1. Introducción
Hoy en día con las Tecnologías de la Información y Comunicación (TIC), se ha logrado adelantos importantes en la recolección, análisis y distribución de información relacionada con el estado climático, monitoreo de variables medioambientales, estudios de biodiversidad, entre otras. Esta información tiene distintos fines, entre ellos, la preservación digital de datos, su representación gráfica y el modelamiento de patrones climatológicos. Algunas iniciativas se enfocan en mejorar la calidad de vida de las personas, mediante la obtención y estimación de factores que afectan el entorno del ser humano, por ejemplo, infraestructura y transporte, agricultura, datos de la biodiversidad del sitio observado, entre otros.
Conceptos como Ciudades Inteligentes o Territorios Inteligentes (Smart Cities y Smart Lands), se apoyan en las TICs, especialmente en las plataformas de Internet de las Cosas (IoT) por medio de las cuales se puede obtener datos de variables medioambientales y poder proyectar y mejorar aspectos propios de las ciudades o territorios.
Uno de los retos que deben soportar las Ciudades Inteligentes está altamente relacionado con la infraestructura de comunicación necesaria para la recolección y distribución de información. En estos espacios se emplean redes de sensores inalámbricos (RSI) las cuales por su naturaleza inalámbrica y autónoma pueden ser instaladas con rapidez, además para su implementación no es necesaria una mayor inversión en adecuación de orden físico y se tiene un bajo impacto de afectación al medioambiente (Faludi, 2011, 11; Lin et al., 2011).
En este trabajo se plantea el diseño, integración e implementación de un sistema para la recolección de datos meteorológicos, para ello se usa una RSI basada en DigiMesh, lo cual permite tener una mayor flexibilidad; también se usa Wi-Fi para expandir la red de comunicaciones. El sistema emplea herramientas de hardware y software abiertos con el fin de reducir costos y se integra con plataformas de IoT para la visualización y gestión de los datos. La importancia del desarrollo del sistema radica en que se minimiza los costos de implementación, operación y gestión, en comparación con estaciones meteorológicas comerciales existentes. El sistema además ofrece un modelo escalable y funcional debido a que se puede agregar nuevos módulos para la adquisición de variables adicionales, y utiliza recursos naturales como fuente de energía.
La parte restante de este documento está estructurado de la siguiente manera: en la sección 2 de Metodología se plantea la arquitectura del sistema, hardware, el abastecimiento de energía y las plataformas de IoT utilizadas. En la sección 3 de Resultados y Discusión se muestra la implantación del prototipo de una RSI con la transmisión de datos a plataformas IoT y los resultados obtenidos mediante un análisis de los datos. Finalmente se presentan las Conclusiones y Recomendaciones.
2. Metodología
Para desarrollar un prototipo del sistema se ha seguido una metodología de avance por fases.
La primera fase, implantación, comprende la recolección de información, específicamente, la identificación de variables que el prototipo requiere como mínimo para la recolección de datos meteorológicos, con el fin de obtener las características necesarias que permitan el dimensionamiento tanto de los sensores como de los módulos de comunicación.
La segunda fase, recolección de datos, en donde se realiza los algoritmos y la caracterización de la tarjeta de adquisición. En esta fase también se realiza la integración de los sensores con la placa base de adquisición y el análisis del consumo energético del prototipo.
Finalmente, en la tercera fase, distribución y presentación, está enfocada a la transmisión y recepción de información del prototipo, como también a la visualización y la validación de los datos en plataformas IoT.
2.1 Arquitectura del sistema
Para la arquitectura del sistema se plantea usar dos variantes de RSI:
La primera basada en DigiMesh para la comunicación. Está red se compone de nodos sensores y un nodo central que está conectado a una puerta de enlace (ver Figura 1.a), este usa Wi-Fi para el reenvió de datos a plataformas de IoT (ver Figura 1.c).
La segunda donde los nodos usan Wi-Fi para la comunicación. Estos integran las funcionalidades de adquisición de variables meteorológicas, procesamiento y la transmisión de datos directamente a las plataformas de IoT (ver Figura 1.b). En esta variante se suprime el uso de los nodos centrales.
Fig. 1:
Arquitectura del sistema.
