طراحی سیستم تشخیص زودهنگام آتش سوزی جنگل با ترکیب داده های حسگرهای محیطی و پردازش تصاویر

هدف پژوهش: آتش سوزی جنگل ها یکی از مهم ترین عوامل تخریب اکوسیستم های طبیعی است و سالانه خسارات گسترده ای در سراسر جهان ایجاد می کند. سرعت گسترش حریق، نیاز به سامانه های هشدار زودهنگام را بیش از پیش ضروری ساخته است. هدف پژوهش حاضر طراحی یک سیستم هوشمند تشخیص زودهنگام آتش سوزی با ترکیب داده های حسگرهای محیطی و پردازش تصاویر است تا بتواند فرآیند تشخیص حریق را با دقت بیشتر و زمان واکنش کوتاه تر ارائه دهد. روش پژوهش: در این پژوهش شبکه ای شامل حسگرهای دما، رطوبت، دود، CO₂ و رطوبت خاک طراحی شد که داده ها را در دوره های پنج دقیقه ای ثبت می کنند. همزمان از یک واحد تصویربرداری شامل دوربین ثابت با قابلیت دید در روز و شب برای ثبت تصاویر محیطی استفاده شده است. پس از جمع آوری داده ها، تحلیل ها با به کارگیری الگوریتم های Random Forest، SVM، LSTM و شبکه های کانولوشنی CNN انجام شده است. برای تحلیل تصاویر، از معماری های پیشرفته تشخیص دود و شعله شامل MobileNet و YOLOv۵ بهره گرفته شد. یافته ها: نتایج نشان داد ترکیب داده های حسگری و تصویری به طور میانگین باعث افزایش ۲۳ درصدی دقت نسبت به استفاده مستقل از هر یک شده است. مدل Random Forest در تحلیل داده های حسگری و مدل YOLOv۵ در پردازش تصاویر عملکرد بسیار خوبی ارائه دادند. همچنین LSTM توانست روند تغییرات محیطی را با خطای کمتر از ۰٫۱ پیش بینی کند. ترکیب خروجی مدل ها در یک تابع تصمیم گیر هیبرید، ضریب هشدار غلط را به میزان ۴۱ درصد کاهش داد. بحث: تحلیل دقیق نشان می دهد که داده های حسگری اغلب تغییرات اولیه محیطی را سریع تر ثبت کرده و پردازش تصویر نشانه های بصری آتش مانند دود یا شعله را در فاصله نزدیک یا متوسط تشخیص می دهد. ادغام این دو نوع داده، باعث افزایش پایداری سامانه، کاهش وابستگی به یک منبع اندازه گیری و افزایش مقاومت سامانه در برابر خطاهای احتمالی حسگرها یا اختلالات دیداری شد.

کلیدواژه ها:

پایش جنگل ، شبکه های حسگر بی سیم ، تشخیص آتش سوزی ، داده های زیست محیطی ، یادگیری ماشین ، مدل LSTM