Ul z własnym dziennikiem pogody

WaggleNet zbudował sześcioosobowy zespół z trzech uczelni w Korei Południowej (Kyonggi, Hallym i Jeonbuk) oraz z amerykańskiego Purdue University. Projekt powstał latem 2025 roku na Purdue, w ramach finansowanego przez rząd Korei programu Korean AI Square, a jego opis ukazał się 8 grudnia 2025 r. w serwisie arXiv. Pracę podpisali m.in. Minju Jeon, Sewon Kim i Anthony H. Smith. Niewielkie urządzenia mierzą temperaturę i wilgotność wewnątrz uli oraz w ich otoczeniu, a czujnik światła pomaga obserwować zmiany oświetlenia. Odczyty trafiają do aplikacji w telefonie, gdzie można obejrzeć ich historię i otrzymać ostrzeżenie po przekroczeniu ustalonego progu.

Najważniejszy jest pomysł zestawienia dwóch perspektyw. Sam wzrost temperatury w ulu mówi mniej niż ten sam odczyt pokazany obok temperatury na zewnątrz. Podobnie jest z wilgotnością: zamiast pojedynczej liczby pszczelarz dostaje przebieg zmian i punkt odniesienia. Światło uzupełnia ten obraz o informację, czy czujnik znajduje się w cieniu, czy właśnie dosięgło go słońce. Autorzy opisują osiem sytuacji, w których temperatura w ulu spadła o 2–3 °C razem z deszczem albo zachmurzeniem. Bez czujnika na zewnątrz takie spadki wyglądałyby jak kłopot z czerwiem.

Od czujnika do telefonu

Węzeł pomiarowy to płytka Heltec WiFi LoRa 32 V3 z mikrokontrolerem ESP32-S3 i radiem LoRa. LoRa to technika radiowa, która przesyła małe porcje danych na duże odległości przy niewielkim poborze prądu (więcej w tekście o modulacji LoRa). Do płytki podłączono czujnik temperatury i wilgotności DHT22, fotorezystor reagujący na światło, odbiornik GPS NEO-6M, dzięki któremu aplikacja pokazuje położenie węzłów na mapie, oraz akumulator litowo-polimerowy 1100 mAh. Części jednego węzła kosztują według autorów około 25–30 dolarów. Komercyjne systemy, z którymi porównano prototyp, kosztują 200–500 dolarów na ul.

Co trzy minuty węzeł wysyła wyniki drogą radiową do wspólnej bramy, czyli urządzenia, które odbiera radio i przekazuje dane dalej. Bramą jest tu taka sama płytka Heltec, zasilana stale przez USB albo z zasilacza. Przesyła ona odczyty przez Wi-Fi do serwera, korzystając z MQTT – sposobu wymiany krótkich komunikatów, popularnego także w automatyce domowej. Serwer zapisuje historię, a aplikacja pokazuje wykresy i powiadomienia. Droga odczytu wygląda więc tak: czujnik przy ulu → LoRa → brama → internet → aplikacja. Od pomiaru do wyświetlenia w telefonie mijało średnio 3,8 s.

Przy każdym ulu nie trzeba zapewniać zasięgu Wi-Fi, ale połączenia z internetem potrzebuje brama. To własny system pomiarowy wykorzystujący LoRa. Autorzy nie korzystają z LoRaWAN, popularnego standardu sieci czujników LoRa, i nie opisują sieci MeshCore ani Meshtastic.

Zasięg i czas pracy na akumulatorze

W teście zasięgu jeden węzeł oddalano od bramy co 10 m. Między budynkami kampusu łączność była stabilna (docierało co najmniej 90% pakietów) do 110 m, a powyżej 140 m zanikała. Na otwartym polu przy pasiece wszystkie pakiety docierały ze 150 m. Ścianki ula z sosnowych desek osłabiały sygnał o 6–10 dB, ale nie przerywały łączności. Przy większej liczbie węzłów rośnie ryzyko, że dwa nadadzą jednocześnie: autorzy szacują je na około 1% na węzeł, czyli około 20% przy 20 węzłach na jedną bramę.

