Publicación del proyecto · Future Internet
Resumen
El artículo explica qué información necesita un modelo de inteligencia artificial para situar pasarelas reduciendo la huella de carbono del ciclo de vida de redes LoRa multisalto.
Indicadores bibliométricos
- Área JCR
- Computer Science, Information Systems
- Año JCR
- 2025
- Consulta Scholar
- 26 octubre 2026
Contribución principal
El estudio reentrena un perceptrón multicapa con varias codificaciones de entrada y combina explicaciones SHAP, ablación y análisis de sensibilidad. La estimación de huella de carbono actúa como señal global principal, mientras que las coordenadas de los dispositivos y los resúmenes espaciales capturan conjuntamente la geometría local y las oportunidades de retransmisión.
Resultados y alcance
El análisis muestra que un modelo neuronal convencional puede aprender una invariancia útil ante el orden arbitrario de los dispositivos. También aclara que los pesos de tráfico contribuyen sobre todo de forma agregada y ofrece criterios para una planificación IoT interpretable, escalable y ambientalmente responsable.
Relación con BoND1
El trabajo aborda directamente los objetivos de escalabilidad y sostenibilidad de BoND1. Aplica inteligencia artificial explicable a una red LoRa multisalto no celular para que el emplazamiento de infraestructura tenga en cuenta las emisiones del ciclo de vida y no optimice de forma aislada la conectividad o la energía.
Project publication · Future Internet
Summary
The article explains which information an artificial-intelligence model needs to place gateways while reducing the life-cycle carbon footprint of multi-hop LoRa networks.
Main contribution
The study retrains a multilayer perceptron with several input encodings and combines SHAP explanations, ablation and sensitivity analysis. The carbon-footprint estimate acts as the main global guidance signal, while raw device coordinates and spatial summaries jointly capture local geometry and relay opportunities.
Results and scope
The analysis shows that a conventional neural model can learn useful permutation invariance from unordered device positions. It also clarifies that traffic weights mostly contribute through aggregate effects and provides design guidance for interpretable, scalable and environmentally aware IoT planning.
Link with BoND1
The work directly addresses BoND1’s scalability and sustainability goals. It applies explainable AI to a non-cellular LoRa multi-hop network so that infrastructure placement accounts for life-cycle emissions rather than optimizing connectivity or energy in isolation.