سامانه همایش های دانشگاه شمال

صفحه اصلی / دانشگاه، حقوق عامه، انفال و مسئولیت های اجتماعی

طراحی سیستم تشخیص زودهنگام آتش‌سوزی جنگل با ترکیب داده‌های حسگرهای محیطی و پردازش تصاویر

نویسندگان :

امیر علی آبادیان¹ سهند یهکشی²

1- استادیار و عضو هیات علمی دانشگاه شمال آمل 2- دانشجوی کارشناسی ارشد دانشگاه شمال آمل

کلمات کلیدی :

پایش جنگل،شبکه‌های حسگر بی‌سیم،تشخیص آتش‌سوزی،داده‌های زیست‌محیطی،یادگیری ماشین،مدل LSTM

چکیده :

چکیده هدف پژوهش: آتش‌سوزی جنگل‌ها یکی از مهم‌ترین عوامل تخریب اکوسیستم‌های طبیعی است و سالانه خسارات گسترده‌ای در سراسر جهان ایجاد می‌کند. سرعت گسترش حریق، نیاز به سامانه‌های هشدار زودهنگام را بیش از پیش ضروری ساخته است. هدف پژوهش حاضر طراحی یک سیستم هوشمند تشخیص زودهنگام آتش‌سوزی با ترکیب داده‌های حسگرهای محیطی و پردازش تصاویر است تا بتواند فرآیند تشخیص حریق را با دقت بیشتر و زمان واکنش کوتاه‌تر ارائه دهد. روش پژوهش: در این پژوهش شبکه‌ای شامل حسگرهای دما، رطوبت، دود، CO₂ و رطوبت خاک طراحی شد که داده‌ها را در دوره‌های پنج‌دقیقه‌ای ثبت می‌کنند. همزمان از یک واحد تصویربرداری شامل دوربین ثابت با قابلیت دید در روز و شب برای ثبت تصاویر محیطی استفاده شده است. پس از جمع‌آوری داده‌ها، تحلیل‌ها با به‌کارگیری الگوریتم‌های Random Forest، SVM، LSTM و شبکه‌های کانولوشنی CNN انجام شده است. برای تحلیل تصاویر، از معماری‌های پیشرفته تشخیص دود و شعله شاملMobileNet و YOLOv5 بهره گرفته شد. یافته‌ها: نتایج نشان داد ترکیب داده‌های حسگری و تصویری به‌طور میانگین باعث افزایش ۲۳ درصدی دقت نسبت به استفاده مستقل از هر یک شده است. مدل Random Forest در تحلیل داده‌های حسگری و مدل YOLOv5 در پردازش تصاویر عملکرد بسیار خوبی ارائه دادند. همچنین LSTM توانست روند تغییرات محیطی را با خطای کمتر از ۰٫۱ پیش‌بینی کند. ترکیب خروجی مدل‌ها در یک تابع تصمیم‌گیر هیبرید، ضریب هشدار غلط را به میزان ۴۱ درصد کاهش داد. بحث: تحلیل دقیق نشان می‌دهد که داده‌های حسگری اغلب تغییرات اولیه محیطی را سریع‌تر ثبت کرده و پردازش تصویر نشانه‌های بصری آتش مانند دود یا شعله را در فاصله نزدیک یا متوسط تشخیص می‌دهد. ادغام این دو نوع داده، باعث افزایش پایداری سامانه، کاهش وابستگی به یک منبع اندازه‌گیری و افزایش مقاومت سامانه در برابر خطاهای احتمالی حسگرها یا اختلالات دیداری شد. نتیجه‌گیری: سامانه پیشنهادی قادر است وقوع آتش‌سوزی را در بازه زمانی ۳۰ تا ۹۰ ثانیه زودتر از روش‌های مبتنی بر حسگر یا پردازش تصویر به‌صورت جداگانه تشخیص دهد. این رویکرد می‌تواند برای مدیریت بحران، حفاظت از پوشش گیاهی و کاهش خسارت‌های زیست‌محیطی بسیار مؤثر باشد. توسعه بخش ارتباطی با استفاده از شبکه‌های LoRaWAN و بهره‌گیری از دوربین‌های حرارتی برای تقویت عملکرد در شرایط دید کم پیشنهاد می‌شود. کلمات کلیدی: پایش جنگل، شبکه‌های حسگر بی‌سیم، تشخیص آتش‌سوزی، داده‌های زیست‌محیطی، یادگیری ماشین، مدل LSTM