Інновації у виявленні лісових пожеж: прогрес у системах раннього попередження

Овайс Алі
Овайс Алі7 лютого 2024 р
Переглянуто Лаурою Томсон
Автор зображення: Che Media/Shutterstock.com

За останнє десятиліття лісові пожежі зазнали сплеску частоти та масштабів, завдаючи великої шкоди екосистемам і населеним пунктам. Інновації в прогнозній аналітиці, дистанційному зондуванні та інтеграції даних дозволяють точніше та завчасно попереджати, пом’якшуючи стихійні лиха лісових пожеж.

За оцінками Європейського космічного агентства , лісові пожежі вразили приблизно чотири мільйони квадратних кілометрів землі в усьому світі. Лише в Сполучених Штатах Національний міжвідомчий протипожежний центр повідомив про 50 великих лісових пожеж у період з 1 січня по 29 червня минулого року, що перевищило середній показник за 10 років і спалило приблизно 192 016 акрів. 1

Хоча повністю запобігти неможливо, потенційні руйнування, спричинені лісовими пожежами, можна значно зменшити за допомогою раннього виявлення та точного геолокації на початкових стадіях.

Проблеми виявлення лісових пожеж

Виявляти лісові пожежі на ранніх стадіях складно. Пожежонебезпечні території часто складаються з віддалених, пересічених місцевостей з обмеженим сполученням і видимістю.

Пожежі, що починаються на низьких висотах, можуть залишатися непоміченими протягом значного часу, оскільки вони можуть давати обмежені спостережувані показники, такі як невеликі стовпи диму або незначні стрибки температури та газів. Традиційне виявлення лісових пожеж також значною мірою залежить від випадкових повідомлень свідків.

Таким чином, для більш ефективного та точного моніторингу великих і віддалених територій потрібні автоматизовані підходи, які не залежать від участі людини.

Останні інновації в системах раннього виявлення лісових пожеж

Розумні сенсорні мережі

Взаємозв’язані наземні сенсорні мережі забезпечують ефективне рішення для моніторингу лісових пожеж на великих географічних територіях. Ці мережі виявляють лісові пожежі на ранніх стадіях, відстежуючи температуру, вологість, частинки повітря та гази. Вони бездротовим способом сповіщають централізовані системи управління перед появою відкритого вогню або видимого диму.

Dryad Networks , німецький стартап, розробив датчики на сонячних батареях, які діють як «електронні носи», виявляючи хімічні речовини диму, що виділяються на ранніх стадіях пожежі. Датчики навчені за допомогою штучного інтелекту (ШІ), щоб відрізняти дим лісових пожеж від інших джерел, таких як транспортні засоби.

Приблизно 400 датчиків було розгорнуто в Бранденбурзькому лісі Німеччини, і вони попереджають органи влади протягом 10-15 хвилин у разі виявлення диму — це значно швидше, ніж люди. 2 Це швидке сповіщення дає змогу вчасно реагувати, поки пожежі ще невеликі та керовані.

Однак датчики обмежені зоною прямої видимості, тому для всебічного моніторингу необхідні кілька розподілених мереж.

Системи повітряного виявлення

Повітряні системи, як-от безпілотники та супутники, забезпечують вид з висоти пташиного польоту, щоб помітити розвиток лісових пожеж.

У відповідь на високу кількість лісових пожеж у Каліфорнії дослідники UC Davis запропонували новий підхід до раннього виявлення лісових пожеж за допомогою безпілотних літальних апаратів (БПЛА).

Цей метод включає в себе мережу наземних датчиків на кількох ділянках, моніторинг температури, вологості та швидкості вітру. Безпілотники Octocopter розгортаються для перевірки, коли ці датчики виявляють умови, що сприяють лісовим пожежам, наприклад спекотну суху погоду та сильний вітер.

дрон для лісових пожеж, крупним планом дрон

Автор зображення: Bilanol/Shutterstock.com

Безпілотники мають спеціалізовані пакувальні труби для збору зразків диму та хімічні датчики для надання даних у реальному часі про CO 2 та частинки диму. Це дає змогу відображати сигнатури хімічних пожеж у складних ландшафтах до видимого виявлення.4

«Хімічний датчик більш чутливий, ніж візуальний. Якщо ви ходите по сусідству і хтось палить дрова в каміні, ви нічого не бачите, але відчуваєте запах», — каже Ентоні Векслер, директор Дослідницького центру якості повітря Каліфорнійського університету в Девісі. 3

Мобільність і радіус дії антенних систем забезпечують видимість над просторим поєднанням дикої місцевості та міста. Однак погода, тривалість польоту та проблеми з автономністю залишаються перешкодами для комплексного розгортання.

ШІ та комп’ютерний зір

Для автоматизованого раннього виявлення лісових пожеж використовуються дедалі складніші алгоритми ШІ та комп’ютерного зору. Моделі глибокого навчання навчаються на тисячах зображень вогню та диму, щоб розпізнавати високонадійні візуальні індикатори. Вони також постійно вдосконалюють свої можливості шляхом перенавчання на основі нових даних.

