Introducción:La cartografía climática está siendo ampliamente utilizada en estudios ambientales de conservación, de la biodiversidad y el cambio climático. Pero los métodos convencionales basados en estaciones meteorológicas sólo son capaces de generar cartografía de baja resolución, habitualmente del orden de 5-10 km. Sin embargo, muchos de esos estudios requieren una resolución espacial mayor, del orden de centenas o incluso decenas de metros. En España, la reducción significativa del número de estaciones meteorológicas ha provocado la necesidad de buscar alternativas para la elaboración de este tipo de cartografía precisa. En esta tesis se desarrollan dos métodos novedosos de seguimiento de la temperatura atendiendo especialmente a su implementación en terrenos de relieve complejo, donde la diversidad microclimática queda sin definir en la metodología habitual de medida y cartografía debido a la escasa resolución espacial de los datos y métodos usados. Así, el problema se abordará desde dos perspectivas: por un lado, con una nueva metodología de diseño para el despliegue de una red inalámbrica de sensores (WSN) adaptada a la diversidad microclimática del terreno para la toma de datos in situ; y por otro, el desarrollo y validación de un nuevo método de reducción de escala (downscaling) que combina datos históricos, variables topográficas y modelos geométricos de exposición a la radiación solar para afinar la resolución espacial de mapas climáticos de temperaturas.Esta tesis se organiza como compendio de publicaciones, en concreto tres artículos relacionados con la temática de estudio que proporcionan coherencia a la misma. A continuación, se incluye un resumen general donde se describe brevemente el contenido de cada uno de los artículos. Y seguidamente, por orden cronológico, se incluye una copia completa de los trabajos publicados o pendientes de publicación. Después, una discusión de los resultados proporcionados por esos trabajos de investigación, para continuar con las conclusiones obtenidas. Por último, se encuentra el apartado de trabajo futuro y las referencias bibliográficas, tanto las incluidas en los apartados de este documento, como las utilizadas en cada una de los tres artículos.Desarrollo:Artículo 1: Diseño de una WSN para el muestreo de la variabilidad ambiental en terrenos complejos.Título original: Design of a WSN for the Sampling of Environmental Variability in Complex Terrain.El artículo comienza revisando cómo la tecnología de redes inalámbricas de sensores (WSNs) se ha generalizado para la medida de parámetros medioambientales in situ en los últimos años. Una WSN es una red de comunicación sin cables, auto-organizada y compuesta de un gran número de nodos de sensores que interactúan con el mundo físico (Akyildiz, Su, Sankarasubramaniam, & Cayirci, 2002), (Buratti, Conti, Dardari, & Verdone, 2009). Este aumento del interés en la aplicación de las WSNs para la investigación de las ciencias ambientales ya se ponía de manifiesto en Porter et al. (2005). Ese artículo contenía un estudio de 52 trabajos elegidos al azar de la revista Ecology, para justificar cómo la mayoría de los muestreos en entornos medioambientales se llevaban a cabo en áreas reducidas o consistían en la toma de muestras poco frecuentes o de una sola vez. Por ello se afirmaba que las WSNs cubrirían áreas en las que el muestreo continuo del espacio-tiempo no era posible o, simplemente, no se realizaba. Esto ayudaría a los investigadores a comprender mejor la variabilidad espacial y temporal de los procesos biológicos y ambientales. Una gran cantidad de escenarios de aplicación de las WSNs en entorno medioambientales pueden encontrarse en Hart & Martinez, 2006; Oliveira & Rodrigues (2011).Por tanto, a priori, esta tecnología cuenta posiblemente con el potencial necesario para ser aplicada al afinamiento de mapas climáticos. Sin embargo, conseguir un diseño optimizado de la WSN para un área de estudio independientemente de la complejidad del terreno se planteaba como un reto importante. La razón principal es que tradicionalmente los nodos de una WSN se han desplegado en el terreno de una manera no planificada. Por tanto, para que el diseño de la red se considerase óptimo para el propósito descrito anteriormente, se establecieron los siguientes objetivos de diseño: 1) ajustarse al área de estudio, 2) cubrir el rango de variabilidad ambiental (temperatura) presente en dicha área, 3) estar formada por el mínimo número de nodos y, 4) cumplir las condiciones técnicas de conectividad para garantizar la disponibilidad de los datos. De esta forma, el diseño optimizado de una WSN ajustada al área de estudio proporcionaría un aumento de la eficacia y calidad de la información, sin redundancia excesiva de las medidas y sin microclimas no representados. También supondría un ahorro económico en la instrumentación empleada y en el mantenimiento del propio sistema, por ejemplo, respecto al uso de estaciones meteorológicas y dataloggers.La metodología propuesta para el diseño optimizado de la red consta de cuatro fases secuenciales y ejecutadas en el siguiente orden: 1) modelización de la irradiancia potencial (Kumar, Skidmore, & Knowles, 1997), 2) definición de las clases homogéneas de temperatura aplicando la técnica de análisis ISODATA (Ball & Hall, 1965), 3) determinación de los nodos candidatos para la red a partir de las relaciones de intervisibilidad calculadas mediante el algoritmo de línea de visión (LOS) y, 4) optimización del diseño de red en base al conocido “problema del conjunto de cobertura” (Vazirani, 2003) de la investigación de operaciones y resuelto mediante programación lineal entera binaria (PEB) (Yick, Bharathidasan, Pasternack, Mukherjee, & Ghosal, 2004; Yick, Mukherjee, & Ghosal, 2008). Para validar su correcto funcionamiento, esta metodología se aplicó mediante simulación a una zona con relieve complejo, montañosa, en el norte de España con dimensiones de 9645 x 6690 m, un tamaño de píxel de 5 m y una elevación en el rango de 15 a 750 m.Artículo 2: Error, repetibilidad e incertidumbre de los sensores digitales de temperatura de bajo coste para la vigilancia medioambiental.Título original: Error, repeatability and uncertainty of low-cost temperature digital sensors for environmental surveillance.Las técnicas de medida de la temperatura son muy diversas y su elección condiciona los parámetros básicos de la calidad en metrología: exactitud (magnitud del error), precisión (cifras significativas en la medida) y repetibilidad (estabilidad de las medidas), a los que hay que añadir el coste económico y mantenimiento del sistema. Actualmente, destacan entre estos sistemas los sensores de temperatura con salida digital por su uso extendido, que se está traduciendo en una mayor variedad y un menor coste de los mismos. Sin embargo, ante el empuje de este tipo de sensores, no proliferan en la literatura científica trabajos que evalúen y comparen su funcionamiento. La disponibilidad de estos análisis independientes permitiría conocer si estos sensores podrían sustituir a elementos de coste más elevado y mantenimiento más complejo como los empleados en las redes de vigilancia ambiental. Los objetivos concretos de este trabajo fueron: 1) diseñar un banco de pruebas calibrado y, 2) evaluar el comportamiento de este tipo de sensores comprobando la exactitud, precisión y repetibilidad de los modelos específicos DHT22 (Aosong Electronics Co., 2014), DS18B20 (Maxim Integrated, 2015) y TMP102 (Texas Instruments, 2014). La elección de estos tres modelos se basó en los siguientes criterios: 1) menor coste por unidad, 2) error (declarado por el fabricante) bajo en el rango de temperaturas entre -15~50 ºC y, 3) mayor resolución de bits en la salida de datos.Los primeros tipos de sensores de temperatura que se desarrollaron estaban dotados con salida analógica. Este tipo de sensores, tales como termistores, termopares y resistencias dependientes de la temperatura (RTDs) (Martínez Bohórquez, Andújar Márquez, & Enrique Gómez, 2014) han sido muy usados por dataloggers y estaciones meteorológicas. Sin embargo, en comparación con los primeros, los sensores de temperatura con salida digital ofrecen una mayor precisión (hasta 0.01 ºC), inmunidad al ruido, escalabilidad, bajo coste y facilidad de conexión con unidades microcontroladoras (MCU) con muy bajo acondicionamiento, p.e., permitiendo su rápida integración con las plataformas de WSNs. Entre los inconvenientes están que no pueden ser utilizados en el exterior sin un encapsulamiento adecuado y no admiten una calibración externa (los parámetros vienen ajustados de fábrica).El banco de pruebas desarrollado constaba de una cubeta termostática de acero inoxidable rellena con 5 l de etilenglicol al 30% (JP Selecta, 2015). La temperatura del fluido se regulaba mediante un termostato de inmersión SBS TI-07 (SBS, 2015), que constaba a su vez de un sensor de temperatura de referencia tipo RTD (Pt100) que declaraba una estabilidad garantizada a 100 ºC de ±0.05 ºC. El sistema de captura de datos adjunto se diseñó para cumplir dos objetivos: 1) almacenar las medidas de los sensores de temperatura de forma automática y, 2) tener un bajo coste de implementación frente a otras soluciones comerciales (National Instruments, 2010). Para ello, se emplearon dos placas Arduino UNO redundantes con los sensores conectados a distintas E/S digitales. Las pruebas de laboratorio consistieron en capturar series completas de temperaturas en un rango entre -15~50 ºC, comenzando por enfriar el fluido por debajo de -15 ºC y pasándolo a continuación a la cubeta con todos los sensores sumergidos simultáneamente. El sistema registraba las lecturas de los sensores con una frecuencia de muestreo de 1 min. Primero, el fluido se dejaba calentar pasivamente hasta alcanzar la temperatura ambiente, y a partir de ese momento se utilizaba el termostato para subir la temperatura progresivamente hasta los 50 ºC, con un incremento de unos 0.5 ºC/min. Las medidas de los sensores eran enviadas a un ordenador de forma coordinada a través del puerto USB, que añadía automáticamente una marca de tiempo a cada medida y compilaba toda la serie en un único fichero de texto CSV para su posterior análisis.Artículo 3: Método de reducción de escala de mapas de temperaturas basado en sombreado analítico para su uso en modelos de distribución de especies.Título original: A method of downscaling temperature maps based on analytical hillshading for using in species distribution modeling.La cartografía climática se ha generado tradicionalmente mediante la interpolación de datos de estaciones meteorológicas. La resolución espacial que se puede esperar no supera 1 km en el mejor de los casos y con frecuencia se limitan a 10 km o más. Sin embargo, producir mapas climáticos de alta resolución (decenas de metros) sería muy recomendable para estudios locales o de microhábitats relacionados, por ejemplo, con el cambio climático y la distribución de especies (Meineri & Hylander, 2016). En España, una reducción significativa del número de estaciones meteorológicas (Felicísimo, Muñoz, Villalba, & Mateo, 2011) ha provocado la necesidad de buscar alternativas para la elaboración de este tipo de cartografía precisa. El enfoque más común ha sido el uso de procedimientos de reducción de escala, que intentan utilizar información conocida a gran escala para estimar los valores correspondientes a escala más detallada. Los dos enfoques principales para reducir la escala de los datos climáticos son el dinámico y el estadístico (Benestad, Hanssen-Bauer, & Chen, 2008; Trzaska & Schnarr, 2014); y bajo ellos se han publicado procedimientos basados en probabilidades (Caillouet, Vidal, Sauquet, & Graff, 2016), en redes neuronales (Coulibaly, Dibike, & Anctil, 2005) o en máquinas de soporte vectorial (Duhan & Pandey, 2015) entre otras.El objetivo de este trabajo ha sido diseñar un método de reducción de escala o downscaling de los mapas de temperaturas siguiendo un enfoque estadístico. Este método emplea como predictor una variable sintética denominada índice topográfico (τ), cuyos valores indican cuánto debe modificarse la temperatura de cada celda del mapa original en función de su exposición a la radiación solar. Las principales ventajas son que no necesita datos externos aparte del modelo digital de elevaciones (MDE), se adapta a una determinada época del año y es especialmente adecuado para zonas montañosas de relieve complejo. Aunque la topografía se ha empleado anteriormente en métodos de reducción de escala (Feidas et al., 2014; Fridley, 2009; Landgraf, Matulla, & Haimberger, 2015; Slavich, Warton, Ashcroft, Gollan, & Ramp, 2014), no ha sido utilizada de la forma propuesta en este trabajo.Este método comienza estimando la irradiancia solar potencial (directa y difusa) para cada celda MDE (25 m), calculando la trayectoria solar sobre el horizonte para estimar a su vez la exposición del terreno