2.1.1 Nodo Sensor
Los nodos sensores están formados por 3 módulos: sensores, procesamiento y comunicación (ver Figura 2). Estos nodos tienen por función recolectar los valores adquiridos por los sensores, procesar y enviar los datos ya sea usando Wi-Fi o DigiMesh según el modelo de RSI seleccionado.
Fig. 2:
Arquitectura hardware del nodo sensor.
En la RSI usando DigiMesh, existe además un nodo central conformado por dos módulos de comunicación, el primero interactúa con los nodos sensores para la entrega de los valores recolectados, y el segundo retransmite la información obtenida de los nodos sensores a una plataforma IoT (Perera, Liu & Jayawardena, 2015).
2.2 Hardware
Los componentes de hardware usados para la implementación de los nodos prototipo se detallan en las siguientes secciones.
2.2.1 Sensores
Para determinar los sensores a emplear en la adquisición de las variables meteorológicas se considera los rangos de medición y protocolos de comunicación como se indica en Tabla 1. Las variables a monitorear son: velocidad del viento, dirección del viento, lluvia instantánea, presión barométrica, temperatura ambiental, humedad relativa ambiental, temperatura del suelo, y humedad relativa del suelo. Estas son determinadas por la Organización Mundial de Meteorología (OMM) (OMM, 2014)
Tabla 1
Especificaciones de los sensores.
Adicionalmente, se requiere del módulo Weather Shield (DEV-12081), que permite el acondicionamiento de las señales de los sensores (anemómetro, veleta, pluviómetro) e integra un barómetro, un sensor de temperatura y humedad, que sirven para el monitoreo del estado de los nodos sensores.
2.2.2 Procesamiento
El procesamiento del prototipo se realiza en una tarjeta Arduino Uno (RedBoard DEV-12757), que es la encargada de adquirir y procesar toda la información obtenida por los sensores y administrar parte de la comunicación.
2.2.3 Módulos de comunicación
El sistema se diseña para ambientes rurales o urbanos con bandas ISM de 900MHz y 2,4 GHz. Se propone usar Wi-Fi para la transmisión de datos a Internet en ambientes urbanos donde existe una alta densidad de despliegue de esta tecnología.
Para la comunicación entre el nodo sensor y central como se indica en la figura 1a se usa módulos con protocolos de comunicación DigiMesh que permiten establecer topologías punto a punto, punto a multipunto y malla; hasta una distancia de 40 km empleando antenas de alta ganancia en la banda de 900MHz. A continuación, se detalla cada uno de los elementos usados para la comunicación:
Wi-Fi: Electric Imp. 01 (Nodo usando Wi-Fi y el nodo central) en la banda 2,4 GHz.
Electric Imp Shield (DEV-12887), permite integrar el módulo de comunicación con la plataforma Arduino.
DigiMesh: XBee PRO 900HP (Potencia máxima: 250mW).
Antena dipolo de 3dBi para evaluar en ambiente de laboratorio. Para desplegar el sistema en un ambiente externo se usa una antena Yagi de 14dBi para el nodo sensor y para el coordinador una antena omnidireccional de 8 dBi.
2.2.4 Abastecimiento de energía
Para el abastecimiento de energía de los nodos se usa paneles solares, baterías LiPo y cargador solar. A continuación, se detalla los componentes usados:
Panel solar: PRT-09241.
Batería: LiPo 3.7V 6600mAh (ID: 353)
Cargador solar para baterías LiPo: PRT-12885.
2.3 Plataformas IoT
Actualmente, han surgido una diversidad de plataformas en respuesta al rápido incremento de dispositivos inalámbricos aplicados a la medición y automatización de procesos industriales y residenciales. Las plataformas IoT permiten el registro de datos adquiridos por sensores, el enrutamiento de datos en tiempo real y el control remoto de dispositivos. Además, proveen una interfaz como punto de acceso a sus recursos a través de protocolos de Internet; que permiten interactuar con lenguajes de alto nivel como LabView, Matlab y Python, para realizar procesamiento de datos y accionar remotamente un dispositivo (Wong & Kerkez, 2016).
