Wykorzystanie taboru kolejowego jako nośnika sensorów w zakresie monitoringu środowiska naturalnego

pol Artykuł w języku polskim DOI: 10.14313/PAR_232/45

wyślij Jan Kotlarz*, Maciej Szypulski**, Katarzyna Kubiak***, Jarosław Siwiński**** * PKP Informatyka sp. z o. o., Al. Jerozolimskie 142A, 02-305 Warszawa ** Politechnika Lubelska, Wydział Elektrotechniki i Informatyki *** Sieć Badawcza ŁUKASIEWICZ – Instytut Lotnictwa, Zakład Teledetekcji **** Wojskowa Akademia Techniczna, Wydział Inżynierii Lądowej i Geodezji

Pobierz Artykuł

Streszczenie

Rozwój rynku IoT w Polsce może stać się czynnikiem upowszechniającym monitoring środowiska naturalnego i zwiększającym automatyzację tego działania. Pomiary wykonywane obecnie albo z użyciem zobrazowań niskorozdzielczych (dane satelitarne), albo punktowych (in situ) są obarczone błędami wynikającymi ze zbyt małej szczegółowości danych lub niskich rozdzielczości czasowych. Często kampanie pomiarowe są czasochłonne i generują wysokie koszty. Od wielu lat, zarówno w Europie, jak i w Ameryce Północnej, prowadzone są badania mające na celu umożliwienie użycia sensorów umiejscowionych na kolejowych platformach mobilnych (lokomotywy, wagony) w monitoringu środowiskowym. W publikacji przedstawiamy możliwość implementacji sensorów akustycznych, obrazowych oraz skaningu laserowego. Przedstawiamy przykłady zastosowań oraz odpowiadamy na pytanie o możliwość ich implementacji w Polsce.

Słowa kluczowe

edge device, IoT, LoRaWAN, monitoring środowiska, transport kolejowy

The Use of Rolling Stock as a Carrier of Sensors in the Field of Environmental Monitoring

Abstract

The development of the IoT market in Poland may become a factor that propagates the monitoring of the natural environment and increases the automation of it. Measurements performed currently either using low-resolution images (satellite data) or locally (in situ) are burdened with errors due to insufficient data detail or low time resolutions. Often, measurement campaigns are timeconsuming and generate high costs. For many years, both in Europe and North America, research has been carried out to enable the use of sensors located on railway mobile platforms (locomotives, carriages) in environmental monitoring. The publication presents the possibility of implementing acoustic and image sensors as well as laser scanning. We present examples of applications and answer the question about the possibility of their implementation in Poland.