a la energía solar. Para ello se usan las ecuaciones de Kumar et al. (1997) que fueron programadas por N. E. Zimmermann en lenguaje AML. El siguiente paso es la estimación del índice topográfico (τ) de la radiación solar previamente estimada, a partir de la ley de Stefan-Boltzmann que relaciona la energía E radiada por unidad de superficie y la temperatura absoluta T de la superficie como E = σ·T4, siendo σ la constante de Stefan-Boltzmann. En este paso del procedimiento es necesario aplicar los índices topográficos (τ) a los mapas de temperaturas. Como estos mapas tienen una resolución espacial de 1 km, es necesario reducir el tamaño de celda a 25 m para que sea compatible con las cuadrículas de índice topográfico. Este procedimiento se realiza mediante interpolaciones tipo spline, y el resultado es un conjunto de mapas de temperaturas con la misma información, pero sin pixelación y con transiciones continuas entre celdas. El último paso es multiplicar los dos conjuntos de mapas, temperaturas y los índices topográficos, para cada mes obteniendo los mapas de temperaturas a escala reducida. Como ejemplo de aplicación, se ha reducido de escala un conjunto de 24 mapas mensuales de temperaturas (12 de máx. y 12 de mín.) desde un tamaño de celda de 1 km a otro 25 m en la zona del Valle del Jerte (Extremadura). Esta zona se caracteriza por una gran heterogeneidad de los patrones de temperaturas locales debido a una topografía accidentada y amplias diferencias de exposiciones a la radiación solar y sombreado.Conclusiones:En el artículo 1 se presentó una propuesta de metodología de diseño para redes WSNs con la idea de utilizar esta tecnología con dos fines: 1) la monitorización de la temperatura del aire en una zona de relieve complejo y 2) validar con pruebas de campo la metodología de reducción de escala (downscaling) que se desarrolla en el artículo 3. Por tanto, el objetivo era desplegar una red de vigilancia ambiental con un diseño óptimo y adaptado perfectamente a la topografía y a las especificaciones técnicas de los sensores, que cubriese completamente la variabilidad ambiental en términos de exposición al sol. Para ello debía ser reducida con un único nodo sensor representante para cada clase homogénea de temperatura, con redundancia mínima para proporcionar tolerancia a fallos; y contar con una topología de red robusta basada en el análisis de intervisibilidad que tiene en cuenta las propiedades técnicas de los nodos sensores. Según las pruebas de simulación realizadas, y tal como se comentó en el apartado anterior de la discusión, los resultados obtenidos mostraron un correcto funcionamiento cumpliendo, a priori, los objetivos de diseño previstos. Por otro lado, esta metodología tiene algunas otras características que le proporcionan gran flexibilidad y capacidad de adaptación. Por ejemplo, la posibilidad de utilizar nodos sensores con diferentes rangos y ángulos de dispersión de propagación de la señal de radio porque estas propiedades son totalmente configurables para cada nodo en el propio análisis de visibilidad; o también que los modelos de sensores de temperatura utilizados pueden ser sustituidos para reducir el coste utilizando dispositivos más baratos sin implicar un rediseño del sistema.El artículo 2 mostró un análisis del rendimiento de tres modelos de sensores de temperatura con salida digital de bajo coste para su uso en redes de vigilancia ambiental, como las que se presentaban en el artículo anterior. Los resultados obtenidos confirman que son una alternativa confiable para reemplazar otros modelos más caros con regímenes de mantenimiento más complejos que se usan a menudo en este contexto. Los sensores de temperatura con salidas analógicas se han utilizado típicamente en dataloggers y estaciones meteorológicas debido a su alta precisión, como termistores, termopares y resistencias dependientes de la temperatura (RTDs). Sin embargo, el coste de un sistema basado en RTD con una sonda Pt100 más el cableado y la tarjeta de adquisición de datos puede ascender a cientos de euros. Los resultados mostraron un intervalo de confianza (95%) de exactitud inferior a ± 0.5 °C para todos los modelos de sensores analizados. Este valor es adecuado para la monitorización ambiental de áreas protegidas, parques nacionales o redes extensas de áreas naturales. Los resultados también verificaron que la información de error proporcionada por los fabricantes era correcta. Sin embargo, si que aparecieron diferencias significativas de repetibilidad intramodelo. Se estima que aproximadamente hasta un 75% de la incertidumbre de la temperatura se puede atribuir a variabilidades en los procesos de fabricación. El modelo DHT22 era el que mostraba un mejor rendimiento en los parámetros de exactitud y repetibilidad. Sin embargo, se recomienda realizar un control individual para cada unidad de sensor antes de su integración en una WSN, lo que puede reducir, por ejemplo, la incertidumbre del sensor DHT22 hasta en un 19%. En cuanto al uso de estos modelos de sensores en un ambiente exterior, se aconseja que tanto para el sensor DHT22 como el TMP102, se emplacen dentro de una garita protectora en lugar de encapsulaciones aplicadas directamente al módulo del sensor que, por ejemplo, en el caso de DHT22 impediría el uso del otro sensor de humedad incluido también en el mismo módulo. En la actualidad, solamente el modelo DS18B20 se vende con algún tipo de encapsulación específica para este propósito. Por último, se considera que los resultados de las pruebas proporcionadas en ese trabajo pueden servir de ayuda en el diseño de futuros sistemas de monitorización ambiental, asegurando así que las características son adecuadas para los requisitos de exactitud, precisión y estabilidad a un menor coste.Finalmente, el artículo 3 presentó una metodología de reducción de escala para mapas climáticos especialmente útiles en la monitorización ambiental de zonas de relieve complejo. Precisamente, encontrar una forma para validar esta metodología fue el origen de los trabajos desarrollados en los dos artículos anteriores y, por ende, del desarrollo de este trabajo de tesis. Los mapas de temperaturas con una resolución moderada o baja están disponibles comúnmente, pero no pueden representar adecuadamente microclimas y microrefugios de fauna y vegetación ya que se basan en estimaciones climáticas demasiado groseras o que ignoran factores climáticos relevantes como la topografía. Este problema empeora