Intelligent branddetektion inom jordbruket med maskininlärning och inbyggda system för riskförebyggande och förbättrad hållbarhet

Varför det är viktigt att skydda gårdar mot eld

Över hela världen märker bönder av ökade påfrestningar från varmare, torrare väder och mer frekventa skogsbränder. En enda brand kan utplåna skördar, skada jorden och hota den lokala matförsörjningen. Denna artikel presenterar ett praktiskt sätt att upptäcka bränder tidigt på bruket med en liten, kostnadseffektiv elektronisk enhet och intelligenta datorprogram, så att fara kan fångas i tid även på avlägsna fält med liten eller ingen internetåtkomst.

Gårdar i riskzonen i en uppvärmande värld

Modern jordbruksekonomi är beroende av stabilt väder, men klimatförändringar ger längre värmeböljor, torka och fler bränder. Traditionella metoder för brandskydd, som patrullering eller avlägsna kameror, är långsamma, dyra och missar ofta små bränder. För många landsbygdssamhällen, särskilt de långt från städer och nätverksinfrastruktur, finns ett akut behov av enkla verktyg som kan övervaka grödor dygnet runt, varna för fara inom sekunder och hjälpa till att skydda livsmedelsproduktionen utan att förlita sig på komplexa molntjänster.

En liten låda som bevakar rök och lågor

Forskarna byggde en autonom branddetektionsenhet kring en handflatsstor Raspberry Pi 3 B+ mikrodator. Denna enhet ansluts direkt till rök- och flammasensorer placerade på fältet. Sensorn mäter kontinuerligt mängden rök och låga, och Raspberry Pi registrerar dessa mätvärden lokalt med exakta tidsstämplar. En liten skärm visar den aktuella risknivån och en summer hörs när risken blir hög, vilket gör att närliggande arbetare kan agera omedelbart. Eftersom allt körs på enheten själv kan systemet fungera på isolerade gårdar som saknar pålitligt internet eller centrala servrar.

Att lära enheten att bedöma brandfara

Att enbart mäta rök och lågor räcker inte; systemet måste också avgöra hur allvarlig en situation är. För detta tränade teamet flera maskininlärningsmodeller — datormetoder som lär sig mönster från data — på verkliga mätningar insamlade med deras prototyp. De definierade tre kategorier: normala förhållanden utan brand, varningstillstånd med möjlig fara och bekräftade bränder. Med en relativt liten men noggrant rensad datamängd använde de modeller som logistisk regression och random forest, samt linjär regression för att producera en kontinuerlig riskskala. Modellerna lärde sig hur kombinationer av rök- och flammanivåer motsvarar dessa risktillstånd, och hur snabba förändringar över tid signalerar ökande fara.

Hur smart programvara ökar tillförlitligheten

I tester stack random forest-modellen ut. Den klassificerade brandrisknivåer korrekt med ungefär 99 % noggrannhet och liknande höga värden för hur många verkliga bränder den fångade och hur få den missade. Den enklare logistiska modellen presterade också väl, men random forest hanterade mer komplexa mönster i datan och visade sig stabilare över upprepade tester. För att skydda mot felaktiga sensorer eller ovanliga miljöförhållanden lade forskarna till ett steg för anomalidetektion med en metod kallad Isolation Forest. Detta extra lager markerar ovanliga avläsningar som inte stämmer med normalt beteende, vilket kan indikera antingen ett dolt brandmönster eller en felande sensor. Teamet analyserade också när incidenter tenderade att inträffa under dagen och identifierade tidsfönster då noggrannare övervakning kan vara särskilt användbar.

Mot smartare och mer motståndskraftigt jordbruk

Genom att kombinera billig hårdvara, lokal databehandling och väl valda maskininlärningsmetoder erbjuder det föreslagna systemet ett praktiskt tidigt varningsverktyg mot brand för bönder. Det är inte beroende av snabba internetlänkar eller stora datacenter, vilket gör det lämpligt för avlägsna jordbruksregioner. Resultaten tyder på att sådana smarta, inbyggda system kan minska risken för brandsskador avsevärt, stödja säkrare matproduktion och hjälpa gårdar att anpassa sig till ett föränderligt klimat. Med framtida tillägg — såsom fler miljösensorer, förbättrade algoritmer och eventuellt solenergi — skulle denna ansats kunna utvecklas till en bredare plattform för gårdssäkerhet och resursförvaltning som skyddar både grödor och omgivande miljö.

Citering: 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

Nyckelord: smart jordbruk, branddetektion, maskininlärning, inbyggda system, landsbygds-hållbarhet