اگرچه سیستم طراحی شده توسط محققان بر روی رطوبت خاک متمرکز است، روش مشابهی را می توان به انواع دیگر حسگرها مانند دمای محیط، عمق برف و موارد دیگر، و همچنین افزایش مقیاس شبکه ها با گره های حسگر بیشتر تعمیم داد.
این نرم افزار در طول زمان یاد می گیرد که چگونه از منابع شبکه موجود بهترین استفاده را ببرد، که به تولید سیستم های کارآمد انرژی با هزینه کمتر برای نظارت در مقیاس بزرگ در مقایسه با استانداردهای صنعتی موجود کمک می کند.
مواد تهیه شده توسط دانشگاه مین. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
WiSe-Net همچنین با Aaron Weiskittel، مدیر مرکز تحقیقات جنگل‌های پایدار، همکاری کرد تا اطمینان حاصل کند که تمام تحقیقات سخت‌افزاری و نرم‌افزاری بر اساس علم و متناسب با نیازهای تحقیقاتی انجام می‌شود.
همراه با محققان دانشگاه نیوهمپشایر و دانشگاه ورمونت، WiSe-Net UMaine یک شبکه حسگر بی سیم طراحی کرد که از هوش مصنوعی برای یادگیری نحوه کارآمدتر انرژی در نظارت بر رطوبت خاک و پردازش داده ها استفاده می کند. این تحقیق با کمک مالی بنیاد ملی علوم تامین شد.
پایش و اندازه‌گیری اکوسیستم‌های جنگلی به دلیل ترکیبی از نرم‌افزارها، سیستم‌های جمع‌آوری و محیط‌های محاسباتی که به مقادیر فزاینده‌ای انرژی برای نیرو نیاز دارند، یک چالش پیچیده است. آزمایشگاه شبکه‌های حسگر بی‌سیم دانشگاه مین (WiSe-Net) روش جدیدی برای استفاده از هوش مصنوعی و یادگیری ماشینی برای نظارت بر رطوبت خاک با انرژی و هزینه کارآمدتر ایجاد کرده است – روشی که می‌تواند برای اندازه‌گیری کارآمدتر در سراسر جهان استفاده شود. اکوسیستم های جنگلی مین و فراتر از آن
منبع داستان:
ویسکیتل می گوید: “رطوبت خاک محرک اصلی رشد درختان است، اما به سرعت تغییر می کند، چه روزانه و چه در فصل.” “ما توانایی نظارت موثر در مقیاس را نداشتیم. از لحاظ تاریخی، ما از حسگرهای گران قیمتی استفاده می‌کردیم که در فواصل زمانی ثابت جمع‌آوری می‌شدند – برای مثال در هر دقیقه – اما چندان قابل اعتماد نبودند. یک حسگر ارزان‌تر و قوی‌تر با قابلیت‌های بی‌سیم مانند این واقعاً در را برای کاربردهای آینده برای محققان و پزشکان به طور یکسان باز می کند.”
این مطالعه در 9 آگوست 2022 در اسپرینگر منتشر شد مجله بین المللی شبکه های اطلاعات بی سیم.
رطوبت خاک یک متغیر مهم در اکوسیستم های جنگلی و کشاورزی است، به ویژه در شرایط خشکسالی اخیر تابستان های گذشته مین. علی‌رغم شبکه‌های پایش رطوبت خاک قوی و پایگاه‌های داده بزرگ و رایگان در دسترس، هزینه سنسورهای رطوبت خاک تجاری و قدرتی که برای اجرا استفاده می‌کنند می‌تواند برای محققان، جنگل‌بانان، کشاورزان و سایرین که سلامت زمین را ردیابی می‌کنند، گران باشد.
عابدی می‌گوید: “پایش بیدرنگ متغیرهای مختلف به نرخ‌های نمونه‌گیری و سطوح توان متفاوتی نیاز دارد. یک عامل هوش مصنوعی می‌تواند این موارد را یاد بگیرد و به جای نمونه‌برداری و ارسال تک تک نقاط داده‌ای که کارآمد نیست، جمع‌آوری و فرکانس ارسال را بر اساس آن تنظیم کند.” .
