Risk önleme ve sürdürülebilirliği artırma amacıyla makine öğrenimi ve gömülü sistemler kullanarak tarımda akıllı yangın tespiti

Çiftlikleri yangından korumanın önemi

Dünya genelinde çiftçiler daha sıcak, daha kuru hava koşulları ve daha sık görülen orman yangımlarının baskısını hissediyor. Tek bir yangın mahsulleri yok edebilir, toprağa zarar verebilir ve yerel gıda arzını tehdit edebilir. Bu makale, küçük, düşük maliyetli bir elektronik cihaz ve akıllı bilgisayar programları kullanarak çiftliklerde yangınları erken tespit etmenin pratik bir yolunu sunuyor; böylece internet erişiminin az veya hiç olmadığı uzak tarlarda bile tehlike zamanında yakalanabiliyor.

İklim ısındıkça risk altındaki çiftlikler

Modern tarım sabit hava koşullarına dayanır, oysa iklim değişikliği daha uzun sıcak hava dalgaları, kuraklık ve daha fazla orman yangınına yol açıyor. Devriye gezileri veya uzak kameralar gibi geleneksel yangın gözetleme yöntemleri yavaş, pahalıdır ve sık sık küçük yangınları kaçırır. Özellikle şehirlerden ve ağ altyapısından uzak birçok kırsal topluluk için, tarlaları 7/24 izleyebilecek, saniyeler içinde tehlikeyi haber verebilecek ve karmaşık bulut hizmetlerine bağlı kalmadan gıda üretimini korumaya yardımcı olabilecek basit araçlara acil ihtiyaç var.

Gözleyen küçük bir kutu: duman ve alev için

Araştırmacılar avuç içi büyüklüğünde bir Raspberry Pi 3 B+ mikro bilgisayar etrafında otonom bir yangın tespit ünitesi geliştirdiler. Bu cihaz sahaya yerleştirilen duman ve alev sensörlerine doğrudan bağlanıyor. Sensörler sürekli olarak ne kadar duman ve alev olduğunu ölçüyor ve Raspberry Pi bu ölçümleri kesin zaman damgalarıyla yerel olarak kaydediyor. Küçük bir ekran güncel tehlike seviyesini gösteriyor ve risk yükseldiğinde bir buzzer çalarak yakınlardaki çalışanların hemen tepki vermesini sağlıyor. Her şey cihaz üzerinde çalıştığı için sistem güvenilir interneti veya merkezi sunucuları olmayan izole çiftliklerde de çalışabiliyor.

Cihaza yangın tehlikesini değerlendirmeyi öğretmek

Sadece duman ve alev algılamak yeterli değil; sistem aynı zamanda bir durumun ne kadar ciddi olduğunu da karar vermeli. Bunu yapmak için ekip, prototipleriyle toplanan gerçek ölçümlere dayalı olarak birkaç makine öğrenimi modelini eğitti—veriden desenleri öğrenen bilgisayar yöntemleri. Üç kategori tanımladılar: yangın olmayan normal koşullar, olası tehlikeyi gösteren uyarı durumu ve doğrulanmış yangınlar. Göreceli olarak küçük ama dikkatle temizlenmiş bir veri kümesi kullanarak lojistik regresyon ve rastgele orman (random forest) olarak adlandırılan modelleri, ayrıca sürekli bir risk puanı üretmek için lineer regresyonu uyguladılar. Modeller, duman ve alev seviyelerinin kombinasyonlarının bu risk durumlarına nasıl karşılık geldiğini ve zaman içindeki hızlı değişimlerin yükselen tehlikeyi nasıl işaret ettiğini öğrendi.

Akıllı yazılım güvenilirliği nasıl artırıyor

Testlerde rastgele orman modeli öne çıktı. Yangın risk seviyelerini yaklaşık %99 doğrulukla doğru sınıflandırdı ve gerçek yangınları yakalama ile kaçırma oranları açısından benzer derecede yüksek sonuçlar verdi. Daha basit lojistik model de iyi performans gösterdi, ancak rastgele orman verideki daha karmaşık desenlerle başa çıktı ve tekrar edilen denemelerde daha kararlı olduğu görüldü. Arızalı sensörlere veya olağan dışı çevresel koşullara karşı koruma amaçlı olarak araştırmacılar Isolation Forest adı verilen bir yaklaşımı kullanarak bir anomali tespiti adımı eklediler. Bu ek katman, normal davranışla uyuşmayan olağandışı okumaları işaretliyor; bu, ya gizli bir yangın desenine ya da arızalanan bir sensöre işaret edebilir. Ekip ayrıca olayların gün içinde hangi zaman dilimlerinde daha sık meydana geldiğini analiz ederek hangi zaman pencerelerinde daha sıkı izlemenin özellikle faydalı olabileceğini belirledi.

Daha akıllı ve daha dirençli tarıma doğru

Ucuz donanımı, yerel veri işlemeyi ve iyi seçilmiş makine öğrenimi yöntemlerini birleştirerek önerilen sistem çiftçilere pratik bir erken uyarı aracı sunuyor. Hızlı internet bağlantılarına veya büyük veri merkezlerine bağımlı olmadığı için uzak tarım bölgeleri için uygun. Sonuçlar, bu tür akıllı gömülü sistemlerin yangın hasarı riskini önemli ölçüde azaltabileceğini, daha güvenli bir gıda üretimini destekleyebileceğini ve çiftliklerin değişen iklime uyum sağlamasına yardımcı olabileceğini gösteriyor. Gelecekte daha fazla çevresel sensör, geliştirilmiş algoritmalar ve muhtemelen güneş enerjisi gibi eklemelerle bu yaklaşım, mahsulleri ve çevreyi koruyan daha geniş bir çiftlik güvenliği ve kaynak yönetimi platformuna dönüşebilir.

Atıf: 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

Anahtar kelimeler: akıllı tarım, yangın tespiti, makine öğrenimi, gömülü sistemler, kırsal sürdürülebilirlik