Internet of underwater things

Internet of Underwater Things (IoUT)

L'Internet of Underwater Things (IoUT) è un'estensione dell'Internet of Things (IoT), adattata all'ambiente sottomarino. Il termine si riferisce a una rete di oggetti e dispositivi intelligenti, dotati di sensori, che operano sotto la superficie del mare e sono in grado di raccogliere, analizzare e condividere dati per monitorare l'ambiente subacqueo e svolgere operazioni in tempo reale. Questa tecnologia ha un potenziale significativo per le scienze marine, l'industria e la sicurezza nazionale.

Storia

La ricerca sulle reti subacquee risale agli anni '90, ma l'Internet of Underwater Things ha iniziato a svilupparsi solo negli ultimi anni, spinto dal progresso delle tecnologie di sensori e dalla crescente domanda di monitoraggio marino. Il bisogno di ottenere dati in tempo reale per affrontare il cambiamento climatico e la protezione delle risorse naturali ha accelerato lo sviluppo di questa tecnologia.

Componenti principali

I principali componenti dell'IoUT includono:

• Sensori subacquei: progettati per raccogliere dati su parametri fisici come temperatura, salinità, livelli di ossigeno e pressione. Vari studi recenti hanno dimostrato l'importanza di modelli predittivi per migliorare la trasmissione dei dati in ambienti marini reali.
• Veicoli autonomi subacquei (AUV): robot che possono navigare autonomamente nelle profondità marine, raccogliendo dati senza intervento umano.
• Reti acustiche e ottiche: la comunicazione sott'acqua è limitata rispetto a quella terrestre, poiché le onde radio vengono rapidamente attenuate. Di conseguenza, l'IoUT si affida principalmente a comunicazioni acustiche e, in casi particolari, ottiche o via cavi sottomarini.
• Dispositivi a basso consumo energetico: poiché le batterie non possono essere facilmente sostituite o ricaricate sott'acqua, sono state sviluppate tecnologie per la raccolta di energia dall'ambiente, come celle a combustibile o metodi per convertire l'energia delle onde in elettricità.

Applicazioni

Le applicazioni dell'IoUT sono molteplici e toccano vari settori:

• Monitoraggio ambientale: L'IoUT consente di monitorare l'ecosistema marino, raccogliendo dati sulla salute delle barriere coralline, la biodiversità e l'inquinamento dell'acqua.
• Industria petrolifera e del gas: Le piattaforme offshore e i gasdotti sottomarini sono monitorati utilizzando dispositivi IoUT per prevenire perdite, danni strutturali o incidenti. Recentemente, sono stati sviluppati modelli per la previsione del rapporto segnale/rumore (SNR) per garantire comunicazioni affidabili.
• Pesca e acquacoltura: I sensori IoUT aiutano a tracciare i banchi di pesci e a monitorare la qualità dell'acqua, migliorando la gestione della pesca e la sostenibilità dell'acquacoltura.
• Archeologia subacquea: L'IoUT facilita la scoperta e la protezione di siti storici sommersi, come relitti di navi e città sommerse.
• Sicurezza e sorveglianza: I sistemi IoUT sono impiegati per monitorare aree costiere e infrastrutture sottomarine sensibili, come porti o condotte sottomarine. L'integrazione di tecniche di apprendimento automatico per gestire le interferenze o il jamming, è cruciale per garantire operazioni sicure.

Sfide e limiti

Nonostante le potenzialità, l'IoUT affronta diverse sfide tecniche:

• Comunicazione limitata: La comunicazione sott'acqua è ostacolata dalle caratteristiche fisiche dell'ambiente marino, che riducono l'efficacia delle onde radio e richiedono l'uso di comunicazioni acustiche o ottiche. L'uso di tecniche predittive e adattive nelle reti acustiche è stato esplorato in vari studi, evidenziando il potenziale di miglioramento delle prestazioni.
• Affidabilità: I dispositivi devono essere progettati per resistere a condizioni estreme, come alte pressioni e corrosione dovuta all'acqua salata.
• Alimentazione energetica: L'energia è un problema significativo per i dispositivi subacquei, poiché non possono essere facilmente ricaricati. Sistemi integrati che combinano tecnologie acustiche con trasmissioni a bassa potenza come LoRa, rappresentano un'opzione per ridurre il consumo energetico e aumentare l'autonomia delle reti IoUT.

