Distributed 纤维 Sensing
连续 observation across distance using the ultra-light fibre infrastructure.
主张
IDRCIN is not proposed to add more technology to Imbak Canyon. It uses a 纤维-首先 架构, adding selective point instruments only when a research requirement cannot be adequately met through fibre or remote observation.
研究 基础设施
为生机勃勃的热带雨林而设计
英巴克峡谷首先被视为一个保护与研究环境。技术始终从属于科学与生态优先事项。
运行原则
必要时由人工介入
在需要实物采样、生态判断或实地校验的地方，实地科学仍然至关重要。IDRCIN减少了不必要的人员到场；它不会取代研究人员。
“将仪器带到森林中，而无需常规性地将人员带到树冠之下。”
系统架构
该架构使光纤走廊保持主导地位，超轻量且可迁移。自主专业点感应层仅在科学论证确需物理探针的地点扩展研究能力。
Layer 1 · 纤维-首先 研究无人机测量 → ultra-light fibre corridor → Distributed 纤维 Sensing through DAS, DTS, DSS and applicable backbone functions → retrieval and relocation.
Layer 2 · Selective Point SensingSparse Autonomous LoRa 科学 Pods 测量 only research-defined properties that fibre cannot adequately provide, with local buffering and low-duty-cycle transmission.
Layer 3 · 研究 智能Observatory / HQ → deterministic QA/QC → Temporal 数字孪生 → NeuralOps when useful → validated analytics and authorised research access.
One Observatory, Two Complementary Sensing 模式
纤维 remains primary自主专用点式传感
稀疏的电池供电科学舱，每舱配有单一专业传感器，仅在需要物理探针的地方使用。
纤维 senses continuously across space. Autonomous pods 测量 specific properties at selected points.
科学 传感器研究-specific probe
Low-电源 控制Deep sleep and sampling
本地 Buffer连接性 loss is not data loss
Low-关税 LoRaEvent or summary payload
研究 平台健康, retrieval and redeployment
Zero 新谜题 Terrestrial Gateway 基础设施: no 新 gateway tower, repeater, mesh, communications hut or permanent intermediate wireless station inside the protected forest. An existing or approved receiver may be used where technically feasible and where link budget permits. 卫星 / NTN remains a candidate subject to canopy, terrain, link-budget, regulatory and field validation.
侦察无人机
3D 数字孪生
AI 路线
无人机部署
研究 Observatory
TM 云 / HQ
研究 智能
NeuralOps 分离式系统 validate distributed fibre streams and received or recovered pod records. 确定性 checks run first; AI reasoning is used only where it adds research value.
Raw 数据
保留原始测量数据，包括通过无线电或人工取回方式稍后接收的舱内本地缓冲记录。
已验证 数据
噪声、重复数据、时间戳问题、漂移和可疑数值均通过可审计规则加以标记。
预测
历史数据, received and delayed patterns can generate advisory projections with confidence, assumptions and time horizon shown.
原始数据是证据，清洗后的数据是运营数据，指标是经过解读的信息，预测则是建议性的。
Presence vs 影响
该系统并不声称零影响。它提出一个更艰难的问题：哪种方法能够在合理的最低总生态扰动下产生所需的科学价值？
Low
常规人工值守
常规的部署、巡检与回收均设计为无人机作业，同时在科学或安全需要时，仍可进行人工实地考察。
高
空间灵活性
传感器组可在六或十二个月后在各个研究区域之间轮换，从而在不于每个站点永久布设仪器的情况下扩大累计覆盖范围。
Can fibre provide it?Yes: use Distributed 纤维 Sensing. Do not add a pod merely because wireless sensing is possible.
If no, test the research need评估 scientific value, payload, battery, calibration, ecological presence and reliable retrieval.
Do-Not-部署 Principle若科学价值不足或仪器无法得到负责任的管理，则不应部署。
Wireless capability does not create permission to deploy. Every Autonomous LoRa 科学 Pod must justify its ecological presence through a defined scientific requirement.
ESG & 碳
IDRCIN如实地核算存在足迹、能源与碳排放——以实测为准，而非臆测。
IDRCIN vs 手动
减少常规存在
Drone-deployed, Retrievable / Relocatable 仪器仪表 can reduce repeated human access, while pod batteries, electronics and retrieval missions remain part of the measured footprint.
NeuralOps vs 全功能 AI
本地按需智能
验证通过NeuralOps分离式系统在本地运行；云端重型LLM仅少量使用，使能源与碳排放与实际需求相匹配。
碳 footprint is budgeted and disclosed including grid electricity (e.g. TNB) for research 系统, measured rather than assumed away.
