1. SFT
  2. Archiwum
  3. Vol. 63
  4. Mechanizmy akwizycji danych dla celów...

Mechanizmy akwizycji danych dla celów uczenia maszynowego modeli detekcji wzrostu zagrożenia pożarowego z zastosowaniem urządzeń internetu rzeczy i systemów satelitarnych

Dawid, Jurczyński, mgr inż. , Paweł, Buchwald, dr inż.

Pobierz artykuł
Open Access
DOI: 10.12845/sft.63.1.2024.3, strony: 34 – 43

Abstrakt

Cel: Artykuł poświęcony jest zagadnieniu badań i rozwoju zaawansowanych mechanizmów pozyskiwania danych niezbędnych do szkolenia modelu sztucznej inteligencji zdolnego do efektywnego wykrywania obszarów o zwiększonej podatności na sytuacje pożarowe. W pracy skupiono się na wykorzystaniu danych z misji satelitarnych oraz czujników naziemnych, które dostarczają zarówno obrazów o wysokiej rozdzielczości, jak i precyzyjnych danych dotyczących temperatury, wilgotności oraz innych czynników środowiskowych. Poprzez analizę tych różnorodnych źródeł danych, badanie na celu stworzenie kompleksowego i efektywnego modelu zdolnego do wczesnego wykrywania potencjalnych zagrożeń pożarowych, co jest kluczowe w zapobieganiu klęskom żywiołowym i minimalizowaniu ich skutków.

Projekt i metody: Metodologie zastosowane w tym projekcie obejmują połączenie zaawansowanego pozyskiwania danych, technik uczenia maszynowego oraz syntezę różnorodnych danych środowiskowych do szkolenia modeli AI, tak aby mogły przewidywać i wykrywać incydenty pożarowe bardziej efektywnie. Wyniki: Wykazano wyraźny postęp w wykrywaniu pożarów i zarządzaniu nimi dzięki zastosowaniu integracji sztucznej inteligencji (AI) z danymi satelitarnymi i internetu rzeczy (IoT): 1. Rozszerzone możliwości monitorowania: Wykorzystanie systemów danych satelitarnych umożliwiło monitoring w czasie rzeczywistym anomalii termicznych oraz stanu zdrowotnego roślinności, istotnych z perspektywy wczesnego wykrywania i skutecznego monitorowania pożarów. Ta zdolność pozwoliła na szybsze reakcje i bardziej świadome podejmowanie decyzji w działaniach przeciwpożarowych. 2. Skuteczna integracja źródeł danych: Integracja danych satelitarnych i naziemnych okazała się skuteczna w zwiększaniu zdolności predykcyjnych systemów zarządzania pożarami. To kompleksowe podejście pozwoliło na lepsze zrozumienie dynamiki pożarów i przyczyniło się do dokładniejszych i bardziej aktualnych prognoz.

Wnioski: Można podkreślić znaczące korzyści i przyszły potencjał integracji sztucznej inteligencji (AI) z danymi satelitarnymi i IoT w celu poprawy wykrywania pożarów. Połączenie obrazowania satelitarnego i danych z czujników IoT jest niezbędne do zwiększenia dokładności predykcyjnej systemów AI. Ta integracja umożliwia kompleksową ocenę ryzyka pożarowego poprzez dostarczanie informacji istotnych dla prewencyjnych strategii zarządzania pożarami. Powyższe wnioski świadczą o transformacyjnym potencjale AI w poprawie systemów zarządzania pożarami.

Słowa kluczowe: internet rzeczy, systemy satelitarne, systemy prewencji przeciwpożarowej, sztuczna inteligencja

Typ artykułu: oryginalny artykuł naukowy

Bibliografia:

