分享自:

基于物联网边缘计算的环境监测改进研究

期刊:ElsevierDOI:10.1016/j.s2210537923000252

本文介绍了一项关于物联网(IoT)与边缘计算(IoTEC)结合应用于环境监测的研究。该研究由Javad Roostaei、Yongli Z. Wager、Weisong Shi、Timothy Dittrich、Carol Miller和Kishore Gopalakrishnan等人共同完成,研究团队来自美国韦恩州立大学(Wayne State University)的土木与环境工程系以及计算机科学系。该研究于2023年发表在Elsevier旗下的期刊上。

研究背景

随着极端天气、新兴污染物、气候变化等问题的加剧,环境监测的需求日益增加。传统的环境监测方法通常依赖于集中式计算资源,存在高能耗、高带宽成本和数据延迟等问题。近年来,物联网(IoT)技术的进步使得分布式传感器网络能够实时收集和处理大量数据,但如何有效管理这些数据仍然是一个挑战。边缘计算(Edge Computing)作为一种新兴的计算模式,能够将数据处理任务分散到靠近数据源的边缘服务器上,从而减少数据传输的延迟和能耗。本研究旨在探索IoT与边缘计算结合(IoTEC)在环境监测中的应用潜力,并通过两个试点研究评估其在数据延迟、能耗和成本方面的优势。

研究方法

研究设计了两个试点应用:1)挥发性有机化合物(VOCs)蒸气入侵监测;2)基于废水的藻类培养系统性能监测。研究团队开发了传感器包和数据收集/处理方法,并比较了IoTEC方法与传统的集中式IoT传感器网络在数据延迟、能耗和成本方面的差异。

试点1:蒸气入侵监测

在第一个试点中,研究团队使用CCS811和BME680气体传感器、pH计、光照和温度传感器等设备,监测VOCs蒸气入侵。传感器数据通过Wi-Fi传输到边缘服务器(Raspberry Pi 3),边缘服务器对数据进行初步分析,仅当数据超过预设阈值时才将数据传输到云端进行进一步处理。通过这种方式,研究团队成功减少了数据传输量,并显著降低了能耗和延迟。

试点2:藻类培养系统监测

在第二个试点中,研究团队开发了一种基于废水的藻类培养系统,并利用机器学习工具在边缘服务器上进行实时数据分析和预测。通过回归模型和图像处理技术,研究团队能够预测藻类生物量的增长,准确率分别达到87%和90%以上。这一试点展示了边缘计算在复杂环境监测中的潜力,尤其是在需要实时数据处理和预测的场景中。

研究结果

研究结果表明,IoTEC方法在多个方面优于传统的集中式IoT传感器网络: 1. 数据延迟:IoTEC方法将数据延迟减少了13%,主要通过在边缘服务器上进行初步数据处理,避免了不必要的数据传输。 2. 能耗:IoTEC方法减少了50%的数据传输量,并将电源供应时间延长了130%。 3. 成本:在监测五个家庭的VOCs蒸气入侵时,IoTEC方法每年可节省55%至82%的成本,具体取决于使用的云服务提供商(如Microsoft Azure或AWS)。

此外,研究还展示了在边缘服务器上部署机器学习工具的可行性,进一步证明了IoTEC在复杂环境监测中的应用潜力。

研究结论

本研究通过两个试点应用,展示了IoTEC在环境监测中的显著优势。与传统的集中式IoT传感器网络相比,IoTEC方法能够显著减少数据延迟、降低能耗和成本,并提高系统的响应速度。特别是在需要实时数据处理和预测的场景中,边缘计算与机器学习的结合为环境监测提供了新的解决方案。未来的研究可以进一步探索如何在资源受限的边缘设备上部署更复杂的机器学习模型,如深度学习,以提高预测精度和系统性能。

研究亮点

  1. 创新性:本研究首次将边缘计算与物联网结合应用于环境监测,展示了其在减少数据延迟、能耗和成本方面的显著优势。
  2. 实用性:通过两个试点应用,研究团队提供了定量数据,证明了IoTEC方法在实际环境监测中的可行性和经济性。
  3. 前瞻性:研究展示了在边缘服务器上部署机器学习工具的潜力,为未来的环境监测系统设计提供了新的思路。

研究价值

本研究不仅为环境监测领域提供了新的技术解决方案,还为物联网和边缘计算的应用开辟了新的研究方向。通过减少数据延迟和能耗,IoTEC方法有望在未来的智能城市、工业物联网和环境保护等领域发挥重要作用。此外,研究结果还为政策制定者和企业提供了重要的参考,帮助他们更好地理解和应用边缘计算技术。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com