IoT-based Low-Cost Time-Domain Reflectometry for Granular Soils: Sand-Specific Moisture Calibration and Machine-Learning Sand Identification

Il suolo non è solo terra; è un complesso miscuglio di particelle solide, acqua e aria, e l'equilibrio tra questi ingredienti determina come crescono le piante, come le fondamenta reggono e come l'acqua si muove attraverso il terreno. Per ingegneri e agricoltori, sapere esattamente quanta acqua è presente nel suolo è fondamentale, ma misurarla senza scavare nella terra è stato a lungo una sfida. Un metodo consolidato prevede l'invio di un impulso elettrico ad alta velocità attraverso il terreno e l'ascolto di come questo rimbalza indietro. Poiché l'acqua rallenta questo impulso più della sabbia o della roccia asciutte, il tempo impiegato dal segnale per tornare rivela il contenuto di umidità del suolo. Tuttavia, questa tecnica presenta un difetto significativo: le formule standard utilizzate per interpretare questi segnali sono state sviluppate per terreni fini, simili all'argilla. Quando applicate alla sabbia, che si comporta in modo molto diverso, queste formule universali spesso falliscono, portando a letture imprecise che possono causare l'irrigazione eccessiva dei sistemi o far sottostimare la stabilità del terreno nei progetti di costruzione.

Un team di ricercatori della Rajshahi University of Engineering and Technology in Bangladesh si è proposto di risolvere questo problema specificamente per i terreni sabbiosi. Hanno costruito un sistema di sensori a basso costo e connesso a Internet, capace di misurare non solo l'umidità, ma anche la temperatura e altre proprietà del suolo. Invece di affidarsi a una singola formula universale, hanno testato cinque diversi tipi di sabbia naturale, ciascuno con dimensioni dei grani e texture leggermente diverse. Raccogliendo migliaia di misurazioni in un ambiente di laboratorio controllato, hanno creato una relazione matematica unica per ogni specifico tipo di sabbia, collegando il segnale elettrico grezzo direttamente al peso effettivo dell'acqua nel suolo. Il loro lavoro ha dimostrato che, adattando lo strumento di misurazione al materiale specifico che sta testando, potevano prevedere i livelli di umidità con un'accuratezza del 96,5 percento, un miglioramento significativo rispetto ai metodi generici.

Oltre a misurare semplicemente l'acqua, i ricercatori hanno scoperto che i dati del sensore contenevano abbastanza informazioni nascoste da identificare il tipo di sabbia stesso. Hanno addestrato programmi informatici, noti come modelli di machine learning, per riconoscere l'impronta digitale unica di ogni campione di sabbia basandosi sulle letture di umidità e temperatura. Quando il sistema è stato testato su un campione ignoto, ha identificato correttamente il tipo di sabbia quasi il 90 percento delle volte. Questo è un passo avanti cruciale perché significa che un sensore potrebbe potenzialmente dire a un agricoltore o a un ingegnere non solo quanto è bagnato il terreno, ma anche di che tipo di terreno si tratti, senza la necessità di prelevare un campione fisico per portarlo in laboratorio.

Lo studio è iniziato raccogliendo cinque distinti campioni di sabbia dal campo. I ricercatori hanno analizzato attentamente le proprietà fisiche di ciascuno, misurando la dimensione dei grani e la loro distribuzione. Hanno scoperto che, sebbene tutti e cinque i campioni fossero classificati come sabbie scarsamente graduate — il che significa che erano per lo più uniformi nelle dimensioni — possedevano comunque sottili differenze nella loro struttura granulare. Per testare i sensori, hanno preparato centinaia di campioni di suolo, variando il contenuto d'acqua da molto secco a piuttosto umido. Per ogni singolo campione, hanno registrato il segnale elettrico grezzo dal sensore e l'hanno confrontato con il reale contenuto di umidità, determinato asciugando il suolo in un forno e pesandolo. Questo processo ha generato un enorme dataset di quasi 1.900 letture accoppiate, fornendo una base solida per la loro analisi.

Quando i ricercatori hanno tracciato le letture del sensore rispetto ai valori reali di umidità, è emerso un modello chiaro. Per ogni tipo di sabbia, la relazione tra il segnale e il contenuto d'acqua seguiva una linea retta, ma la pendenza di quella linea era diversa per ogni campione di sabbia. Un tipo di sabbia richiedeva un cambiamento molto maggiore del segnale per indicare un aumento dell'umidità, mentre un altro rispondeva in modo più netto. Questa scoperta ha dimostrato che una singola formula non può funzionare per tutte le sabbie. Quando hanno provato a usare un'unica equazione universale per tutti i cinque tipi, l'errore nelle loro previsioni era sensibilmente più alto. Tuttavia, quando hanno utilizzato un'equazione specifica per ogni tipo di sabbia, le previsioni sono diventate straordinariamente precise, con errori che scendevano a meno del tre percento nella maggior parte dei casi.

Il team ha poi portato questo approccio un passo oltre, chiedendosi se il sensore potesse identificare il tipo di sabbia senza alcuna conoscenza preventiva. Hanno inserito i dati di umidità e temperatura dai sensori in tre diversi algoritmi di machine learning. Questi programmi hanno imparato a distinguere i cinque tipi di sabbia riconoscendo i modelli in cui l'umidità e la temperatura cambiavano insieme. I risultati sono stati impressionanti: il sistema ha identificato correttamente il tipo di sabbia in quasi il 90 percento dei casi. Il computer è stato particolarmente bravo a distinguere le sabbie che avevano intervalli di temperatura distinti, ma occasionalmente ha confuso le tre sabbie che condividevano temperature calde simili. Ciò suggerisce che, sebbene l'attuale metodo sia altamente efficace, l'aggiunta di altri punti dati, come la conducibilità elettrica, potrebbe rendere l'identificazione ancora più affidabile.

Per garantire che le loro scoperte reggessero alla prova del mondo reale, i ricercatori hanno testato il dispositivo calibrato su campioni di suolo freschi prelevati dal campo. Hanno confrontato le letture di umidità del sensore con i risultati dei test standard di essiccazione in forno da laboratorio. Il dispositivo ha corrisposto ai valori di laboratorio con un'accuratezza media del 96,5 percento, confermando che le equazioni di calibrazione specifiche sviluppate in laboratorio funzionavano perfettamente nelle condizioni pratiche esterne. Inoltre, hanno dimostrato la piena potenza del loro sistema prendendo un campione di suolo ignoto, facendolo passare attraverso il processo di identificazione e determinando con successo il suo tipo. Una volta che il sistema ha identificato la sabbia, poteva fornire istantaneamente un profilo dettagliato delle sue proprietà ingegneristiche, come la dimensione dei grani e la densità, che sono essenziali per la pianificazione edilizia e agricola.

Questo lavoro colma il divario tra i semplici dati dei sensori e la complessa scienza del suolo. Allontanandosi dalle assunzioni generiche e abbracciando le caratteristiche specifiche di diversi materiali, i ricercatori hanno creato un modo più affidabile per monitorare il terreno. Il loro quadro integrato, che combina un sensore a basso costo con un'analisi intelligente dei dati, offre una soluzione scalabile per chiunque abbia bisogno di comprendere le condizioni del suolo in modo rapido e accurato. Sia per gestire l'irrigazione in agricoltura che per garantire la stabilità delle fondamenta di un edificio, la capacità di conoscere sia il livello di umidità che il tipo di suolo in tempo reale rappresenta un salto significativo nel modo in cui interagiamo con il terreno sotto i nostri piedi.