Keywords

edge device, environmental monitoring, IoT, LoRaWAN, railway transport

Bibliografia

  1. Kennedy R., Remote sensing change detection tools for natural resource managers: Understanding concepts and tradeoffs in the design of landscape monitoring projects, “Remote Sensing of Environment”, Vol. 113, No. 7, 2009, 1382–1396, DOI: 10.1016/j.rse.2008.07.018.
  2. Kotlarz J., Kacprzak M., Algorytm automatycznego oszacowania zróżnicowania gatunkowego drzewostanu z wykorzystaniem zdjęć RGB koron drzew, „Pomiary Automatyka Robotyka”, R. 23, Nr 1, 2017, 63–70, DOI: 10.14313/PAR_223/63.
  3. Kotlarz J., Kubiak K., Kacprzak M., Czapski P., Estimation of tree species diversity of forest stands based on their spectral reflectance, “Sylwan”, Tom 160, Nr 12, 2016, 1036–1045, DOI: 10.26202/sylwan.2016005.
  4. Fristrup K.M., Mennitt D., Bioacoustical monitoring in terrestrial environments, “Acoustics Today”, Vol. 8, No. 3, 2012, 16–24.
  5. Gardner J., Bartlett P.N., A brief history of electronic noses, “Sensors and Actuators B: Chemical”, Vol. 18, No. 1, 1994, 210–2011, DOI: 10.1016/0925-4005(94)87085-3.
  6. Seto K.C., Woodcock C.E., Song C., Huang X., Lu J., Kaufmann R.K., Monitoring land-use change in the Pearl River Delta using Landsat TM, “International Journal of Remote Sensing”, Vol. 23, No. 10, 2002, 1985–2004, DOI: 10.1080/01431160110075532.
  7. Kamiński Ł., Kulawiak M., Ciżmowski W., Chybicki A., Stępnowski A., Orłowski A., Web-based GIS dedicated for marine environment surveillance and monitoring, “OCEANS 2009-EUROPE”, 2009, 1–7, DOI: 10.1109/OCEANSE.2009.5278151.
  8. Webb W.L., Christensen W., Inter-Range Instrumentation Group Participation in the Meteorological Rocket Network, “Bulletin of the American Meteorological Society”, Vol. 43, Grudzień 1962, 640–649, DOI: 10.1175/1520-0477-43.12.640.
  9. Kerr J.B., McElroy C.T., Measurement of stratospheric nitrogen dioxide from the AES stratospheric balloon program, “Atmosphere”, Vol. 14, No. 3, 1976, 166–171, DOI: 10.1080/00046973.1976.9648412.
  10. Skarlatos D., Marinos V., Vegetation removal from UAV derived DSMS, using combination of RGB and NIR imagery, Proc. SPIE 10773, Sixth International Conference on Remote Sensing and Geoinformation of the Environment (RSCy2018), 2018, 255–262, DOI: 10.5194/isprs-annals-IV-2-255-2018.
  11. Parham J., Crall J., Stewart C., Berger-Wolf T., Rubenstein D., Animal Population Censusing at Scale with Citizen Science and Photographic Identification, [in:] AAAI 2017 Spring Symposium on AI for Social Good (AISOC), 2017.
  12. Yuan C., Zhang Y., Liu Z., A survey on technologies for automatic forest fire monitoring, detection, and fighting using unmanned aerial vehicles and remote sensing techniques, “Canadian Journal of Forest Research”, Vol. 45, No. 7, 2015, 783–792, DOI: 10.1139/cjfr-2014-0347.
  13. Coen D., Héritier A., Refining regulatory regimes: utilities in Europe, Edward Elgar Publishing, 2005.
  14. Filograno M.L., Real-Time Monitoring of Railway Traffic Using Fiber Bragg Grating Sensors, [in:] 2010 Joint Rail Conference, 2010.
  15. Sala D., Motylewski J., Kołakowski P., Wireless transmission system for a railway bridge subject to structural health monitoring, “Diagnostyka”, Nr 2(50), 2009, 69–72.
  16. Faxun M., Ruije X., Nan X., Analysis of railway subgrade frost heave deformation based on GPS, “Geodesy and Geodynamics”, Vol. 7, No. 2, 2016, 143–147, DOI: 10.1016/j.geog.2016.04.001.
  17. Albrecht T., Luddecke K., Zimmermann J., A precise and reliable train positioning system and its use for automation of train operation, [w:] 2013 IEEE International Conference on Intelligent Rail Transportation (ICIRT), IEEE, 2013, DOI: 10.1109/ICIRT.2013.6696282.
  18. Guerra Sierra A., HADA – Automatic Tool for environmental diagnosis, 2005. [Online]. Available: http://ec.europa.eu/environment/life/project/Projects/index.cfm?fuseaction=search.dspPage&n_proj_id=2105.
  19. Vallaro P., RAVE – The Green Ray of Novara, 2005. [Online]. Available: http://ec.europa.eu/environment/life/project/Projects/index.cfm?fuseaction=home.create-Page&s_ref=LIFE02%20ENV/IT/000106.
  20. Kotlarz J., Kubiak K., Spiralski M., Monitoring effects of drought on nitrogen and phosphorus in temperate oak forests using machine learning techniques, “Preprints”, 2018, DOI: 10.20944/preprints201810.0191.v1.
