважин, которые проверяют вручную, давая лишь приблизительную картину. Беспроводные сенсорные сети обещают лучшее: множество небольших устройств по всему городу, каждое из которых измеряет уровень воды или сопутствующие параметры и отправляет результаты в реальном времени. Проблема в том, что эти устройства обычно зарыты, до них трудно добраться и они питаются от небольших нерезаряжаемых батарей. Если они слишком часто передают данные, батареи быстро садятся. Ещё хуже: датчики, расположенные ближе к основному пункту сбора, вынуждены ретранслировать сообщения остальных и разряжаются первыми, создавая «мертвые зоны», откуда данные перестают поступать.

Более умная сеть, распределяющая нагрузку

Авторы предлагают новый протокол под названием Sleep Scheduled Data Aggregation with Sink Mobility (SSDA‑SM), чтобы сохранить такую сенсорную сеть работоспособной и надёжной в течение длительного времени. Вместо того чтобы каждый датчик отправлял данные прямо в центральный узел, близлежащие сенсоры формируют группы, и в каждой группе один узел действует как временный лидер. Этот лидер собирает показания соседей и пересылает объединённое сообщение к перемещающемуся «синку», который собирает все данные. Простейшая модель машинного обучения помогает выбирать, какой датчик должен быть лидером в каждом раунде, учитывая оставшийся заряд батареи и число доступных соседей, при этом роль периодически меняется, чтобы ни одно устройство не работало сверх меры. Датчики, расположенные очень близко и фиксирующие почти одинаковые условия грунтовых вод, по очереди остаются активными, так что сеть продолжает покрывать территорию без растраты энергии на избыточные измерения.

Плотная упаковка данных перед передачей

Передача радиосообщений — самая дорогостоящая операция для этих подземных устройств, поэтому SSDA‑SM тщательно сжимает данные перед выходом на поверхность. На каждом групповом лидере система использует математический приём, известный как компрессивное зондирование. Вместо пересылки каждого необработанного показания лидер смешивает множество измерений в гораздо меньший набор кодированных значений, который сохраняет основную структуру сигнала. Позже, на синке с куда большей вычислительной мощностью, эти сжатые значения восстанавливают для получения близкого приближения исходных сигналов. Поскольку поведение грунтовых вод меняется плавно во времени и по пространству, его можно точно воспроизвести по значительно меньшему числу чисел, чем датчиков, что позволяет сети отправлять меньше данных, почти не теряя деталей.

Пусть сборщик сам подходит к датчикам

Другой источник потерь в классических схемах — фиксированное положение синка. Датчики, ближайшие к этому пункту, вынуждены многократно пересылать сообщения от дальних узлов, быстрее разряжаясь и образуя энергетическую «дыру» на карте. В SSDA‑SM синк мобильный: он перемещается по контролируемой территории по заранее спланированному маршруту, по очереди останавливаясь рядом с группами сенсоров. Его путь выбирают так, чтобы уменьшить среднее расстояние, которое должны преодолевать сообщения, и отдать приоритет группам, чьи лидеры истощают энергию. Лидеры временно хранят сжатые данные до тех пор, пока синк не окажется в зоне приёма, а затем отправляют их на коротком радиусе. Такое движение в сочетании с продумано сформированными группами распределяет коммуникационную нагрузку более равномерно по сети.

Что показывают тесты о производительности

Исследователи протестировали SSDA‑SM в подробных компьютерных симуляциях и сравнили его с четырьмя современными методами, также нацеленными на экономию энергии или использующими мобильные синки. При тех же условиях — 100 сенсоров с разным энергопотреблением в квадратной городской области — новая схема дольше сохраняла в рабочем состоянии первый датчик, отодвинула момент, когда умрёт половина датчиков, и продлила время до отключения всей сети. Она потребляла меньше энергии за раунд связи, доставляла больше пакетов успешно и сокращала среднюю задержку доставки информации до синка. Группы в сети оставались стабильными на большее число раундов, а этап компрессивного зондирования обеспечивал большую степень сжатия при сохранении возможности восстановления закономерностей грунтовых вод синком с точностью более 97%.

Что это значит для городских водных служб

Для неспециалистов вывод прост: при аккуратном выборе того, какие датчики должны оставаться активными, кто выступает представителем группы, насколько плотно упаковываются данные и где перемещается сборщик, можно создать систему мониторинга, которая дольше наблюдает скрытую городскую воду на тех же батареях. SSDA‑SM демонстрирует, что сочетание простого машинного обучения, умных расписаний сна, сжатия данных и передвигающегося синка может превратить разбросанные подземные датчики в долговечную, охватывающую весь город «нервную систему» для грунтовых вод. Такие системы могли бы дать планировщикам куда более ясное представление о том, насколько быстро исчерпываются водоносные горизонты, и помочь в управлении более устойчивым использованием этого жизненно важного, но в значительной степени невидимого ресурса.

Цитирование: 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

Ключевые слова: мониторинг грунтовых вод, беспроводные сенсорные сети, энергоэффективное зондирование, мобильный сбор данных, компрессивное зондирование