Интеллектуальное обнаружение пожаров в сельском хозяйстве с использованием машинного обучения и встроенных систем для предотвращения рисков и повышения устойчивости

Почему важно защищать фермы от пожаров

Во всем мире фермеры ощущают последствия более жаркой и сухой погоды и участившихся лесных пожаров. Один пожар может уничтожить урожай, повредить почву и поставить под угрозу местные поставки продовольствия. В этой статье представлен практичный способ раннего обнаружения пожаров на фермах с использованием компактного недорогого электронного устройства и интеллектуальных программ, чтобы опасность можно было заметить вовремя даже на отдаленных полях с ограниченным или отсутствующим доступом в интернет.

Фермы под угрозой в условиях потепления

Современное сельское хозяйство зависит от стабильной погоды, однако изменение климата ведет к длительным волнам жаркой погоды, засухам и росту числа пожаров. Традиционные методы наблюдения за пожаром, такие как патрули или удаленные камеры, медлительны, дороги и часто пропускают небольшие очаги. Для многих сельских сообществ, особенно расположенных далеко от городов и сетевой инфраструктуры, существует острая потребность в простых инструментах, которые могут круглосуточно следить за посевами, предупреждать о проблеме за считанные секунды и помогать защищать производство продовольствия без опоры на сложные облачные сервисы.

Небольшая коробка, которая следит за дымом и пламенем

Исследователи собрали автономный блок обнаружения пожара вокруг мини‑компьютера Raspberry Pi 3 B+. Устройство подключается непосредственно к датчикам дыма и пламени, размещенным в поле. Датчики непрерывно измеряют уровень дыма и пламени, а Raspberry Pi локально фиксирует эти показания с точными временными метками. Небольшой экран показывает текущий уровень опасности, а зуммер подает звуковой сигнал при росте риска, позволяя находящимся поблизости работникам реагировать немедленно. Поскольку все вычисления выполняются непосредственно на устройстве, система может работать на изолированных фермах, где нет надежного интернета или централизованных серверов.

Обучение устройства оценивать риск пожара

Простого измерения дыма и пламени недостаточно; системе также нужно решать, насколько серьезна ситуация. Для этого команда обучила несколько моделей машинного обучения — методов, которые изучают закономерности в данных — на реальных измерениях, собранных с прототипа. Они определили три категории: нормальные условия без пожара, состояние предупреждения с возможной опасностью и подтвержденный пожар. Используя относительно небольшой, но тщательно очищенный набор данных, применили модели логистической регрессии и случайного леса, а также линейную регрессию для получения непрерывного оценочного показателя риска. Модели научились сопоставлять комбинации уровней дыма и пламени с этими состояниями риска и учитывать, насколько быстро изменения во времени сигнализируют о нарастающей опасности.

Как интеллектуальное ПО повышает надежность

В тестах модель случайного леса показала наилучшие результаты. Она корректно классифицировала уровни риска пожара примерно с 99% точностью и демонстрировала аналогично высокие показатели по обнаружению реальных пожаров и низкому числу пропусков. Проще устроенная логистическая модель также показала хорошую работу, но случайный лес лучше справлялся со сложными закономерностями в данных и оказывался более стабильным при повторных испытаниях. Чтобы защититься от неисправных датчиков или необычных условий окружающей среды, исследователи добавили шаг обнаружения аномалий с использованием подхода Isolation Forest. Этот дополнительный уровень помечает необычные показания, не соответствующие нормальному поведению, что может указывать либо на скрытую модель пожара, либо на отказ датчика. Команда также проанализировала, в какие периоды дня инциденты происходят чаще, выделив временные окна, когда более плотный мониторинг может быть особенно полезен.

В сторону более умного и устойчивого сельского хозяйства

Комбинируя недорогое оборудование, локальную обработку данных и тщательно подобранные методы машинного обучения, предложенная система предоставляет фермерам практичный инструмент раннего предупреждения о пожарах. Она не зависит от быстрых интернет‑соединений или крупных центров обработки данных, что делает ее подходящей для отдаленных сельскохозяйственных регионов. Результаты указывают на то, что такие интеллектуальные встроенные системы могут существенно снизить риск потерь от пожаров, поддержать более надежное производство продовольствия и помочь фермам адаптироваться к меняющемуся климату. С будущими дополнениями — такими как дополнительные экологические датчики, улучшенные алгоритмы и возможное использование солнечной энергии — этот подход может развиться в более широкую платформу безопасности и управления ресурсами фермы, защищающую как урожай, так и окружающую среду.

Цитирование: 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

Ключевые слова: умное сельское хозяйство, обнаружение пожара, машинное обучение, встроенные системы, сельская устойчивость