en las zonas montañosas donde los contrastes locales son más fuertes y las estaciones meteorológicas más escasas. Los métodos de reducción de escala intentan resolver este problema usando una variedad de procedimientos diferentes, en concreto, en este trabajo se propuso un método geométrico simple. La principal ventaja de este método es la reducida cantidad de datos de entrada que necesita, concretamente necesita el MDE de la zona de estudio, algunas rutinas software de código de libre disposición y, adicionalmente, el día del año de referencia y la latitud del área de estudio. Los resultados obtenidos parecen razonables si se comparan con imágenes térmicas de satélite, y muestran que la corrección mejora fuertemente la correlación cuando el método de reducción de escala se aplica a los mapas de temperaturas convencionales. No obstante, y aunque subsisten limitaciones que ya se comentaron en el apartado de discusión, los datos de las estaciones climáticas pueden utilizarse para producir mapas de temperaturas de alta resolución y, por consiguiente, de utilidad para modelar procesos ecológicos, geomorfológicos y del suelo a gran escala para grandes áreas.Como conclusión final, puede afirmarse que técnicas como la modelización con SIG, el uso de imágenes de satélite, imágenes de cámaras térmicas y las redes inalámbricas de sensores para supervisión medioambiental serán las nuevas formas de aproximarse a la cartografía climática en un futuro no muy lejano.Referencias:Abbasi, A. A., & Younis, M. (2007). A survey on clustering algorithms for wireless sensor networks. Computer Communications, 30(14–15), 2826–2841. https://doi.org/10.1016/j.comcom.2007.05.024Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: a survey. Computer Networks, 38(4), 393–422. https://doi.org/10.1016/S1389-1286(01)00302-4Alam, S. A., & Starr, M. (2013). Impacts of climate change on savannah woodland biomass carbon density and water-use: a modelling study of the Sudanese gum belt region. Mitigation and Adaptation Strategies for Global Change, 18(7), 979–999. https://doi.org/10.1007/s11027-012-9403-5Amaldi, E., Capone, A., Cesana, M., Filippini, I., & Malucelli, F. (2008). Optimization models and methods for planning wireless mesh networks. Computer Networks, 52(11), 2159–2171. https://doi.org/10.1016/j.comnet.2008.02.020Antoine-Santoni, T., Santucci, J.-F., de Gentili, E., Silvani, X., & Morandini, F. (2009). Performance of a protected wireless sensor network in a fire. Analysis of fire spread and data transmission. Sensors, 9(8), 5878–93. https://doi.org/10.3390/s90805878Aosong Electronics Co., L. (2014). DHT22 Datasheet. Retrieved February 22, 2016, from http://www.aosong.com/en/products/details.asp?id=117Arduino. (2014). Arduino UNO. Retrieved June 29, 2016, from https://www.arduino.cc/en/Main/ArduinoBoardUnoAtzori, L., Iera, A., & Morabito, G. (2010). The Internet of Things: A survey. Computer Networks, 54(15), 2787–2805. https://doi.org/10.1016/j.comnet.2010.05.010Ayday, C., & Safak, S. (2009). Application of Wireless Sensor Networks with GIS on the Soil Moisture Distribution Mapping. In Proceedings of International Symposium GIS Ostrava 2009 (pp. 1–6). Ostrava, Czech Republic.Baggio, A. (2005). Wireless sensor networks in precision agriculture. In Workshop on Real-World Wireless Sensor Networks (pp. 107–108). Stockholm, Sweden.Bainbridge, S., Eggeling, D., & Page, G. (2011). Lessons from the Field—Two Years of Deploying Operational Wireless Sensor Networks on the Great Barrier Reef. Sensors, 11(12), 6842–6855. https://doi.org/10.3390/s110706842Ball, G. H., & Hall, D. J. (1965). Isodata, a novel method of data analysis and pattern classification. Menlo Park, California: Stanford Research Institute.Baronti, P., Pillai, P., & Chook, V. (2007). Wireless sensor networks: A survey on the state of the art and the 802.15. 4 and ZigBee standards. Computer Communications, 30(7), 1655–1695. https://doi.org/http://dx.doi.org/10.1016/j.comcom.2006.12.020Barrenetxea, G., Ingelrest, F., Schaefer, G., Vetterli, M., Couach, O., & Parlange, M. (2008). SensorScope: Out-of-the-Box Environmental Monitoring. In Information Processing in Sensor Networks, 2008. IPSN ’08. International Conference on (pp. 332–343). https://doi.org/10.1109/IPSN.2008.28Bedia, J., Herrera, S., & Gutiérrez, J. M. (2013). Dangers of using global bioclimatic datasets for ecological niche modeling. Limitations for future climate projections. Global and Planetary Change, 107, 1–12. https://doi.org/10.1016/j.gloplacha.2013.04.005Beier, C. M., Signell, S. A., Luttman, A., & DeGaetano, A. T. (2012). High-resolution climate change mapping with gridded historical climate products. Landscape Ecology, 27(3), 327–342. https://doi.org/10.1007/s10980-011-9698-8Benestad, R. E., Hanssen-Bauer, I., & Chen, D. (2008). Empirical-statistical downscaling. New Jersey: World Scientific Publishers.Bigg, G. (1991). Kriging and intraregional rainfall variability in England. International Journal of Climatology, 11(6), 663–675. https://doi.org/10.1002/joc.3370110608Blain, S., Guillou, J., Tréguer, P., Woerther, P., Delauney, L., Follenfant, E., … Vuillemin, R. (2004). High frequency monitoring of the coastal marine environment using the MAREL buoy. Journal of Environmental Monitoring, 6(6), 569–575. https://doi.org/10.1039/B314073CBritton, M., & Sacks, L. (2004). The SECOAS Project: Development of a Self-Organising, Wireless Sensor Network for Environmental Monitoring. In 2nd Workshop on Sensor and Actor Network Protocols. Boston, Massachusetts, USA. Retrieved from http://www.cs.kent.ac.uk/projects/secoas/papers/SANPA-2004-Britton.pdfBuratti, C., Conti, A., Dardari, D., & Verdone, R. (2009). An Overview on Wireless Sensor Networks Technology and Evolution. Sensors, 9(9), 6869–6896. https://doi.org/10.3390/s90906869Caillouet, L., Vidal, J.