Futuro

Il futuro dell'IoUT appare promettente. Il miglioramento delle tecnologie di comunicazione subacquea, l'efficienza energetica e l'uso crescente dell'intelligenza artificiale per l'ottimizzazione delle reti porteranno a una maggiore adozione globale. L'evoluzione delle tecnologie di sensori intelligenti e dei veicoli autonomi trasformerà il modo in cui monitoriamo e gestiamo gli oceani, con implicazioni significative per la protezione dell'ambiente marino e lo sfruttamento sostenibile delle risorse.

La combinazione di soluzioni tecniche avanzate e una maggiore collaborazione tra istituzioni accademiche e industrie potrebbe permettere all'IoUT di giocare un ruolo centrale nel monitoraggio e nella conservazione degli ecosistemi marini.

Bibliografia

• Busacca, F., Galluccio, L., Palazzo, S., Panebianco, A., Qi, Z., & Pompili, D. (2024). Adaptive versus predictive techniques in underwater acoustic communication networks. Computer Networks, 252, 110679. https://doi.org/10.1016/j.comnet.2024.110679
• Igbinenikaro, O. P., Adekoya, O. O., & Etukudoh, E. A. (2024). Emerging underwater survey technologies: a review and future outlook. Open Access Research Journal of Science and Technology, 10(02), (pp. 071-084). https://doi.org/10.53022/oarjst.2024.10.2.0052
• Busacca, F., Galluccio, L., Palazzo, S., Panebianco, A., & Scarvaglieri, A. (2024). Balancing Optimization for Underwater Network Cost Effectiveness (BOUNCE): a Multi-Armed Bandit Solution. In 2024 IEEE International Conference on Communications Workshops (ICC Workshops) (pp. 1340-1345). IEEE. https://doi.org/10.1109/ICCWorkshops59551.2024.10615825
• Rout, D. K., Kapoor, M., Subudhi, B. N., Thangaraj, V., Jakhetiya, V., & Bansal, A. (2024). Underwater visual surveillance: A comprehensive survey. Ocean Engineering, 309, 118367. https://doi.org/10.1016/j.oceaneng.2024.118367
• Igbinenikaro, O. P., Adekoya, O. O., & Etukudoh, E. A. (2024). Emerging underwater survey technologies: a review and future outlook. Open Access Research Journal of Science and Technology, 10(02), 071-084. https://doi.org/10.53022/oarjst.2024.10.2.0052
• Busacca, F., Galluccio, L., Palazzo, S., Panebianco, A., & Raftopoulos, R. (2024). Adaptive Modulation in Underwater Acoustic Networks (AMUSE): A Multi-Armed Bandit Approach. In ICC 2024-IEEE International Conference on Communications (pp. 2336-2341). IEEE. https://doi.org/10.1109/10.1109/ICC51166.2024.10623120
• Zhu, R., Boukerche, A., Long, L., & Yang, Q. (2024). Design Guidelines on Trust Management for Underwater Wireless Sensor Networks. IEEE Communications Surveys & Tutorials. https://doi.org/10.1109/COMST.2024.3389728
• Zhao, X., Qi, Z., & Pompili, D. (2024). Link adaptation in Underwater Wireless Optical Communications based on deep learning. Computer Networks, 242, 110233. https://doi.org/10.1016/j.comnet.2024.110233
• Busacca, F., Galluccio, L., Palazzo, S., & Panebianco, A. (2024). A comparative analysis of predictive channel models for real shallow water environments. Computer Networks, 110557. https://doi.org/10.1016/j.comnet.2024.110557
• Hsieh, Y. T., Qi, Z., & Pompili, D. (2023). Full-duplex underwater acoustic communications via self-interference cancellation in space. Journal of Communications and Networks, 25(2), (pp. 167-181). https://doi.org/10.23919/JCN.2022.000052
