Inteligentne wykrywanie pożarów w rolnictwie przy użyciu uczenia maszynowego i systemów wbudowanych w celu zapobiegania ryzyku i poprawy zrównoważonego rozwoju

Dlaczego ochrona gospodarstw przed pożarami ma znaczenie

Na całym świecie rolnicy odczuwają skutki cieplejszej, bardziej suchej pogody i częstszych pożarów. Jeden pożar może zniszczyć zbiory, uszkodzić glebę i zagrozić lokalnym zasobom żywności. Artykuł opisuje praktyczne rozwiązanie umożliwiające wczesne wykrywanie pożarów na gospodarstwach przy użyciu niewielkiego, niedrogiego urządzenia elektronicznego i inteligentnych programów komputerowych, dzięki czemu zagrożenie można wykryć na czas nawet na odległych polach z ograniczonym lub żadnym dostępem do internetu.

Gospodarstwa narażone w ocieplającym się świecie

Nowoczesne rolnictwo zależy od stabilnej pogody, tymczasem zmiany klimatu powodują dłuższe fale upałów, susze i więcej pożarów. Tradycyjne metody obserwacji, takie jak patrole czy kamery na odległość, są powolne, kosztowne i często nie zauważają małych zarzewi. Dla wielu społeczności wiejskich, zwłaszcza tych daleko od miast i infrastruktury sieciowej, istnieje pilna potrzeba prostych narzędzi, które mogą całodobowo nadzorować uprawy, ostrzegać o zagrożeniu w ciągu sekund i pomagać chronić produkcję żywności bez polegania na złożonych usługach w chmurze.

Małe pudełko, które obserwuje dym i płomień

Naukowcy zbudowali autonomiczną jednostkę wykrywania pożarów opartą na mikrokontrolerze Raspberry Pi 3 B+ wielkości dłoni. Urządzenie łączy się bezpośrednio z czujnikami dymu i ognia umieszczonymi w polu. Czujniki ciągle mierzą poziom dymu i płomienia, a Raspberry Pi zapisuje te odczyty lokalnie z dokładnymi znacznikami czasowymi. Mały ekran pokazuje aktualny poziom zagrożenia, a brzęczyk uruchamia się, gdy ryzyko staje się wysokie, co pozwala pracownikom w pobliżu zareagować natychmiast. Ponieważ wszystko działa lokalnie na urządzeniu, system może funkcjonować na odizolowanych gospodarstwach bez niezawodnego internetu czy scentralizowanych serwerów.

Nauczanie urządzenia oceny ryzyka pożaru

Samo wykrywanie dymu i płomienia nie wystarcza; system musi też ocenić, jak poważna jest sytuacja. W tym celu zespół wytrenował kilka modeli uczenia maszynowego — metod komputerowych uczących się wzorców z danych — na rzeczywistych pomiarach zebranych przy użyciu prototypu. Zdefiniowali trzy kategorie: normalne warunki bez ognia, stan ostrzegawczy z możliwym niebezpieczeństwem oraz potwierdzone pożary. Korzystając z relatywnie niewielkiego, ale starannie oczyszczonego zestawu danych, zastosowali modele zwane regresją logistyczną i lasem losowym (random forest), a także regresję liniową do wyznaczania ciągłego wskaźnika ryzyka. Modele nauczyły się, jak kombinacje poziomów dymu i płomienia odpowiadają tym stanom ryzyka oraz jak szybkość zmian w czasie sygnalizuje rosnące niebezpieczeństwo.

Jak inteligentne oprogramowanie zwiększa niezawodność

W testach wyróżniał się model lasu losowego. Klasyfikował poziomy ryzyka pożarowego z około 99% dokładnością i osiągał podobnie wysokie wyniki pod względem wykrywania prawdziwych pożarów oraz niskiego odsetka pominięć. Prostszą regresję logistyczną także cechowała dobra wydajność, lecz random forest radził sobie z bardziej złożonymi wzorcami w danych i okazał się bardziej stabilny przy powtarzalnych próbach. Aby chronić system przed wadliwymi czujnikami lub nietypowymi warunkami środowiskowymi, badacze dodali etap wykrywania anomalii wykorzystujący metodę zwaną Isolation Forest. Ta dodatkowa warstwa sygnalizuje nietypowe odczyty, które nie odpowiadają normalnemu zachowaniu, co może wskazywać albo na nietypowy wzorzec pożarowy, albo na uszkodzony czujnik. Zespół przeanalizował również, kiedy incydenty zwykle występują w ciągu dnia, identyfikując okna czasowe wymagające szczególnego nadzoru.

W kierunku inteligentniejszego i bardziej odpornego rolnictwa

Łącząc niedrogie komponenty, lokalne przetwarzanie danych i dobrze dobrane metody uczenia maszynowego, proponowany system oferuje rolnikom praktyczne narzędzie wczesnego ostrzegania przed pożarem. Nie zależy od szybkich łączy internetowych ani dużych centrów danych, co czyni go odpowiednim dla odległych regionów rolniczych. Wyniki sugerują, że takie inteligentne systemy wbudowane mogą znacząco zmniejszyć ryzyko szkód pożarowych, wspierać bezpieczniejszą produkcję żywności i pomagać gospodarstwom w adaptacji do zmieniającego się klimatu. Z przyszłymi rozszerzeniami — takimi jak dodatkowe czujniki środowiskowe, ulepszone algorytmy i ewentualnie zasilanie solarne — podejście to może ewoluować w szerszą platformę bezpieczeństwa i zarządzania zasobami, chroniącą zarówno uprawy, jak i otaczające środowisko.

Cytowanie: 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

Słowa kluczowe: inteligentne rolnictwo, wykrywanie pożaru, uczenie maszynowe, systemy wbudowane, zrównoważenie obszarów wiejskich