-P., Sauquet, E., & Graff, B. (2016). Probabilistic precipitation and temperature downscaling of the Twentieth Century Reanalysis over France. Climate of the Past, 12(3), 635–662. https://doi.org/10.5194/cp-12-635-2016Calvo, S., Ciraolo, G., & Loggia, G. La. (2003). Monitoring Posidonia oceanica meadows in a Mediterranean coastal lagoon (Stagnone, Italy) by means of neural network and ISODATA classification methods. International Journal of Remote Sensing, 24(13), 2703–2716. https://doi.org/10.1080/0143116031000066882Cano, A., Lopez-Baeza, E., Anon, J. L., Reig, C., & Millan-Scheding, C. (2007). Wireless Sensor Network for Soil Moisture Applications. In 2007 International Conference on Sensor Technologies and Applications (SENSORCOMM 2007) (pp. 508–513). Valencia, SPAIN: IEEE. https://doi.org/10.1109/SENSORCOMM.2007.4394971Cardell-Oliver, R., Kranz, M., Smettem, K., & Mayer, K. (2005). A Reactive Soil Moisture Sensor Network: Design and Field Evaluation. International Journal of Distributed Sensor Networks, 1(2), 149–162. https://doi.org/10.1080/15501320590966422Chavan, S. B., Kadam, P. A., & Sawant, S. R. (2009). Embedded web server for monitoring environmental parameters. INSTRUMENTS AND EXPERIMENTAL TECHNIQUES, 52(6), 784–787. https://doi.org/10.1134/S0020441209060050Choi, S., Kim, N., Cha, H., & Ha, R. (2009). Micro sensor node for air pollutant monitoring: hardware and software issues. Sensors, 9(10), 7970–87. https://doi.org/10.3390/s91007970Collins, F. C., & Bolstad, P. V. (1996). A comparison of spatial interpolation techniques in temperature estimation. In NCGIA Third International Conference/Workshop on Integrating GIS and Environmental Modelling. Retrieved from http://www.ncgia.ucsb.edu/conf/SANTA_FE_CD-ROM/sf_papers/collins_fred/collins.htmlCollins, F. C., & Bolstad, P. V. (1996). A comparison of spatial interpolation techniques in temperature estimation. In NCGIA Third International Conference/Workshop on Integrating GIS and Environmental Modeling. Santa Fe, NM, USA: US National Center for Geographic Information and Analysis.Corke, P., Wark, T., Jurdak, R., Hu, W., Valencia, P., & Moore, D. (2010). Environmental Wireless Sensor Networks. Proceedings of the IEEE, 98(11), 1903–1917. https://doi.org/10.1109/JPROC.2010.2068530Coulibaly, P., Dibike, Y. B., & Anctil, F. (2005). Downscaling Precipitation and Temperature with Temporal Neural Networks. Journal of Hydrometeorology, 6(4), 483–496. https://doi.org/10.1175/JHM409.1Cunningham, K., & Schrage, L. (2013). LINGO: The modeling language and optimizer. LINDO Systems, Chicago, Illinois. Chicago, Illinois, USA: Lindo Systems Inc. Retrieved from http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:LINGO.+The+Modeling+Language+and+Optmizer#0Delin, K. a., Jackson, S. P., Johnson, D. W., Burleigh, S. C., Woodrow, R. R., McAuley, J. M., … Baker, V. R. (2005). Environmental Studies with the Sensor Web: Principles and Practice. Sensors, 5(1), 103–117. https://doi.org/10.3390/s5010103Dingman, S. L., Seely-Reynolds, D. M., & Reynolds, R. C. (1988). Application of kriging to estimating mean annual precipitation in a region of orographic influence. Journal of the American Water Resources Association, 24(2), 329–339. https://doi.org/10.1111/j.1752-1688.1988.tb02991.xDubois, G., Malczewski, J., & De Cort, M. J. M. R. (1998). Spatial interpolation comparison 97: Foreword and introduction. Journal of Geographic Information and Decision Analysis, 2(1–2).Duhan, D., & Pandey, A. (2015). Statistical downscaling of temperature using three techniques in the Tons River basin in Central India. Theoretical and Applied Climatology, 121(3–4), 605–622. https://doi.org/10.1007/s00704-014-1253-5Feidas, H., Karagiannidis, A., Keppas, S., Vaitis, M., Kontos, T., Zanis, P., … Anadranistakis, E. (2014). Modeling and mapping temperature and precipitation climate data in Greece using topographical and geographical parameters. Theoretical and Applied Climatology, 118(1–2), 133–146. https://doi.org/10.1007/s00704-013-1052-4Felicísimo, A. M., Muñoz, J., Villalba, C. J., & Mateo, R. G. (2011). Impactos, vulnerabilidad y adaptación al cambio climático de la biodiversidad española. 1. Flora y vegetación. Ministerio de Medio Ambiente y Medio Rural y Marino.Felicísimo Pérez, A. M., Morán López, R., Sánchez Guzmán, J. M., & Pérez Mayo, D. (2001). Elaboración del atlas climático de Extremadura mediante un Sistema de Información Geográfica. International Review of Geographical Information Science and Technology, 1, 17–23.Fernández Cepedal, G., & Felicísimo, A. M. (1987). Método de cálculo de la radiación solar incidente en áreas con apantallamiento topográfico. Revista de Biología de La Universidad de Oviedo, 5, 109–119.Fridley, J. D. (2009). Downscaling Climate over Complex Terrain: High Finescale (<1000 m) Spatial Variation of Near-Ground Temperatures in a Montane Forested Landscape (Great Smoky Mountains)*. Journal of Applied Meteorology and Climatology, 48(5), 1033–1049. https://doi.org/10.1175/2008JAMC2084.1Gandham, S. R., Dawande, M., Prakash, R., & Venkatesan, S. (2003). Energy efficient schemes for wireless sensor networks with multiple mobile base stations. In GLOBECOM ’03. IEEE Global Telecommunications Conference (Vol. 1, pp. 377–381). San Francisco, CA, USA: IEEE. https://doi.org/10.1109/GLOCOM.2003.1258265Gao, Z., Jia, Y., Zhang, H., & Li, X. (2012). A Design of Temperature and Humidity Remote Monitoring System Based on Wireless Sensor Network Technology. In 2012 International Conference on Control Engineering and Communication Technology (pp. 896–899). 345 E 47TH ST, NEW YORK, NY 10017 USA: IEEE. https://doi.org/10.1109/ICCECT.2012.223Gerelchuluun, B., & Ahn, J.-B. (2014). Air temperature distribution over Mongolia using dynamical downscaling and statistical correction: MONGOLIAN TEMPERATURE REPRODUCTION USING WRF AND A CORRECTION METHOD. International Journal of Climatology, 34(7), 2464–2476. https://doi.org/10.1002/joc.3853Gerlitz, L. (2015). Using fuzzified regression trees for statistical downscaling and regionalization of near surface temperatures in complex terrain: A case study from Khumbu Himal. Theoretical and Applied Climatology, 122(1–2), 337–352. https://doi.org/10.1007/s00704-014-1285-xGobbett, D., Handcock, R., Zerger, A., Crossman, C., Valencia, P., Wark, T., & Davies, M. (2013). Prototyping an Operational System with Multiple Sensors for Pasture Monitoring. Journal of Sensor and Actuator Networks, 2(3), 388–408. https://doi.org/10.3390/jsan2030388Guerra Álvarez, N., & Crawford Labrín, B. (2006). Optimización de funciones a través de Optimización por Enjambre de Partículas y Algoritmos Genéticos. In 32a Conferencia Latinoamericana de Informática. Santiago, Chile. Retrieved from http://pitagoras.usach.cl/~gfelipe/clei/sesiones/sesion_6/Pdf_6/254.pdfHakala, I., Tikkakoski, M., & Kivela, I. (2008). Wireless Sensor Network in Environmental Monitoring - Case Foxhouse. In Sensor Technologies and Applications, 2008. SENSORCOMM ’08. Second International Conference on (pp. 202–208). https://doi.org/10.1109/SENSORCOMM.2008.27Hart, J. K., & Martinez, K. (2006). Environmental Sensor Networks: A revolution in the earth system science? Earth-Science Reviews, 78(3–4), 177–191. https://doi.org/10.1016/j.earscirev.2006.05.001Hatfield, J. L. (2001). Upscaling and Downscaling Methods for Environmental Research. Journal of Environment Quality, 30(3), 1100. https://doi.org/10.2134/jeq2001.3031100xHijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G., & Jarvis, A. (2005). Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 25(15), 1965–1978. https://doi.org/10.1002/joc.1276Hillier, F. S., & Liberman, G. J. (2010). Introducción a la Investigación de Operaciones (9th ed.). McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V.Holon, F., Mouquet, N., Boissery, P., Bouchoucha, M., Delaruelle, G., Tribot, A.-S., & Deter, J. (2015). Fine-Scale Cartography of Human Impacts along French Mediterranean Coasts: A Relevant Map for the Management of Marine Ecosystems. PLOS ONE, 10(8), e0135473. https://doi.org/10.1371/journal.pone.0135473Hou, X. Q., & Wang, X. D. (2013). Wireless Data Transmission Based on GPRS in Greenhouse Monitoring System. Applied Mechanics and Materials, 303–306, 2054–2057. https://doi.org/10.4028/www.scientific.net/AMM.303-306.2054Hou, Y. T., Sherali, H. D., & Midkiff, S. F. (2005). On energy provisioning and relay node placement for wireless sensor networks. IEEE Transactions on Wireless Communications, 4(5), 2579–2590. https://doi.org/10.1109/TWC.2005.853969Hu, F., Chen, C. R., & Li, X. (2013). Design of Wireless Water-Saving Irrigation Controller. Applied Mechanics and Materials, 278–280, 1577–1580. https://doi.org/10.4028/www.scientific.net/AMM.278-280.1577Hulea, M., Mois, G., Folea, S., Miclea, L., & Biscu, V. (2013). Wi-sensors: A low power Wi-Fi solution for temperature and humidity measurement. In IECON 2013 - 39th Annual Conference of the IEEE Industrial Electronics Society (pp. 4011–4015). 345 E 47TH ST, NEW YORK, NY 10017 USA: IEEE. https://doi.org/10.1109/IECON.2013.6699777Hutchinson, M. F. (1991a). Climatic analyses in data sparse regions. Climatic Risk in Crop Production. Models and Management for the Semiarid Tropics and Subtropics, 55–71.Hutchinson, M. F. (1991b). The application of thin plate smoothing splines to continentwide data assimilation. BMRC Research Report, 27, 104–113.International Standars Organization. (2005). ISO/IEC 17025:2005. Retrieved December 11, 2015, from https://www.iso.org/obp/ui/#iso:std:iso-iec:17025:ed-2:v1:esIrvin, B. J., Ventura, S. J., & Slater, B. K. (1997). Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant Valley, Wisconsin. Geoderma, 77(2–4), 137–154. https://doi.org/10.1016/S0016-7061(97)00019-0Jankovec, M., & Topič, M. (2013). Intercomparison of Temperature Sensors for Outdoor Monitoring of Photovoltaic Modules. Journal of Solar Energy Engineering, 135(3), 31012. https://doi.org/10.1115/1.4023518Jena, R. K. (2010). Multi-Objective Node Placement Methodology for Wireless Sensor Network. International Journal of Computer Applications. Special Issue on MANETs, 2, 84–88. https://doi.org/10.5120/1017-58Jena, R. K., & Mahanti, P. K. (2012). Node Placement for Wireless Sensor Network Using Multi-objective. In 2012 International Conference on Computer Technology and Science (Vol. 47, pp. 53–58). Singapore, INDIA: IACSIT Press. https://doi.org/10.7763/IPCSIT.2012.V47.11Jia, J., Chen, J., Chang, G., Wen, Y., & Song, J. (2009). Multi-objective optimization for coverage control in wireless sensor network with adjustable sensing radius. Computers & Mathematics with Applications, 57(11–12), 1767–1775. https://doi.org/10.1016/j.camwa.2008.10.037John G. Webster. (1998). The Measurement, Instrumentation and Sensors Handbook. (C. Press, Ed.). IEEE Press.Jourdan, D. B., & de Weck, O. L. (2004). Layout optimization for a wireless sensor network using a multi-objective genetic algorithm. In IEEE 59th Vehicular Technology Conference (Vol. 5, pp. 2466–2470). IEEE. https://doi.org/10.1109/VETECS.2004.1391366JP Selecta. (2014). Precision Thermometer 1001267. Retrieved June 26, 2015, from http://www.grupo-selecta.com/en/catalogo/productos/145/GLASS THERMOMETERSJP Selecta. (2015). Immersion Thermostats and Dry-Blocks. Retrieved September 23, 2015, from http://www.grupo-selecta.com/en/catalogo/subcategorias/10/immersion thermostats and dry blocksKotamäki, N., Thessler, S., Koskiaho, J., Hannukkala, A. O., Huitu, H., Huttula, T., … Järvenpää, M. (2009). Wireless in-situ Sensor Network for Agriculture and Water Monitoring on a River Basin Scale in Southern Finland: Evaluation from a Data User’s Perspective. Sensors, 9(4), 2862–83. https://doi.org/10.3390/s90402862Kumar, L., Skidmore, A. K., & Knowles, E. (1997). Modelling topographic variation in solar radiation in a GIS environment. International Journal of Geographical Information Science, 11(5), 475–497. https://doi.org/10.1080/136588197242266Kumarawadu, P., Dechene, D. J., Luccini, M., & Sauer, A. (2008). Algorithms for Node Clustering in Wireless Sensor Networks: A Survey. In 2008 4th International Conference on Information and Automation for Sustainability (pp. 295–300). IEEE. https://doi.org/10.1109/ICIAFS.2008.4783999Lam, N. S.-N., Qiang, Y., Arenas, H., Brito, P., & Liu, K. (2015). Mapping and assessing coastal resilience in the Caribbean region. Cartography and Geographic Information Science, 42(4), 315–322. https://doi.org/10.1080/15230406.2015.1040999Landgraf, M., Matulla, C., & Haimberger, L. (2015). Statistically downscaled projections of local scale temperature in the topographically complex terrain of Austria up to the end of the 21st century. Meteorologische Zeitschrift, 24(4), 425–440. https://doi.org/10.1127/metz/2015/0620Larios, D. F., Barbancho, J., Sevillano, J. L., Rodríguez, G., Molina, F. J., Gasull, V. G., … León, C. (2013). Five years of designing wireless sensor networks in the doñana biological reserve (Spain): an applications approach. Sensors (Basel, Switzerland), 13(9), 12044–69. https://doi.org/10.3390/s130912044Lennon, J. J., & Turner, J. R. G. (1995). Predicting the Spatial Distribution of Climate: Temperature in Great Britain. Journal of Animal Ecology, 64(3), 370–392.Li, C., Chen, D., Wu, D., & Su, X. (2015). Design of an EIoT system for nature reserves: a case study in Shangri-La County, Yunnan Province, China. International Journal of Sustainable Development & World Ecology, 22(2), 184–188. https://doi.org/10.1080/13504509.2014.943329Li, J., & Sheng, Y. (2012). An automated scheme for glacial lake dynamics mapping using Landsat imagery and digital elevation models: a case study in the Himalayas. International Journal of Remote Sensing, 33(16), 5194–5213. https://doi.org/10.1080/01431161.2012.657370Li, M., & Liu, Y. (2009). Underground coal mine monitoring with wireless sensor networks. ACM Transactions on Sensor Networks, 5(2), 1–29. https://doi.org/10.1145/1498915.1498916Li, X., Cheng, X., Yan, K., & Gong, P. (2010). A monitoring system for vegetable greenhouses based on a wireless sensor network. Sensors, 10(10), 8963–80. https://doi.org/10.3390/s101008963Liu, Q., Zhao, Z., Li, Y.