Докладніше: Прогнозування лісових пожеж за допомогою передової технології прогнозування погоди

Пов’язані історії

Пожежне агентство Каліфорнії Cal Fire використовує програмне забезпечення штучного інтелекту для аналізу зображень із понад 1000 камер на вершинах гір по всьому штату. Моделі глибокого навчання виявляють візуальні сигнатури диму, повідомляючи пожежників про виникнення пожежі в режимі реального часу. Під час випробувань система штучного інтелекту виявила 77 пожеж до дзвінків служби екстреної допомоги, що дозволило швидше реагувати, поки пожежі були невеликими. 5

Однак технологія обмежена областями, видимими для камер, і вимагає перевірки людиною, щоб мінімізувати помилкові сповіщення.

Fire Watch від Pano AI із підтримкою 5G

Технологія 5G забезпечує швидшу передачу даних і підключення, дозволяючи розгортати вдосконалені датчики, дрони та ШІ для виявлення лісових пожеж у реальному часі. Високошвидкісні можливості 5G із малою затримкою покращують зв’язок між особами, які першими реагують, і покращують загальну координацію під час заходів із реагування на надзвичайні ситуації.

Pano AI використовує 360-градусні камери надвисокої чіткості та штучний інтелект у мережі 5G для швидкого виявлення та моніторингу лісових пожеж. Інтеграція 5G покращує передачу даних і підключення, дозволяючи швидше реагувати у віддалених місцях і сповіщати людей поблизу за допомогою передачі відео в реальному часі.

З понад 100 системами, розгорнутими в США та Австралії, ця технологія виявила та допомогла локалізувати понад 50 000 пожеж з моменту її запуску в 2020 році.6

Інтегроване штучним інтелектом виявлення лісових пожеж у мінливих середовищах

Дослідження, опубліковане в Remote Sensing of Environment, запропонувало нову модель на основі штучного інтелекту для виявлення лісових пожеж, яка поєднує супутникові дані з даними числової моделі, що використовуються в прогнозі погоди, що забезпечує більш адаптивний і комплексний підхід до моніторингу та реагування на лісові пожежі. 7

Двомодульна модель глибокого навчання згорткової нейронної мережі (DM CNN) оцінює кілька змінних одночасно, включаючи відносну вологість, температуру поверхні та кут супутникового спостереження. Цей підхід підвищує точність виявлення, незважаючи на зміни умов навколишнього середовища, забезпечуючи значну перевагу перед існуючими технологіями.

Ширший просторовий діапазон технології компенсує нижчу роздільну здатність супутника, що робить її багатообіцяючим прогресом у глобальній технології виявлення лісових пожеж, яка залишається ефективною, незважаючи на варіації умов спостереження та факторів навколишнього середовища.

Виклики та перспективи на майбутнє

Незважаючи на використання передових систем, таких як супутники та сторожові вежі, виявлення лісових пожеж на ранніх стадіях залишається складним завданням. Ці системи можуть бути не в змозі швидко виявити пожежу, що зароджується, що призводить до помилкових спрацьовувань, які навантажують ресурси першої служби реагування.

Проте постійні інновації в методах виявлення та аналітиці дозволять використовувати розумнішу технологію раннього попередження для пом’якшення ескалації загроз лісових пожеж.

Посилання та додаткова література

  1. Mohapatra, A., Trinh, T. (2022). Early Wildfire Detection Technologies in Practice—a Review. Sustainabilitydoi.org/10.3390/su141912270.
  2. Min, R. (2023). These Electronic ‘Noses’ Can Sniff Out Wildfires and Alert Fire Authorities Using AI. [Online] Euronews. Available at: https://www.euronews.com/next/2023/07/20/these-electronic-noses-can-sniff-out-wildfires-and-alert-fire-authorities-using-ai.
  3. Heath, J. (2023). New Drone Research Advances Wildfire Monitoring. [Online] UC Davis. Available at: https://www.ucdavis.edu/climate/news/new-drone-research-advances-wildfire-monitoring.
  4. Ragbir, P., et al. (2023). UAV-Based Wildland Fire Air Toxics Data Collection and Analysis. Sensorsdoi.org/10.3390/s23073561.
  5. Smith, H. (2023). As California Fires Worsen, Can AI Come to the Rescue? [Online] Los Angeles Times. Available at: https://www.latimes.com/california/story/2023-08-24/can-ai-fight-wildfires-california-is-counting-on-it.
  6. Sloat, S. (2023). A 5G-Powered Wildfire-Detection Tool Is Helping First Responders Contain Fires Faster. [Online] Business Insider. Available at: https://www.businessinsider.com/pano-ai-5g-wildfire-detection-tool-contains-fires-faster-2023-9.
  7. Kang, Y., Sung, T., Im, J. (2023). Toward an Adaptable Deep-Learning Model for Satellite-Based Wildfire Monitoring with Consideration of Environmental Conditions. Remote Sensing of Environmentdoi.org/10.1016/j.rse.2023.113814.

https://www.azocleantech.com/article.aspx?ArticleID=1785

Loading