利用机器学习与嵌入式系统在农业中进行智能火灾检测以预防风险并提高可持续性

为何保护农场免受火灾至关重要

全球范围内，农民正感受到更热更干的天气和更频繁野火带来的压力。一场火灾可能摧毁作物、破坏土壤并威胁当地粮食供应。本文提出了一种实用方法，通过小型、低成本的电子设备与智能计算程序，在农场上尽早发现火情，即便在网络覆盖差或无网络的偏远田地，也能及时发现危险。

在变暖世界中面临风险的农场

现代农业依赖稳定的天气，而气候变化正在带来更长的热浪、干旱和更多野火。传统的巡逻或远程摄像等火情监测方法反应慢、成本高，且常常漏掉小范围的火情。对于许多远离城市和网络基础设施的农村社区，迫切需要能全天候守护作物、在数秒内发出警报且不依赖复杂云服务的简便工具。

一个监测烟雾与火焰的小盒子

研究人员基于掌上大小的 Raspberry Pi 3 B+ 微型计算机构建了一个自主火灾检测单元。该设备直接连接放置在田间的烟雾与火焰传感器。传感器持续测量烟雾和火焰强度，Raspberry Pi 将这些读数连同精确时间戳在本地记录。小型显示屏示当前危险等级，风险升高时蜂鸣器会响起，方便附近工作人员立即响应。由于所有功能都在设备本地运行，该系统可在缺乏可靠互联网或集中服务器的孤立农场中工作。

教设备判断火险程度

仅靠检测烟雾和火焰还不够；系统还必须判断事态严重性。为此，团队在原型设备采集的真实测量数据上训练了若干机器学习模型——这些计算方法能从数据中学习模式。他们定义了三类：无火的正常状态、可能有危险的警告状态以及确认着火。利用一个相对较小但经仔细清理的数据集，研究者应用了称为逻辑回归和随机森林的模型，并用线性回归生成连续的风险评分。模型学习到烟雾与火焰水平的组合如何对应这些风险状态，以及随时间变化的速度如何提示危险上升。

智能软件如何提升可靠性

在测试中，随机森林模型表现尤为突出。它以约99%的准确率正确分类火险等级，并在实际捕捉火情与漏报率上也得到了类似高分。更简单的逻辑回归模型同样表现良好，但随机森林能处理数据中更复杂的模式，并在重复试验中表现更稳定。为防范传感器故障或异常环境条件，研究者增加了基于 Isolation Forest 的异常检测步骤。该层可标记与正常行为不匹配的异常读数，这既可能指示隐藏的火情模式，也可能表明传感器失效。团队还分析了事故发生的日内时段，识别出需要更密切监控的时间窗口。

迈向更智能、更有韧性的农业

通过将廉价硬件、本地数据处理与恰当选择的机器学习方法相结合，所提系统为农民提供了一种切实可行的火灾早期预警工具。它不依赖高速互联网或大型数据中心，适用于偏远农业地区。结果表明，此类智能嵌入式系统可显著降低火灾损失风险，支持更安全的粮食生产，并帮助农场适应不断变化的气候。未来加入更多环境传感器、改进算法或采用太阳能等扩展后，该方法有望发展为更广泛的农场安全与资源管理平台，保护作物及周边环境。

引用: 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

关键词: 智慧农业, 火灾检测, 机器学习, 嵌入式系统, 农村可持续性