Den arktiske tundraen er meget følsom for klimaendringer. Endringen kvantifiseres ved observasjoner på tundraen av dyr, vegetasjon, vind, fuktighet, CO2, temperatur og mer. Imidlertid er mye mindre enn 1 % av den arktiske tundraen observert i dag. For å få mer data må observasjoner gjøres in-situ på tundraen, oftere, flere steder, over større områder, og både over og under snø. Observasjonene skal gi rom for identifikasjon av planter, fugler og smådyr. Dataene skal også gjøres tilgjengelige når og hvor det er nødvendig.
Det er nødvendig å distribuere et sett med noder (små datamaskiner med sensorer) til den arktiske tundraen for å gjøre alt dette. En node må operere i lang tid for å gjøre observasjoner, og ta vare på, behandle og rapportere dataene. På den arktiske tundraen er imidlertid det vanlige tilfellet at de nødvendige ressursene (mennesker, energi, back-haul datanettverk) er svært begrenset eller ikke tilgjengelig. Vi forsker på hvordan et distribuert system av observasjonsnoder kan gjøres og vil oppføre seg under disse utfordrende forholdene.
En node må være veldig sparsommelig med energi for å operere i mange måneder og år. Prosjektet har fokusert på at en node normalt må klare seg med en eneste batteriladning fordi energi fra sol, vind og mennesker ikke er praktisk eller tillatt å gjøre i noe omfang på den arktiske tundraen. Livet til en node blir således å sove mesteparten av tiden, våkne i noen sekunder eller minutter for å gjøre observasjoner, bearbeide og rapportere observasjonsdata, koordinere med andre noder om når de skal våkne opp igjen, motta og installere programvareoppdateringer, og så sove igjen til neste planlagte vekking eller at en sensor har utløst en uplanlagt vekking. En rekke tilnærminger har blitt undersøkt for å dokumentere virkningen på ytelsesmetrikker som bl.a. energiforbruk og suksessrate for fullføring av rapportering av data mellom noder.
Prosjektet har dokumentert en rekke energieffektive funksjoner og måter å benytte dem for å få et energieffektivt distribuert observasjonssystem. Det ble gjort forskning for å dokumentere innvirkningen søvn og oppvåkning har på energiforbruk og observasjons-, prosesserings- og rapporteringsoppgaver. En rekke tilnærminger ble undersøkt fra ingen til koordinert søvn og oppvåkning av nodene. Til og med været ble tatt i betraktning når vekketider for nodene ble beregnet. Dette fordi i dårlig vær kan en nodes radiobaserte datanettverk oppleve reduserte signalnivåer som fører til mislykket kommunikasjon og unødvendig energibruk.
For de individuelle observasjonsnodene undersøkte prosjektet en rekke funksjonaliteter inkludert automatiserte observasjoner og rapportering av tilhørende data, automatisert over-the-air distribusjon og installasjon av programvareoppdateringer til observasjonsnodene, on-node behandling av observasjonsdata for å komprimere dataene for å redusere energien brukt og tiden det tar å overføre dataene til eksterne servere samtidig som informasjonsinnholdet i dataene bevares slik at kunstig intelligens-beregninger oppnår omtrent de samme resultatene som om de brukte de opprinnelige dataene.
Metodikken som er brukt er systemforskning innen informatikk og inkluderer å lage prototyper og utføre eksperimenter på dem for å dokumentere deres oppførsel under en rekke parametere og faktorer, inkludert antall noder, størrelsen på dataene som spres mellom noder, og tid, frekvens og lengde. av søvn og oppetid for de enkelte nodene. Tre typer prototyper ble utviklet: fysiske, virtuelle og simulerte. Fysiske prototyper (noder bygget fra mikrokontrollere og Raspberry Pi-datamaskiner med sensorer og programvare) er av praktiske og kostnadsmessige årsaker av liten skala (10-16 noder). De er tidkrevende og kostbare å bygge og eksperimentere med. Imidlertid gir de viktige praktiske erfaringer og eksperimentelle data som man ellers ikke ville hatt. Virtuelle prototyper (mange identiske programmer som kjører på en eller flere datamaskiner som emulerer fysiske prototyper) er mindre kostbare å utvikle og eksperimentere med, og egnet for daglig laboratoriebruk. Simulerte prototyper (bruk av en simulator for å simulere handlingene til fysiske og virtuelle prototyper) tillater storskalaeksperimenter som utforsker mange faktorer i et stort distribuert observasjonssystem og er nyttig for å påvirke hva som skal inkluderes i de virtuelle og fysiske prototypene.
The project has moved the research front for cyber-physical systems forward, and it has contributed to essential competence building amongst the participants and students.
The project has through physical, virtual, and simulated prototypes documented a distributed approach to do large area high resolution observation series over time of the arctic tundra needed for climate research. The results from the project can inform a potential future practical large-scale distributed observation system composed of many small nodes with suitable sensors and data networks operating from small batteries.
Such a system will make it possible to do observations for larger areas and observe the covered areas in higher detail, and more robustly, than what is possible with current state of the art technology for wildlife and environmental monitoring.
Automating the gathering and reporting of observational data in combination with automating some of the necessary processing of the data to extract relevant information, like the species of observed flora and fauna, will provide for timely data and increased efficiency in capturing the state of the arctic tundra without needing a large number of humans to do such tedious tasks.
The project has attracted two international postdocs to the University of Tromsø. Both have subsequently qualified for tenured faculty positions in computer science at the University of Tromsø, and they are continuing the research they started when funded by the project, including applying for research and instrument funding from the Research Council of Norway and elsewhere.
The project has inspired international collaboration on cyber physical systems between the University of Tromsø and universities in France (Lyon), including a shared Ph.D. project. The collaboration is anticipated to expand.
The project has defined and advised many successful bachelor and master students subsequently working in the public sector and in industry where they can apply the latest cyber physical and IoT models and techniques researched by the project.
This interdisciplinary project will for the first time provide for in-situ observations and ubiquitous data and services covering the arctic tundra that scales with the size of the observed area, the resolution of the observations, and the volume and freshness of data. This is a direct response to the Climate-ecological Observatory for Arctic Tundra (COAT) science plan stating that the circumpolar arctic tundra is the earth's terrestrial biome most challenged by climate change, but that there presently are too few observations of the arctic tundra. Therefore, there is a high demand for establishing scientifically robust observation systems to enable timely detection, documentation and understanding of climate impacts.
The arctic tundra is a demanding region with severe weather, low temperatures, limited network services and energy, and often being physically inaccessible. This project advances the state of the art for cyber-physical systems being exposed to such extreme conditions. The Distributed Arctic Observatory is a novel next-generation scalable, energy sensitive, configurable, and robust observation system enabling many in-situ observations at high resolutions and at many locations throughout the arctic tundra, and with services making the data available and explorable by researchers and the public.
There are many challenges facing such a system. The in-situ observation units must be made autonomous so they continue operation despite network limitations, faults, failures, and malware. Observation units have to use their limited resources in an energy sensitive way. Especially the analytics processing to find interesting objects in the observed data requires increased energy efficiency. To be useful in practise the system must be adaptable to new needs, and provide for access to data and for practical analytics and visualizations.