  21. Microsoft, Microsoft Azure IoT Reference Architecture Version 2.1, 26. 9. 2018. [Online]. Available: https://azure.microsoft.com/pl-pl/services/iot-edge/.
  22. Manson R., Towards an acoustic environmental observatory, [w:] IEEE Fourth International Conference on eScience’08, 2008, DOI: 10.1109/eScience.2008.16.
  23. Skibicki J., Wizyjne metody pomiarowe w diagnostyce górnej sieci trakcyjnej (1–226). Wydawnictwo Politechniki Gdańskiej, 2018.
  24. Zhu L., Hyppa J., The use of airborne and mobile laser scanning for modeling railway environments in 3D, “Remote Sensing”, Vol. 6, No. 4, 2014, 3075–3100, DOI: 10.3390/rs6043075.
  25. Kotlarz J., Nasiłowska S., Rotchimmel K., Kubiak K., Kacprzak M., Species Diversity of Oak Stands and Its Significance for Drought Resistance, “Forests”, Vol. 9, No. 9, 2018, DOI: 10.3390/f9030126.
  26. Kaartinen H., Hyyppa J., Yu X., Vastaranta M., Hyyppa H., Kukko A., Holopainen M., An international comparison of individual tree detection and extraction using airborne laser scanning, Remote Sensing, Vol. 4, No. 4, 2012, 950–974, DOI: 10.3390/rs4040950.
  27. Sriwardene A.S., Viraj M.A., Muthugala J., Buddhika A.G., Jayasekara P., Vision based smart driver assisting system for locomotives, [w:] 2016 IEEE International Conference on Information and Automation for Sustainability (ICIAfS), 2016, DOI: 10.1109/ICIAFS.2016.7946551.
  28. Otha M., Level crossings obstacle detection system using stereo cameras, “Quarterly Report of RTRI”, Vol. 46, No. 2, 2005, 110–117, 10.2219/rtriqr.46.110.
  29. Popp J.N., Boyle S.P., Railway ecology: Underrepresented in science?, “Basic and Applied Ecology”, Vol. 19, 2017, 84–93, DOI: 10.1016/j.baae.2016.11.006.
  30. Mateo-Sánchez M.C., Cushman S.A., Saura S., Connecting endangered brown bear subpopulations in the Cantabrian Range (north-western Spain), “Animal Conservation”, Vol. 17, No. 5, 2014, 430–440, DOI: 10.1111/acv.12109.
  31. Ito T.Y., Lhagvasuren B., Tsunekawa A., Shinoda M., Takatsuki S., Buuveibaatar B., Chimeddorj B., Fragmentation of the habitat of wild ungulates by anthropogenic barriers in Mongolia, “PLoS One”, Vol. 2, No. 1–13, 2013, 1–8, DOI: 10.1371/journal.pone.0056995.
  32. Olkowska E., Szymankiewicz K., Sękiewicz M., Ekspertyza dotycząca wpływu linii kolejowych na zwierzęta oraz szlaki migracji dla projektów inwestycyjnych z perspektywy 2014–2020, Część nr 1 Ssaki, z wyjątkiem nietoperzy, ETAP III, PKP PLK S.A., Warszawa 2015.
  33. Stolarski M., Żyłkowska J., Aktywne metody ochrony zwierząt na liniach kolejowych, „TTS Technika Transportu Szynowego”, R. 14, Nr 25–26, 2008, 62–65.
  34. Mockel S., Scherer F., Multi-sensor obstacle detection on railway tracks, Proceedings of IEEE IV 2003 Intelligent Vehicles Symposium, 2003, DOI: 10.1109/IVS.2003.1212880.
  35. Pfeffer S.E. et al., Pictures or pellets? Comparing camera trapping and dung counts as methods for estimating population densities of ungulates, “Remote Sensing in Ecology and Conservation”, Vol. 4, No. 2, 2018, 173–183, DOI: 10.1002/rse2.67.
  36. Olaszek P., Investigation of the dynamic characteristic of bridge structures using a computer vision method, “Measurement”, Vol. 25, No. 3, 1999, 227–236, DOI: 10.1016/S0263-2241(99)00006-8.
  37. Acikgoz S., DeJong M.J., Soga K., Sensing dynamic displacements in masonry rail bridges using 2D digital image correlation, “Structural Control and Health Monitoring”, Vol. 25, No. 8, 2018, DOI: 10.1002/stc.2187.
  38. Crabtree Gärdin D., Jimenez A., Optical methods for 3D-reconstruction of railway bridges: Infrared scanning, Close range photogrammetry and Terrestrial laser scanning, “Structural and Fire Engineering”, 2018. [Online]. Available: http://www.diva-portal.org/smash/record.jsf?pid=diva2%3A1184613&dswid=2346.
  39. Backs J., Nychka J., Clair C., Warning systems triggered by trains could reduce collisions with wildlife, “Ecological Engineering”, Vol. 106, Part A, 2017, 563–569, DOI: 10.1016/j.ecoleng.2017.06.024.
  40. Ustawa z dnia 7 lipca 1994 r. – Prawo budowlane..
  41. Warunki techniczne dla kolejowych obiektów inżynieryjnych Id-2 (D2). Warszawa 2005.
  42. Instrukcja o utrzymaniu kolejowych obiektów inżynieryjnych Id-16 (D83). Warszawa 2005.