Intelligente Branddetektion in der Landwirtschaft mittels Machine Learning und Embedded-Systemen zur Risikoprävention und verbesserten Nachhaltigkeit

Warum der Schutz von Betrieben vor Bränden wichtig ist

Weltweit spüren Landwirtinnen und Landwirte die Folgen heißeren, trockeneren Wetters und häufiger auftretender Waldbrände. Ein einziger Großbrand kann Ernten vernichten, Böden schädigen und die lokale Lebensmittelversorgung bedrohen. Diese Arbeit stellt einen praxisnahen Ansatz vor, um Brände auf Höfen frühzeitig zu erkennen: ein kleines, kostengünstiges elektronisches Gerät kombiniert mit intelligenter Software, sodass Gefahren rechtzeitig auch auf abgelegenen Feldern ohne oder mit eingeschränktem Internetzugang aufgefangen werden können.

Betriebe in Gefahr in einer sich erwärmenden Welt

Moderne Landwirtschaft ist auf relativ stabiles Wetter angewiesen, doch der Klimawandel bringt längere Hitzewellen, Dürreperioden und mehr Brände. Klassische Methoden der Brandüberwachung, etwa Patrouillen oder weit entfernte Kameras, sind langsam, kostspielig und übersehen oft kleinere Ausbrüche. Für viele ländliche Gemeinden, besonders fernab von Städten und Netzwerkinfrastruktur, besteht ein akuter Bedarf an einfachen Werkzeugen, die rund um die Uhr Felder überwachen, innerhalb von Sekunden vor Gefahr warnen und die Lebensmittelproduktion schützen, ohne auf komplexe Cloud-Dienste angewiesen zu sein.

Eine kleine Box, die Rauch und Flamme beobachtet

Die Forschenden bauten eine autonome Brandmeldeeinheit um einen handflächengroßen Raspberry Pi 3 B+ Mikrocomputer herum. Dieses Gerät wird direkt mit im Feld platzierten Rauch- und Flammensensoren verbunden. Die Sensoren messen kontinuierlich die Menge an Rauch und Flamme, und der Raspberry Pi speichert diese Messwerte lokal mit genauen Zeitstempeln. Ein kleines Display zeigt das aktuelle Gefahrenniveau an, und ein Summer ertönt, wenn das Risiko hoch wird, sodass nahe Mitarbeitende sofort reagieren können. Da alles auf dem Gerät selbst abläuft, kann das System auf isolierten Höfen ohne verlässliches Internet oder zentrale Server betrieben werden.

Dem Gerät beibringen, das Brandrisiko einzuschätzen

Nur Rauch und Flamme zu messen reicht nicht aus; das System muss auch einschätzen, wie ernst die Lage ist. Dazu trainierte das Team mehrere Machine-Learning-Modelle — computerbasierte Methoden, die Muster in Daten lernen — anhand realer Messwerte, die mit ihrem Prototyp gesammelt wurden. Sie definierten drei Kategorien: normale Bedingungen ohne Brand, ein Warnzustand mit möglicher Gefahr und bestätigte Brände. Mit einem vergleichsweise kleinen, aber sorgfältig bereinigten Datensatz setzten sie Modelle wie logistische Regression und Random Forest ein sowie lineare Regression, um einen kontinuierlichen Risikoscore zu erzeugen. Die Modelle lernten, wie Kombinationen von Rauch- und Flammenwerten diesen Risikozuständen entsprechen und wie schnelle Veränderungen über die Zeit auf zunehmende Gefahr hinweisen.

Wie intelligente Software die Zuverlässigkeit erhöht

In Tests hob sich das Random-Forest-Modell hervor. Es klassifizierte die Brandrisikostufen mit etwa 99 % Genauigkeit richtig und erzielte ähnlich hohe Werte dafür, wie viele echte Brände es erfasste und wie wenige es verfehlte. Das einfachere logistische Modell schnitt ebenfalls gut ab, doch Random Forest bewältigte komplexere Muster in den Daten und zeigte sich in wiederholten Durchläufen stabiler. Um fehlerhafte Sensoren oder ungewöhnliche Umweltbedingungen abzufangen, ergänzten die Forschenden eine Anomalieerkennungsstufe mit einem Verfahren namens Isolation Forest. Diese zusätzliche Schicht markiert ungewöhnliche Messwerte, die nicht dem normalen Verhalten entsprechen und entweder auf ein bislang unbekanntes Brandmuster oder auf einen defekten Sensor hinweisen können. Das Team analysierte außerdem, zu welchen Tageszeiten Vorfälle gehäuft auftraten, und identifizierte Zeitfenster, in denen eine engere Überwachung besonders nützlich sein kann.

Auf dem Weg zu intelligenterer und widerstandsfähigerer Landwirtschaft

Durch die Kombination kostengünstiger Hardware, lokaler Datenverarbeitung und gezielt ausgewählter Machine-Learning-Methoden bietet das vorgeschlagene System Landwirtinnen und Landwirten ein praktisches Frühwarninstrument gegen Brände. Es ist nicht auf schnelle Internetverbindungen oder große Rechenzentren angewiesen und eignet sich daher für abgelegene Agrarregionen. Die Ergebnisse deuten darauf hin, dass solche smarten Embedded-Systeme das Brandrisiko deutlich senken, eine stabilere Lebensmittelproduktion unterstützen und Betriebe bei der Anpassung an ein sich veränderndes Klima helfen können. Mit künftigen Erweiterungen — etwa zusätzlichen Umweltsensoren, verbesserten Algorithmen und eventuell Solarstrom — könnte dieser Ansatz zu einer umfassenderen Plattform für Hofsicherheit und Ressourcenmanagement ausgebaut werden, die sowohl Pflanzen als auch die umliegende Umwelt schützt.

Zitation: Morchid, A., Elbasri, A., Qjidaa, H. et al. Intelligent fire detection in agriculture using machine learning and embedded systems for risk prevention and improved sustainability. Sci Rep 16, 9773 (2026). https://doi.org/10.1038/s41598-026-40378-w

Schlüsselwörter: smarte Landwirtschaft, Branderkennung, Machine Learning, Embedded-Systeme, ländliche Nachhaltigkeit