Die Überwachung und Messung von Waldökosystemen ist eine komplexe Herausforderung aufgrund einer bestehenden Kombination aus Software, Erfassungssystemen und Computerumgebungen, die immer mehr Energie für den Betrieb benötigen. Das Labor für Wireless Sensor Networks (WiSe-Net) der University of Maine hat eine neuartige Methode entwickelt, mit der künstliche Intelligenz und maschinelles Lernen eingesetzt werden können, um die Überwachung der Bodenfeuchtigkeit energie- und kosteneffizienter zu gestalten – eine, die verwendet werden könnte, um die Messung im weiten Wald effizienter zu gestalten Ökosysteme von Maine und darüber hinaus.
Die Bodenfeuchtigkeit ist sowohl in bewaldeten als auch in landwirtschaftlichen Ökosystemen eine wichtige Variable, insbesondere unter den jüngsten Dürrebedingungen der vergangenen Sommer in Maine. Trotz der robusten Bodenfeuchtigkeitsüberwachungsnetzwerke und großen, frei verfügbaren Datenbanken können die Kosten kommerzieller Bodenfeuchtigkeitssensoren und der Stromverbrauch, den sie für den Betrieb benötigen, für Forscher, Förster, Landwirte und andere, die den Zustand des Bodens verfolgen, unerschwinglich sein.
Zusammen mit Forschern der University of New Hampshire und der University of Vermont entwarf das WiSe-Net von UMaine ein drahtloses Sensornetzwerk, das künstliche Intelligenz nutzt, um zu lernen, wie man bei der Überwachung der Bodenfeuchte und der Verarbeitung der Daten energieeffizienter sein kann. Die Forschung wurde durch ein Stipendium der National Science Foundation finanziert.
„KI kann aus der Umgebung lernen, die Qualität der drahtlosen Verbindung und die einfallende Sonnenenergie vorhersagen, um begrenzte Energie effizient zu nutzen und ein robustes, kostengünstiges Netzwerk länger und zuverlässiger laufen zu lassen“, sagt Ali Abedi, Hauptforscher der jüngsten Studie und Professor für Elektrotechnik und Computertechnik an der University of Maine.
Die Software lernt im Laufe der Zeit, wie die verfügbaren Netzwerkressourcen optimal genutzt werden, was dazu beiträgt, energieeffiziente Systeme zu geringeren Kosten für die groß angelegte Überwachung im Vergleich zu den bestehenden Industriestandards zu produzieren.
WiSe-Net arbeitete auch mit Aaron Weiskttel, dem Direktor des Zentrums für Forschung zu nachhaltigen Wäldern, zusammen, um sicherzustellen, dass die gesamte Hardware- und Softwareforschung auf wissenschaftlichen Erkenntnissen basiert und auf die Forschungsbedürfnisse zugeschnitten ist.
„Bodenfeuchtigkeit ist ein Hauptantriebsfaktor für das Baumwachstum, aber sie ändert sich schnell, sowohl täglich als auch saisonal“, sagt Weiskttel. „Uns fehlte die Möglichkeit, eine effektive Überwachung in großem Maßstab durchzuführen. Früher haben wir teure Sensoren verwendet, die in festen Intervallen – zum Beispiel jede Minute – Daten gesammelt haben, aber nicht sehr zuverlässig waren Tür für zukünftige Anwendungen für Forscher und Praktiker gleichermaßen.“
Die Studie wurde am 9. August 2022 im Springer’s veröffentlicht Internationale Zeitschrift für drahtlose Informationsnetze.
Obwohl sich das von den Forschern entworfene System auf die Bodenfeuchte konzentriert, könnte die gleiche Methodik auf andere Arten von Sensoren wie Umgebungstemperatur, Schneehöhe und mehr ausgedehnt werden, sowie die Netzwerke mit mehr Sensorknoten skalieren.
„Die Echtzeitüberwachung verschiedener Variablen erfordert unterschiedliche Abtastraten und Leistungspegel. Ein KI-Agent kann diese lernen und die Datenerfassungs- und Übertragungsfrequenz entsprechend anpassen, anstatt jeden einzelnen Datenpunkt abzutasten und zu senden, was nicht so effizient ist“, sagt Abedi .
Sonia Naderi et al, Gemeinsame Nutzung des Funkspektrums in den Waldökosystemen mithilfe von künstlicher Intelligenz und maschinellem Lernen, Internationale Zeitschrift für drahtlose Informationsnetze (2022). DOI: 10.1007/s10776-022-00572-9