Debido a que usan distintas estrategias y protocolos de aplicación como Hipertext Transfer Protocol (HTTP) y Message Queue Telemetry Transport (MQTT), el prototipo se ha evaluado en tres plataformas IoT: Ubidots (UBIDOTS, 2014), Phant (PHANT, 2015) y ThingSpeak (c, 2016).
2.3.1 Ubidots
En la figura 3a se muestra la arquitectura de la plataforma Ubidots, la que integra los flujos de datos en un entorno de computación en la nube, para crear aplicaciones que capturan información del mundo real. Ubidots provee una clave API a cada usuario que se utiliza como identificador de autenticación cuando se transmite los datos de los sensores a la nube (UBIDOTS, 2014). Esta permite registrar hasta 30 000 datos de forma gratuita por mes, si se requiere registrar más datos al mes, se puede optar por pagar un plan de servicio que ofrece está plataforma según sea necesario (Bolivar & Alexandre Da Silva, 2015).
Las principales características de la plataforma Ubidots son:
Capacidad para publicar los datos del dispositivo sobre una API REST.
Flexibilidad, ya que permite a sus usuarios mezclar diferentes flujos de datos y presentarlos en esta plataforma.
Disponibilidad ubicua, debido a que está basado en la nube.
Seguridad basada en mecanismos incorporados en la plataforma de Ubidots (autenticación mediante API o tokens).
2.3.2 Phant
Es una herramienta de código abierto de registro modular desarrollada por SparkFun Electronics para la recolección de datos de IoT. Para el almacenamiento se requiere realizar la creación de un flujo de datos, que proporciona una clave pública y una privada. Estas claves se usan en la publicación de los datos por lo que es necesario añadirla a la trama. Para registrar los datos al servidor se puede usar la biblioteca Phant o mediante un requerimiento HTTP utilizando cualquier cliente web. Aunque es gratuito tiene un límite de 100 peticiones cada 15 minutos y tiene una capacidad máxima de 50MB después de sobrepasar este límite, los datos más antiguos se eliminan. Estas limitaciones se pueden eliminar si se instala en un servidor privado. En la figura 3b se representa el funcionamiento de la plataforma Phant (PHANT, 2015).
2.3.3 ThingSpeak
Es un servicio de plataforma de análisis de IoT que permite almacenar y recuperar los datos de sensores en la nube y desarrollar aplicaciones de IoT. El servicio ThingSpeak también permite realizar análisis en línea y actuar sobre sus datos. Los datos del sensor pueden ser enviados a ThingSpeak desde cualquier hardware que pueda comunicarse usando una API REST o usando el protocolo MQTT. MQTT es extremadamente simple y ligero, para la publicación y suscripción; diseñado para dispositivos que están limitados por el bajo ancho de banda y alta latencia (Asghar & Mohammadzadeh, 2015). En la Figura 3c se representa la arquitectura de esta plataforma (MATHWORKS, 2016).
Fig. 3:
Arquitectura de plataformas IoT.
2.4 Dimensionamiento de autonomía de energía
Para determinar el consumo de energía del prototipo (ver Figura 4) se realiza las mediciones en cada uno de los nodos de la RSI DigiMesh y de la RSI Wi-Fi (ver Tabla 2), y el requerimiento diario de potencia. Estas mediciones permiten establecer la capacidad de la batería (considerando una autonomía de 2 días), y el dimensionamiento del panel solar.
Fig. 4
Prototipos: a) RSI (nodo sensor y central/gateway) y b) Nodo sensor usando Wi-Fi.
Tabla 2
Requerimiento diario de potencia de los nodos.
El consumo diario de energía se calcula mediante la ecuación (1), considerando la carga conectada y la eficiencia del regulador (regulador interno del Arduino Uno) en este caso del 95% (Quezada, Morales & Riofrío, 2013).
Dónde: , es el consumo diario de energía del prototipo de adquisición y transmisión en , es el requerimiento diario de potencia de los dispositivos a alimentar en , es la eficiencia del regulador en . En la Tabla 3 se muestra el , de cada uno de los nodos.
Tabla 3
Requerimiento diario de potencia de los nodos.
La medición del consumo energético de las pruebas experimentales se realiza en intervalos de 30s (ver Figura 5); el intervalo de tiempo de transmisión recomendado por la OMM está entre 5 a 10 min (OMM, 2014). Con estos intervalos de tiempo en la transmisión el consumo de energía es menor, permitiendo incrementar la autonomía del prototipo.