-X., & Li, Y. (2012). Feature selection based on sensitivity analysis of fuzzy ISODATA. Neurocomputing, 85, 29–37. https://doi.org/10.1016/j.neucom.2012.01.005Liu, S., Yuan, Z., & Chen, Y. (2016). Design of Wireless Temperature Measuring System Based on the nRF24l01. International Journal of Advanced Computer Science and Applications, 7(2), 314–317. https://doi.org/10.14569/IJACSA.2016.070244Lobo, A., & Rebollar, J. L. G. (2010). Model-based discriminant analysis of Iberian potential vegetation and bio-climatic indices. Physics and Chemistry of the Earth, Parts A/B/C, 35(1–2), 52–56. https://doi.org/10.1016/j.pce.2010.03.010Lopes Pereira, R., Trindade, J., Gonçalves, F., Suresh, L., Barbosa, D., & Vazão, T. (2014). A wireless sensor network for monitoring volcano-seismic signals. Natural Hazards and Earth System Science, 14(12), 3123–3142. https://doi.org/10.5194/nhess-14-3123-2014López, J. a., Garcia-Sanchez, A.-J., Soto, F., Iborra, A., Garcia-Sanchez, F., & Garcia-Haro, J. (2010). Design and validation of a wireless sensor network architecture for precision horticulture applications. Precision Agriculture, 12(2), 280–295. https://doi.org/10.1007/s11119-010-9178-1Marks, M. (2010). A Survey of Multi-Objective Deployment in Wireless Sensor Networks. Journal of Telecommunications and Information Technology, 3, 36–41. Retrieved from http://www.nit.eu/czasopisma/JTIT/2010/3/36.pdfMartín-Tardío, M., & Felicísimo, Á. (2014). Design of a WSN for the Sampling of Environmental Variability in Complex Terrain. Sensors, 14(11), 21826–21842. https://doi.org/10.3390/s141121826Martin Tardio, M. A. (2010). Estudio de los sistemas de apoyo a la decisión en el ámbito de la viticultura de precisión. Mérida, Badajoz (SPAIN).Martinez, K., Riddoch, A., Hart, J., & Ong, R. (2006). A Sensor Network for Glaciers. In Mi. (2) Alan Steventon BSc, MTech, PhD, CPhys & M. Steve Wright MA, PhD, CEng (Eds.), Intelligent Spaces (pp. 125–139). London: SPRINGER. https://doi.org/10.1007/978-1-84628-429-8_9Martínez Bohórquez, M. A. (2009). Aportaciones a la instrumentación electrónica en la optimización de sistemas basados en energía solar. Universidad de Huelva. Retrieved from http://files.bartolomevazquezbernal.webnode.es/200000081-2d54f2e4df/BVB_IICVFP.pdfMartínez Bohórquez, M. A., Andújar Márquez, J. M., & Enrique Gómez, J. M. (2014). Temperature Measurement in PV Facilities on a Per-Panel Scale. Sensors, 14(8), 13308–13323. https://doi.org/10.3390/s140813308Martínez Bohórquez, M. A., Enrique Gómez, J. M., & Andújar Márquez, J. M. (2009). A new and inexpensive temperature-measuring system: Application to photovoltaic solar facilities. Solar Energy, 83(6), 883–890. https://doi.org/10.1016/j.solener.2008.12.007Mateo, R. G., de la Estrella, M., Felicísimo, Á. M., Muñoz, J., & Guisan, A. (2013). A new spin on a compositionalist predictive modelling framework for conservation planning: A tropical case study in Ecuador. Biological Conservation, 160, 150–161. https://doi.org/10.1016/j.biocon.2013.01.014Maxim Integrated. (2014). Guidelines for Reliable Long Line 1-Wire Networks. Retrieved February 10, 2016, from https://www.maximintegrated.com/en/app-notes/index.mvp/id/148Maxim Integrated. (2015). DS18B20 Datasheet. Retrieved February 4, 2016, from https://www.maximintegrated.com/en/products/analog/sensors-and-sensor-interface/DS18B20.htmlMeineri, E., & Hylander, K. (2016). Fine-grain, large-domain climate models based on climate station and comprehensive topographic information improve microrefugia detection. Ecography. https://doi.org/10.1111/ecog.02494Molina, G., Alba, E., & Talbi, E.-G. (2008). Optimal Sensor Network Layout Using Multi-Objective Metaheuristics. Journal of Universal Computer Science, 14(15), 2549–2565.Nadimi, E. S., Jørgensen, R. N., Blanes-Vidal, V., & Christensen, S. (2012). Monitoring and classifying animal behavior using ZigBee-based mobile ad hoc wireless sensor networks and artificial neural networks. Computers and Electronics in Agriculture, 82, 44–54. https://doi.org/10.1016/j.compag.2011.12.008National Instruments. (2010). NI FP-1001. Retrieved June 29, 2016, from http://sine.ni.com/nips/cds/view/p/lang/en/nid/2181#Ninyerola, M. (2000). Modelització climática mitjançant tècniques SIG i la seva aplicació a l’anàlisi quantitativa de la distribució d’espècies vegetals a l’Espanya peninsular. Universitat Autónoma de Barcelona.Ninyerola, M., Pons, X., & Roure, J. M. (2000). A methodological approach of climatological modelling od air temperature and precipitation through GIS techniques. International Journal of Climatology, 20, 1823–1841.O’Flynn, B., Martinez, R., Cleary, J., Slater, C., Regan, F., Diamond, D., & Murphy, H. (2007). SmartCoast: A Wireless Sensor Network for Water Quality Monitoring. In Local Computer Networks, 2007. LCN 2007. 32nd IEEE Conference on (pp. 815–816). https://doi.org/10.1109/LCN.2007.34Oliveira, L. M., & Rodrigues, J. J. (2011). Wireless Sensor Networks: a Survey on Environmental Monitoring. Journal of Communications, 6(2), 143–151. https://doi.org/10.4304/jcm.6.2.143-151Opensource.com. (2017). What is open hardware? Retrieved February 1, 2017, from https://opensource.com/resources/what-open-hardwarePearce, J. M. (2012). Building Research Equipment with Free, Open-Source Hardware. Science, 337(6100), 1303–1304. https://doi.org/10.1126/science.1228183Pellissier, L., Litsios, G., Fiedler, K., Pottier, J., Dubuis, A., Pradervand, J.-N., … Guisan, A. (2012). Loss of interactions with ants under cold climate in a regional myrmecophilous butterfly fauna. Journal of Biogeography, 39(10), 1782–1790. https://doi.org/10.1111/j.1365-2699.2012.02743.xPolastre, J., Szewczyk, R., Mainwaring, A., Culler, D., & Anderson, J. (2004). Anaysis of Wireless sensor Networks for Habitat Monitoring. In C. S. Raghavendra, K. M. Sivalingam, & T. Znati (Eds.), Wireless Sensor Networks (pp. 399–423). Norwell, MA, USA: Kluwer Academic Publishers. Retrieved from http://dl.acm.org/citation.cfm?id=1013825.1013844Porter, J., Arzberger, P., Braun, H.