  1. Giglio L., Schroeder W., Justice Ch.O., The Collection 6 MODIS active fire detection algorithm and fire products, “Remote Sensing of Environment” 2016, 178, 31–41, https://doi.org/10.1016/j.rse.2016.02.054.
  2. Schroeder W., Prins E., Giglio L., Csiszar I., Schmidt Ch., Morisette J., Morton D., Validation of GOES and MODIS active fire detection products using ASTER and ETM+ data, “Remote Sensing of Environment” 2008, 112(5), 2711–2726, https://doi.org/10.1016/j.rse.2008.01.005.
  3. Justice C.O., Giglio L., Korontzi S., et al., The MODIS fire products, “Remote Sensing of Environment” 2002, 83, 1–2, 244–262, https://doi.org/10.1016/S0034-4257(02)00076-7.
  4. Jurczyński D., Grzebień K., Estimating the possibility of a fire using satellite missions, “Security Forum” 2023, 7, 1, 163–177, https://doi.org/10.26410/SF_1/23/12.
  5. Maffei C., Alfieri S., Menenti M., Time series of land surface temperature from daily MODIS measurements for the prediction of fire hazard, in: Advances in forest fire research, X.V. Domingos (ed.), 1024-1029, https://doi.org/10.14195/978-989-26-0884-6_111.
  6. Chuvieco E., Lizundia-Loiola J., Pettinari M.L. et al., Generation and analysis of a new global burned area product based on MODIS 250 m reflectance bands and thermal anomalies, “Earth Syst. Sci. Data” 2018, 10, 2015–2031, https://doi.org/10.5194/essd-10-2015-2018.
  7. Freeborn P.H., Wooster M.J., Roberts G., Xu W., Evaluating the SEVIRI Fire Thermal Anomaly Detection Algorithm across the Central African Republic Using the MODIS Active Fire Product, “Remote Sens.” 2014, 6, 1890–1917, https://doi.org/10.3390/rs6031890.
  8. Maffei C., Alfieri S.M., Menenti M., Relating Spatiotemporal Patterns of Forest Fires Burned Area and Duration to DiurnalLand Surface Temperature Anomalies, “Remote Sens.” 2018, 10, 1777, https://doi.org/10.3390/rs10111777.
  9. Schroeder W., Oliva P., Giglio L., Csiszar I.A., The New VIIRS 375m active fire detection data product: Algorithm description and initial assessment, “Remote Sensing of Environment” 2014, 143, 85–96, https://doi.org/10.1016/j.rse.2013.12.008.
  10. Zhang X., Kondragunta S., Ram J., Schmidt C., Huang H.C., Near-real-time global biomass burning emissions product from geostationary satellite constellation, “Journal of Geophysical Research: Atmospheres” 2017, 117(D14), 122, https://doi.org/10.1029/2012JD017459.
  11. Setzer A.W., Pereira M.C., Amazonia biomass burning in 1987 and an estimate of their tropospheric emissions,“Ambio” 2013, 22(1), 37–42.
  12. Schmetz J., Pili P., Tjemkes S., Just D., Kerkmann J., Rota S., Ratier A., An Introduction to Meteosat Second Generation (MSG), “Bulletin of the American Meteorological Society” 2002, 83(7), 977–992.
  13. Menzel W.P., Purdom J.F.W., Introducing GOES-I: The first of a new generation of Geostationary Operational Environmental Satellites, "Bulletin of the American Meteorological Society” 1994, 75(5), 757–781, https://doi.org/10.1175/1520-0477(1994)075<0757:IGITFO>2.0.CO;2.
  14. Kidwell K.B., Global Vegetation Index user's guide, NOAA Technical Report NESDIS, 1991, 107.
  15. Kaufman Y.J., Justice C.O. et al., The MODIS fire products, “Remote Sensing of Environment” 2002, 83 (1–3), 244–262, https://doi.org/10.1016/S0034-4257(02)00076-7.
  16. Stöckli R., Vermote E., The operational land imager: Remote sensing of forest cover and biophysical trends, “Remote Sensing of Environment” 2006, 100(1), 75–89.
  17. Roy D.P., Lewis P.E., Justice C.O., Burned area mapping using multi-temporal moderate spatial resolution data—a bi-directional reflectance model-based expectation approach, “Remote Sensing of Environment” 2002, 81(1–2), 263–286, https://doi.org/10.1016/S0034-4257(02)00077-9.
  18. Miller J.D., Thode A.E., Quantifying burn severity in a heterogeneous landscape with a relative version of the delta Normalized Burn Ratio (dNBR), “Remote Sensing of Environment” 2007, 109(4), 66–80, https://doi.org/10.1016/j.rse.2006.12.006.
  19. Pacheco A.P.S., Fernandes K., Chaves M.E., Assessment of fire severity and land cover change in a Mediterranean landscape using remote sensing and GIS, “Remote Sensing of Environment” 2015, 156, 460–473.
  20. Buchwald P., Wykorzystanie systemów teleinformatycznych i pomiarowych do dystrybucji danych na potrzeby prognozowania infekcji roślin uprawnych, w: Wybrane Aspekty Informatyki Biomedycznej, P. Kostwa (red.), Wydawnictwo WSB, Dąbrowa Górnicza 2014.
  21. Buchwald P., Granosik G., Gwiazda A., Internet Rzeczy i jego przemysłowe zastosowania, Wydawnictwo PWE, Warszawa 2022.
  22. Naderpour M., Rizeei H.M., Ramezani F., Forest Fire Risk Prediction: A Spatial Deep Neural Network-Based Framework,“Remote Sensing of Environment” 2021, 13, 2513. https://doi.org/10.3390/rs13132513.
  23. You X., Zheng Z., Yang K., Yu L., Liu J., Chen J., Lu X., Guo S., A PSO-CNN-Based Deep Learning Model for Predicting Forest Fire Risk on a National Scale, “Forests” 2024, 15, 86, https://doi.org/10.3390/f15010086.
  24. Chukalin A.V., Kovalnogov V.N., Fedorov R.V., Chamchiyan Y.E, Kornilova, M.I., Verification of the Digital Twin of the Atmospheric Boundary Layer in the Area of the Wind Farm Based on Telemetry Data and Meteorological Measurements, “IJIRMPS” 2023, https://doi.org/10.37082/IJIRMPS. ICTIMESH-23.13.
  25. Guo N., Liu J., Di K. et al., A hybrid attention model based on first-order statistical features for smoke recognition, “Science China Technological Sciences” 2024, 67, 809–822, https:// doi.org/10.1007/s11431-022-2449-1.