Fig. 5:
Consumo de corriente: a) nodo central y b) nodo sensor Wi-Fi.
2.4.1 Dimensionamiento del panel solar
Para dimensionar correctamente el número de paneles solares y la capacidad necesaria de los mismos, se toma como referencia los parámetros de consumo diario de potencia de los prototipos (Wh/día) y la irradiación global diaria del lugar (kWh/m2/d). Se utiliza una metodología para el dimensionado de sistemas fotovoltaicos autónomos, para determinar el panel solar y batería (Aguilera & Hontario, 2011; Prat, 2015). Para poder obtener la irradiación global del lugar de interés se utilizó recursos web del Data Center de la NASA en el área de Meteorología y Energía Solar (Stackhouse, 2016), donde se ingresa las coordenadas de latitud y longitud de la ciudad de Loja-Ecuador. En la Tabla 4, se muestra todos los parámetros utilizados para el dimensionamiento del panel solar.
Tabla 4
Parámetros para el cálculo del panel solar.
Con los resultados obtenidos de la capacidad de almacenamiento de la batería mínima requerida (ver tabla 5), se determina el uso de baterías de tipo LiPo de 6600 mAh a 3.7V. Además, en base al dimensionamiento del panel solar se utiliza uno de 5.2 W (el mínimo requerido es de 3.2W).
Tabla 5
Resultados del dimensionamiento del panel solar, inclinación y HPS.
Para la implementación del sistema de abastecimiento de energía, se necesita cargar la batería con el panel solar utilizando un regulador/cargador solar MPPT (Maximum Power Point Tracking- Seguidor de Punto de Máxima Potencia) para baterías litio (ver Figura 6). Éste componente permite obtener eficientemente la energía del panel solar.
Fig. 6:
Componentes del sistema de abastecimiento de energía solar: a) Batería LiPo, b) cargador solar y c) panel Solar.
3. Resultados y Discusión
3.1 Despliegue de prototipo
Para preservar el correcto desempeño de los componentes del prototipo recolector de datos meteorológicos y obtener las mediciones exactas, se adecuan los componentes en una caja con un grado de protección IP65 o superior (Kuppusamy, 2016).
Tomando en cuenta las recomendaciones que pone a consideración la OMM (OMM, 2014), el prototipo se instala en un campo abierto dentro del campus universitario de la UTPL (ver figura 7). Para la obtención de las variables meteorológicas en tiempo real se usa la RSI basado en DigiMesh. La distancia entre el nodo central y el nodo sensor es de 190m.
Fig. 7:
Despliegue de la RSI: a) Ubicación nodo sensor y central, b) Nodo sensor y c) Nodo central.
3.2 Pruebas de cobertura del sistema
Se realiza una prueba cobertura de la RSI DigiMesh con el propósito de incrementar a futuro la cantidad de nodos sensores. Para este propósito se ha empleado el nodo central de la Figura 7.c y se ha implementado un nodo sensor portátil (ver Figura 8a).
Para la prueba se ha establecido un enlace con una distancia de 7Km (ver figura 8d) entre el nodo central y un nodo sensor portátil ubicado en la Central Eólica Villonaco (CEV) CELEC EP GENSUR (lugar con línea de vista hacia UTPL ver figura 8b) hasta el nodo central ubicado en la UTPL como se observa en la figura 8c. El nodo sensor portátil cuenta con una antena direccional tipo Yagi de 14dBi, el nodo central con una omnidireccional de 8dBi y se ha empleado una potencia de transmisión de 17dBm o 50mW en cada módulo de comunicación de los nodos.
Fig. 8:
Prueba de cobertura del sistema a una distancia de 7km: a) Nodo sensor portátil, b) Línea de vista CEV - UTPL, c) Línea de vista UTPL - CEV, d) Distancia entre los nodos, y e) Perfil del enlace.