运营碳减排的两个层面
IDRCIN旨在以下层面实现碳减排 物理研究层 通过减少重复的现场动员。NeuralOps 在以下层面实现碳减排： 数字智能层 通过减少不必要的 AI 处理。
“减少森林中不必要的移动。减少 AI 中不必要的计算。”
物理研究层
IDRCIN与传统/人工监测对比
初步情景估算
手动 监控
12 campaigns2 × 4×4
7,200 km × 0.256 = 1,843.2 kg
0
吨 CO₂e / 年
VS
IDRCIN
6 inspections1 × 4×4
无人机充电 · 180千瓦时/年
460.8 + 97.0 = 557.8 kg
0
吨 CO₂e / 年
≈ 70% LOWER运营现场排放
本对比侧重于运营阶段的现场排放，主要是地面运输和无人机用电。尚未包含制造车辆、无人机、传感器、光纤、电池或基础设施所产生的完整全生命周期隐含碳排放。项目实际数值日后应以实测的车辆行驶公里数、燃油升数、无人机电池充电千瓦时、现场任务次数和回收任务次数替换。
数字智能层
NeuralOps与全AI处理对比
工作量对比
全功能 AI
大型 AI 工作量32B 令牌
VS
NeuralOps
路由后 / 分离过滤后2.5B 令牌
≈ 92.2% LESS可变 AI 工作量
全系统能源模型：30%固定基础设施 + 70%可变部分。NeuralOps = 30% + (70% × 2.5/32) = 35.47%。
≈ 64.5% LOWER估算的全系统计算足迹
示例说明 基于现有的年度全AI基线360千克CO₂e当量：全AI ≈ 360千克；NeuralOps ≈ 128千克；估计减少排放 ≈ 232千克CO₂e当量/年。此数据未经外部审计。
IDRCIN减少了重复的物理动员。
NeuralOps 减少不必要的 AI 计算。
NeuralOps 减少不必要的 AI 计算。
以更少的运营开销获得更多科学智能——在森林边缘和计算层都实现高效。
从估算 → 实测
物理层
- 车辆公里数
- 燃料消耗
- 无人机电池千瓦时
- 任务数量
- 人工现场工时
数字层
- 总令牌数
- 模型调用
- server electricity
- 云端工作负载 · 存储 · 网络
未来 KPI
千克 CO₂e / 研究点千克 CO₂e / 监测月千克 CO₂e / GB 验证数据千克 CO₂e / 研究成果
目标：在 POC / 试点期间用实测运营 ESG 数据取代初步情景估算。
Balanced SWOT
每项优势都配有相应的局限性和应对策略。稳健性来自分层设计，而非对完美的宣称。
优势
- 无人机优先，低常规人工进入
- 纤维-first distributed sensing with selective point measurements
- 通信中断期间进行舱内本地缓冲
- 可回收和可重复使用的研究层
- 分区智能和分层存储
- 时间数字孪生与预测
- IDRCIN 研究观测站
劣势
- 研发集成复杂度高
- 树冠测绘仍不完善
- 纤维, pod enclosure and retrieval behaviour require field proof
- 电池生命周期、校准与射频不确定性
- 无人机续航限制
- 预测准确性需要历史数据验证
机会
- 雨林微气候和生物多样性研究
- 水文和气候韧性研究
- 面向多机构的“研究即平台”模式
- 沙巴长期环境智能
- 复制到其他保护景观
Threats
- 极端天气与野生动物互动
- 监管 limitations
- 冠层 attenuation, terrain shadowing and cyber risk
- 科技 obsolescence
- 超出生态合理性的扩展
探索 60 research programmes in the IDRCIN 研究观测站.
关键风险与应对
关键风险已纳入运营模型设计之中，而非在方案中予以回避。
光纤缠绕树枝移动、磨损或缠绕。树冠自适应布线、受控松弛、可回收性评分和张力控制回收。
鸟类/野生动物互动碰撞、好奇、拉扯或啃咬。在大规模部署前，筛选高可见度光纤候选点，并进行现场观察和生态验证。
自动清洗错误有效极端数据可能被误分类。原始数据予以保留；可疑值被标记而非静默删除。
预测 error预测可能出现错误。预测仍仅为参考性建议，并公开显示置信度、假设及佐证证据。
Pod power / enclosure电池耗尽、湿气侵入、腐蚀或传感器漂移。低占空比运行、电池健康遥测、环境测试、校准和计划性取回。
连接故障冠层 attenuation, terrain shadowing, receiver, 互联网 or cloud interruption.先进行舱内本地缓冲，待连通或物理取回后，再进入观测站存储与同步。
推荐 试点
IMBAK recommends a small Phase-2 Autonomous LoRa 科学 Pod pilot before any scale decision. Pods remain a separate scientific instrument pool until asset-level reconciliation is completed.
联合研讨会
Recon 基线
路线 审核
小 Pod 试点
观察 & 验证
回收与复盘
工程 KPI
射频可行性、电池消耗、外壳生存能力、本地数据保留和取回性能。
科学 KPI
传感器 accuracy, calibration stability, data completeness, 可追溯性 and unique value beyond fibre.
生态 KPI
物理足迹, wildlife interaction, maintenance interventions and complete post-pilot recovery.
试点决策关卡： GO / MODIFY / STOP. 分配 or reallocation must remain 在 locked RM2.0M Phase-2 budget envelope after BOM and field validation; no LoRa hardware price is assumed here.
每单位生态存在获得更多知识。
IDRCIN旨在帮助沙巴基金会及研究合作伙伴更连续、更立体、更智能地了解英巴克峡谷，同时在一切可行之处减少不必要的人为干预。
英巴克峡谷保护区 · 沙巴
持续、空间分布的科学知识，树冠下物理存在最小化。
