Så gjorde vi snöövervakning smartare med IoT

ENERGI

I takt med att klimatet förändras snabbt blir det allt viktigare att ha koll på snöförhållanden och lavinrisker. I utsatta vintermiljöer är utmaningarna stora – från att skydda kritisk infrastruktur till att rädda liv. För att möta behovet av snabba och tillförlitliga mätdata deltog Knowit i Zygizo One – ett IoT-projekt för att mäta snödjup, förutsäga laviner och bedöma översvämningsrisker i realtid.

UTMANING

Automatisera snöövervakning i extrema miljöer

Områden med mycket snö – som bergspass, skidorter eller städer – kräver automatiserad datainsamling för att risker ska kunna hanteras i tid. Traditionella metoder bygger ofta på manuell mätning, vilket både är tidskrävande och bristfälligt. Det fanns därför ett tydligt behov av ett automatiserat system som kunde:

Mäta snöförhållanden i realtid via olika sensorer
Analysera data lokalt och förutse laviner med AI
Övervaka belastning på exempelvis broar, byggnader och elledningar
Fungerar stabilt i hårt väder, med låg energiförbrukning och hög driftsäkerhet

LÖSNING

Firmware utveckling och smart kommunikation i snölandskap

Knowit deltog i utvecklingen av Zygizo One – en IoT-baserad lösning för intelligent snöövervakning och riskbedömning i tuffa miljöer. Vårt team ansvarade för både mjukvaru- och hårdvarukomponenter, med särskilt fokus på att skapa ett system som är tillförlitligt, energieffektivt och skalbart.

För att möjliggöra noggrann och kontinuerlig datainsamling utvecklade vi firmware som integrerade flera typer av miljösensorer, inklusive temperatur- och fuktsensorer, snödjup- och täthetssensorer samt vind- och vibrationssensorer. Det gav systemet förmåga att samla in data effektivt även i avlägsna och väderutsatta områden – utan att kompromissa med energiförbrukning eller driftstid.

Kommunikationslösningen byggdes för att fungera i områden med begränsad uppkoppling. Därför integrerade vi strömsnåla tekniker som LTE-M och GNSS för fjärrövervakning i realtid, samt maskin-till-maskin-kommunikation (M2M) för att sensorerna skulle kunna dela data autonomt. Med edge computing kunde systemet dessutom analysera data lokalt och fatta snabba beslut – utan att vara beroende av konstant molnanslutning.

Tillsammans med våra hårdvarupartners säkerställde vi att firmwaren fungerade sömlöst med mikrokontrollerenheter (MCUs) och använde gränssnitt som SPI, I2C och UART för att kommunicera med sensorerna. Genom avancerad testning med verktyg som logikanalysatorer och oscilloskop finjusterade vi systemets prestanda och pålitlighet, vilket gjorde Zygizo One till en robust plattform för snöövervakning i extremt krävande miljöer.

RESULTAT

Datadriven vinterberedskap med AI och IoT

Zygizo One blev en energieffektiv och skalbar lösning för snöövervakning – utvecklad för att klara tuffa miljöer och höga krav. Tack vare de tekniska bidragen får användare nu tillgång till tillförlitliga realtidsdata, även från svårtillgängliga områden. Systemet möjliggör AI-baserad analys av snöförhållanden lokalt, vilket gör det möjligt att förutse lavinrisker utan att vara beroende av ständig molnuppkoppling.

Detta minskar behovet av manuell mätning och höjer säkerheten för både människor och kritisk infrastruktur. Med bevisad stabilitet i extrema väderförhållanden och låg energiförbrukning är Zygizo One ett viktigt verktyg för en hållbar och smart vinterberedskap.

Jakub Kucz, Business Unit Director

Knowit.

Så bidrar lösningen till Agenda 2030

Mål 9: Hållbar industri, innovationer och infrastruktur. Zygizo One är ett exempel på hur IoT- och edge-teknik kan användas för att bygga motståndskraftig infrastruktur i tuffa och klimatutsatta miljöer. Systemet är skalbart, energieffektivt och byggt för lång livslängd – en hållbar teknikinvestering.

Mål 11: Hållbara städer och samhällen. Genom att möjliggöra tidig varning vid lavinrisker och övervaka belastning på infrastruktur som broar och elnät, stärker Zygizo One tryggheten för både människor och samhällsfunktioner i utsatta områden.

Mål 13: Bekämpa klimatförändringarna. Systemet underlättar klimatanpassning genom att ge tillgång till realtidsdata för beslut om riskhantering. Den lokala AI-bearbetningen minskar dessutom beroendet av energikrävande molntjänster, vilket bidrar till lägre klimatpåverkan.