• Dong, E., Cao, P., Zhang, J., Zhang, S., Fang, N. X., & Zhang, Y. (2023). Underwater acoustic metamaterials. National Science Review, 10(6), nwac246. https://doi.org/10.1093/nsr/nwac246
• Mertens, J. S., Panebianco, A., Surudhi, A., Prabagarane, N., & Galluccio, L. (2023). Network intelligence vs. jamming in underwater networks: how learning can cope with misbehavior. Frontiers in Communications and Networks, 4, 1179626. https://doi.org/10.3389/frcmn.2023.1179626
• Campagnaro, F., Steinmetz, F., & Renner, B. C. (2023). Survey on low-cost underwater sensor networks: From niche applications to everyday use. Journal of marine science and engineering, 11(1), 125. https://doi.org/10.3390/jmse11010125
• Brincat, A. A., Busacca, F., Galluccio, L., Mertens, J. S., Musumeci, A., Palazzo, S., & Panebianco, A. (2022). An integrated acoustic/LoRa system for transmission of multimedia sensor data over an Internet of Underwater Things. Computer Communications, 192, (pp. 132-142). https://doi.org/10.1016/j.comcom.2022.05.032
• Petroccia, R., Pelekanakis, K., Alves, J., Fioravanti, S., Blouin, S., & Pecknold, S. (2018). An adaptive cross-layer routing protocol for underwater acoustic networks. In 2018 fourth underwater communications and networking conference (UComms) (pp. 1-5). IEEE. https://doi.org/10.1109/UComms.2018.8493225
• Heidemann, J., Stojanovic, M., & Zorzi, M. (2012). Underwater sensor networks: applications, advances and challenges. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 370(1958), (pp. 158-175). https://doi.org/10.1098/rsta.2011.0214
• Radosevic, A., Duman, T. M., Proakis, J. G., & Stojanovic, M. (2011). Channel prediction for adaptive modulation in underwater acoustic communications. In OCEANS 2011 IEEE-Spain (pp. 1-5). IEEE. https://doi.org/10.1109/Oceans-Spain.2011.6003438
• Tomasi, B., Toni, L., Casari, P., Rossi, L., & Zorzi, M. (2010). Performance study of variable-rate modulation for underwater communications based on experimental data. In OCEANS 2010 MTS/IEEE SEATTLE (pp. 1-8). IEEE. https://doi.org/10.1109/OCEANS.2010.5664467
• Domingo, M. C. (2008). Overview of channel models for underwater wireless communication networks. Physical Communication, 1(3), 163-182. https://doi.org/10.1016/j.phycom.2008.09.001
• Pompili, D., & Melodia, T. (2005). Three-dimensional routing in underwater acoustic sensor networks. In Proceedings of the 2nd ACM international workshop on Performance evaluation of wireless ad hoc, sensor, and ubiquitous networks (pp. 214-221). https://doi.org/10.1145/1089803.108998
• Akyildiz, I. F., Pompili, D., & Melodia, T. (2005). Underwater acoustic sensor networks: research challenges. Ad hoc networks, 3(3), (pp. 257-279). https://doi.org/10.1016/j.adhoc.2005.01.004
• Akyildiz, I. F., Pompili, D., & Melodia, T. (2004). Challenges for efficient communication in underwater acoustic sensor networks. ACM Sigbed Review, 1(2), (pp. 3-8). https://doi.org/10.1145/1121776.1121779
• Vuran, M. C., Akan, Ö. B., & Akyildiz, I. F. (2004). Spatio-temporal correlation: theory and applications for wireless sensor networks. Computer Networks, 45(3), (pp. 245-259). https://doi.org/10.1016/j.comnet.2004.03.007

Voci correlate

• IoT
• Rapporto segnale/rumore
• Reinforcement learning
• Jamming