-W., Bryant, P., Gage, S., Hansen, T., … Williams, T. (2005). Wireless Sensor Networks for Ecology. BioScience, 55(7), 561. https://doi.org/10.1641/0006-3568(2005)055[0561:WSNFE]2.0.CO;2Qian, Y., Luo, Z., Liu, Z., Zhao, H., Li, C., Song, Y., … Wei, J. (2014). Application of RTD Sensor in the Real Time Measurement and Wireless Transmission. In 2014 Fourth International Conference on Instrumentation and Measurement, Computer, Communication and Control (pp. 658–662). IEEE. https://doi.org/10.1109/IMCCC.2014.140Saveliev, A. A., Mucharamova, S. S., & Piliugin, G. A. (1998). Modeling of the daily rainfall values using surfaces under tension and kriging. Journal of Geographic Information and Decision Analysis, 2(2), 58–71.Saveliev, A. A., Mucharamova, S. S., & Piliugin, G. A. (1998). Modeling of the daily rainfall values using surfaces under tension and kriging. Journal of Geographic Information and Decision Analysis, 2(2), 58–71.SBS. (2015). Termostado de Inmersion TI-07. Retrieved June 29, 2016, from http://www.ictsl.net/productos/aparatos/termostatodeinmersionti7sbs.htmlSeders, L. A., Shea, C. A., Lemmon, M. D., Maurice, P. A., & Talley, J. W. (2007). LakeNet: An Integrated Sensor Network for Environmental Sensing in Lakes. Environmental Engineering Science, 24(2), 183–191. https://doi.org/10.1089/ees.2006.0044Seoane, J., Viñuela, J., Dı́az-Delgado, R., & Bustamante, J. (2003). The effects of land use and climate on red kite distribution in the Iberian peninsula. Biological Conservation, 111(3), 401–414. https://doi.org/10.1016/S0006-3207(02)00309-9Sharma, G., & Bhattacharjee, D. (2016). Optimization of Sensor and Wireless Network for Forest Fire Detection. International Journal of Future Generation Communication and Networking, 9(3), 47–56. https://doi.org/10.14257/ijfgcn.2016.9.3.05Slavich, E., Warton, D. I., Ashcroft, M. B., Gollan, J. R., & Ramp, D. (2014). Topoclimate versus macroclimate: how does climate mapping methodology affect species distribution models and climate change projections? Diversity and Distributions, 20(8), 952–963. https://doi.org/10.1111/ddi.12216Texas Instruments. (2014). TMP102 Datasheet. Retrieved February 7, 2016, from http://www.ti.com/product/tmp112Tolle, G., Polastre, J., Szewczyk, R., Culler, D., Turner, N., Tu, K., … Hong, W. (2005). A macroscope in the redwoods. In Proceedings of the 3rd International Conference on Embedded Networked Sensor Systems (pp. 51–63). San Diego, CA, USA: ACM. https://doi.org/10.1145/1098918.1098925Torán, F., Ramı́rez, D., Navarro, A. E., Casans, S., Pelegrı́, J., & Espı́, J. M. (2001). Design of a virtual instrument for water quality monitoring across the Internet. Sensors and Actuators B: Chemical, 76(1–3), 281–285. https://doi.org/10.1016/S0925-4005(01)00584-6Trzaska, S., & Schnarr, E. (2014). A Review of Downscaling Methods for Climate Change Projections. (P. Caffrey & A. Farmer, Eds.). Burlington, Vermont: United States Agency for International Development by Tetra Tech ARD.Vairamani, K., Mathivanan, N., Venkatesh, K. A., & Kumar, U. D. (2013). Environmental parameter monitoring using wireless sensor network. INSTRUMENTS AND EXPERIMENTAL TECHNIQUES, 56(4), 468–471. https://doi.org/10.1134/S0020441213040118Valverde, J., Rosello, V., Mujica, G., Portilla, J., Uriarte, A., & Riesgo, T. (2012). Wireless Sensor Network for Environmental Monitoring: Application in a Coffee Factory. International Journal of Distributed Sensor Networks, 8(1), 638067. https://doi.org/10.1155/2012/638067Vanderzee, D., & Ehrlich, D. (1995). Sensitivity of ISODATA to changes in sampling procedures and processing parameters when applied to AVHRR time-series NDV1 data. International Journal of Remote Sensing, 16(4), 673–686. https://doi.org/10.1080/01431169508954433Vazirani, V. V. (2003). Set Cover. In Approximation Algorithms (pp. 15–26). Berlin, Heidelberg: Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-04565-7_2Wang, H., Zhang, T., Quan, Y., & Dong, R. (2013). Research on the framework of the Environmental Internet of Things. International Journal of Sustainable Development & World Ecology, 20(3), 199–204. https://doi.org/10.1080/13504509.2013.783517Wark, T., Hu, W., Corke, P., Hodge, J., Keto, A., Mackey, B., … Brunig, M. (2008). Springbrook: Challenges in developing a long-term, rainforest wireless sensor network. In 2008 International Conference on Intelligent Sensors, Sensor Networks and Information Processing (pp. 599–604). Sydney, Australia: IEEE. https://doi.org/10.1109/ISSNIP.2008.4762055Watson, J.-P., Greenberg, H. J., & Hart, W. E. (2004). A multiple-objective analysis of sensor placement optimization in water networks. In Proceedings of the World Water and Environment Resources Congress (pp. 1–10). Salt Lake City, UT, USA: American Society of Civil Engineers. https://doi.org/10.1061/40737(2004)456Werner-Allen, G., & Lorincz, K. (2006). Deploying a wireless sensor network on an active volcano. IEEE Internet Computing …, 10(April), 18–25. Retrieved from http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1607983Yick, J., Bharathidasan, A., Pasternack, G., Mukherjee, B., & Ghosal, D. (2004). Optimizing placement of beacons and data loggers in a sensor network - a case study. In 2004 IEEE Wireless Communications and Networking Conference (IEEE Cat. No.04TH8733) (pp. 2486–2491). Atlanta, GA, USA: IEEE. https://doi.org/10.1109/WCNC.2004.1311479Yick, J., Mukherjee, B., & Ghosal, D. (2008). Wireless sensor network survey. Computer Networks, 52(12), 2292–2330. https://doi.org/10.1016/j.comnet.2008.04.002Yick, J., Pasternack, G., Mukherjee, B., & Ghosal, D. (2006). Placement of network services in a sensor network. International Journal of Wireless and Mobile Computing, 1(2), 101–112. https://doi.org/10.1504/IJWMC.2006.012469Younis, M., & Akkaya, K. (2008). Strategies and techniques for node placement in wireless sensor networks: A survey. Ad Hoc Networks, 6(4), 621–655. https://doi.org/10.1016/j.adhoc.2007.05.003Zhang, C., He, X.-F., Li, S.-Y., Cheng, Y.-Q., & Rao, Y. (2015). A Wind Energy Powered Wireless Temperature Sensor Node. Sensors, 15(3), 5020–5031. https://doi.org/10.3390/s150305020Zimmermann, N. E., & Kienast, F. (1999). Predictive mapping of alpine grasslands in Switzerland: Species versus community approach. Journal of Vegetation Science, 10, 469–482.