Słabszym punktem jest zasilanie. Między pomiarami węzeł przechodzi tylko w płytki sen, a GPS i radio pozostają włączone, więc średnio pobiera około 21 mA. Z akumulatora 1100 mAh daje to według obliczeń autorów około 52 godzin, czyli nieco ponad dwa dni zamiast zakładanych siedmiu. Dłuższą pracę mają zapewnić głęboki sen (szacunkowo 9–12 dni), większy akumulator albo panel słoneczny. Tych wariantów w pracy jeszcze nie zmierzono.

W Polsce inne pasmo

Badanie prowadzono w USA, w paśmie 915 MHz, z mocą nadajnika 14 dBm i anteną o zysku 3 dBi. Amerykańskie ustawienie 915 MHz jest w Polsce i UE niedozwolone. W Polsce można zastosować wariant pracujący w paśmie 868 MHz, gdzie zwykle obowiązuje 25 mW e.r.p. (moc liczona z zyskiem anteny) przy 0,1–1% czasu nadawania, a w podpaśmie 869,4–869,65 MHz 500 mW e.r.p. przy 10%. Autorzy przyjmują w obliczeniach około 1,8 s na pakiet, co przy wysyłce co trzy minuty daje 1% czasu nadawania. W innym miejscu podają jednak 200–400 ms, więc dane wymagają wyjaśnienia. Przed doborem odstępu między wysyłkami trzeba ustalić rzeczywisty czas nadawania, uwzględniając ustawienia radia, długość pakietu i jego ewentualne powtórzenia.

Fałszywy alarm z nasłonecznionego czujnika

Autorzy przytaczają zdarzenie dobrze pokazujące, dlaczego same liczby wymagają interpretacji. Gdy chmury odsłoniły słońce, odczyt z zewnętrznego czujnika wzrósł z 26,5 do 38,2 °C. System zgłosił alarm, a pszczelarz przeniósł czujnik w cień. Przyczyną skoku było bezpośrednie nasłonecznienie czujnika. Ostrzeżenie nie oznaczało problemu wewnątrz ula.

WaggleNet porównuje wartości z progami. W ulu za normę uznaje 32–36 °C i wilgotność 50–70%, a alarm podnosi dopiero po dwóch kolejnych odczytach poza zakresem, czyli po sześciu minutach. Nie rozpoznaje na tej podstawie chorób pszczół ani nie zastępuje oględzin rodziny. Powiadomienie jest sygnałem, żeby sprawdzić sytuację na miejscu.

Co sprawdzono w pasiece

W opisanej godzinnej próbie terenowej w pasiece w stanie Indiana cztery węzły pracowały przy dwóch ulach, po dwa wewnątrz i na zewnątrz. Brama stała około 30 m dalej i odebrała wszystkie 80 wysłanych pakietów. W ulach było średnio 33,2 °C, na zewnątrz 25,8 °C. To udana próba konkretnego ustawienia, która nie gwarantuje łączności w każdej pasiece. Dokument jest preprintem, czyli wstępną publikacją naukową; sam zapis w arXiv nie potwierdza recenzji naukowej.

Według autorów system działał przez dwa miesiące (lipiec i sierpień 2025 r.) i był dostępny przez ponad 95% czasu. Przerwy wynikały z restartów routera Wi-Fi przy bramie (trzy razy po 2–4 godziny), prac na serwerze i rozładowania akumulatorów w dwóch węzłach. Autorzy zaznaczają, że dwa miesiące i kilka węzłów to za mało, by ocenić niezawodność w dłuższym okresie i w dużych pasiekach. W planach mają wagę ula, mikrofon do wykrywania rojenia, czujnik dwutlenku węgla i całoroczne pomiary w kilku pasiekach. Chcą też dodać modele uczenia maszynowego, czyli programy, które uczą się na zebranych danych i mogłyby z wyprzedzeniem wskazać np. rojenie. Do tego potrzebne są jednak dane z kilku sezonów.

Artykuł powstał na podstawie preprintu „WaggleNet: A LoRa and MQTT-Based Monitoring System for Internal and External Beehive Conditions” i strony projektu prowadzonej przez jednego ze współautorów, Sewona Kima.