Para verificar que existe línea de vista y que la primera zona de Fresnel está despejada se usó el software de simulación RadioMobile, el resultado obtenido se observa en la figura 8e, estableciéndose el enlace. Con esta prueba de cobertura se determina que se puede extender la RSI DigiMesh, para la instalación de nodos con sensores medioambientales para obtener datos en tiempo real de manera continua y a largo plazo de áreas de interés como la Reserva de Biosfera Podocarpus que es fuente de 4 ríos binacionales que abastecen de agua a casi 2 millones de personas en Ecuador y Perú (NATURALEZAYCULTURA, 2016); y de bosques protectores altos de montaña que se encuentran a las afueras de la ciudad de Loja que son la principal fuente de agua para la ciudad.
3.3 Visualización de datos en plataformas IoT
Para el almacenamiento de los datos en las plataformas de IoT, se requiere de la construcción de una trama JSON que demanda cada plataforma. Un ejemplo de esto es la plataforma DataSparkfun donde se necesita usar una llave privada y una llave pública. En la Figura 9 se muestra la publicación de los datos recolectados por el prototipo desplegado en los servidores de Ubidots, ThingSpeak y DataSparkfun (Phant).
Fig. 9:
Publicación de datos en las plataformas de IoT: a) Ubidots, b) ThingSpeak y c) DataSparkfun.
Estas plataformas de IoT, permiten el almacenamiento masivo de datos, la visualización y análisis, siendo accesible a usuarios con diferentes propósitos como estudios climatológicos o toma de decisiones. A pesar de las ventajas mencionadas, estas tres plataformas presentan limitantes con respecto a la cantidad de datos que se puede almacenar, número de dispositivos conectados y la retención de datos. Por lo que es necesario analizar si es conveniente el pago de estos servicios dependiendo de la cantidad de nodos y variables o si es necesario desarrollar una plataforma que integre MQTT y que permita la interoperabilidad usando estándares como SWE (Sensor Web Enablement) de OGC (Open Geospatial Consortium) (OGC, 2016).
3.4 Análisis de datos
Para la obtención de las variables meteorológicas en tiempo real se usa la RSI basado en DigiMesh. En la Figura 10 se muestran los datos obtenidos de los sensores de temperatura ambiente y humedad relativa ambiente de tres días desde el 7 al 9 de enero del 2017.
Para validar los resultados obtenidos del prototipo se realiza una comparación y análisis de los datos con una estación meteorológica Davis Vantage Pro (ver figura 7b). El análisis corresponde a determinar el error relativo entre los grupos de datos. Estos datos corresponden a un conjunto de 490 muestras realizadas el 7 de enero desde las 18:00 a 8:40 del 9 de enero de 2017.
Fig. 10:
Datos de temperatura y humedad obtenidos por el sistema.
En la Figura 11a se muestra la gráfica de los datos correspondientes a la temperatura ambiental y el error relativo. Obteniendo un error máximo de 5,7 %. En la Figura 11b se muestra la humedad ambiental y el error relativo. El error máximo es de 5,17%.
Fig. 11:
Análisis de datos: a) Temperatura ambiental y error relativo, b) Humedad ambiental y error relativo y c) Error relativo promedio de las variables medioambientales.
Para las variables restantes los errores relativos promedios se hallan entre 0.11% y 4.93% (ver Figura 11c).
4. Conclusiones y Recomendaciones
Se ha desarrollado un sistema de monitoreo que automatiza el proceso de obtención de datos en tiempo real de variables medio ambientales recomendadas por la OMM usando una RSI y plataformas de internet de las cosas, que facilitan el acceso a la información y su gestión, usando plataformas de hardware y software abiertas, de bajo costo que permiten la integración o cambio de módulos de sensores o de comunicación, para incrementar las funcionalidades del prototipo, empleando protocolos de comunicación estándar que facilitan la escalabilidad y reconfiguración de los nodos. Además, cuenta con un sistema de abastecimiento de energía solar y de almacenamiento, que garantiza de manera continua y a largo plazo su funcionamiento; e incluye la transmisión de datos en tiempo real usando tecnologías inalámbricas.
Al usar DigiMesh en el sistema se logró una cobertura de 7km, logrando cubrir varios bosques altos de montaña como la Reserva de Biosfera Podocarpus que es una de las principales fuentes de recurso hídrico de la ciudad de Loja. Además, el sistema permite flexibilidad para expandir la red, con la capacidad de integrar más nodos y crear una red tipo malla.
