Publicación del proyecto · IEEE Open Journal of the Computer Society
Resumen
El artículo aplica aprendizaje automático a la ubicación de gateways en redes LoRa para reducir la huella de carbono del despliegue.
Indicadores bibliométricos
- Área JCR
- Computer Science, Theory & Methods
- Año JCR
- 2025
- Consulta Scholar
- 26 octubre 2026
Contribución principal
La propuesta combina modelos de predicción y optimización para estimar el impacto ambiental de diferentes configuraciones de red. Así permite decidir dónde colocar infraestructura considerando cobertura, rendimiento y emisiones.
Resultados y alcance
Los modelos de aprendizaje aproximan las soluciones de optimización exacta con un tiempo de cálculo muy inferior y conservan gran parte de la reducción de huella de carbono. El rendimiento depende de la representación espacial y de que los escenarios de entrenamiento cubran las densidades y condiciones del despliegue objetivo.
Relación con BoND1
Esta publicación refuerza el objetivo de BoND1 de diseñar IoT no celular con criterios de eficiencia y sostenibilidad. El uso de aprendizaje automático permite explorar configuraciones complejas sin depender únicamente de campañas exhaustivas de medida.
Project publication IEEE Open Journal of the Computer Society
Summary
The article applies machine learning to the placement of gateways in LoRa networks to reduce the carbon footprint of deployment.
Main contribution
The proposal combines prediction and optimization models to estimate the environmental impact of different network configurations. This allows you to decide where to place infrastructure considering coverage, performance and emissions.
Results and scope
Learning models approximate exact optimization solutions with much less calculation time and retain much of the carbon footprint reduction. Performance depends on spatial representation and whether training scenarios cover target deployment densities and conditions.
Link with BoND1
This publication reinforces BoND1’s goal of designing non-cellular IoT with efficiency and sustainability criteria. Using machine learning allows you to explore complex configurations without relying solely on extensive measurement campaigns.