CN117642782A - 用于检测森林火灾的方法和装置 - Google Patents
用于检测森林火灾的方法和装置 Download PDFInfo
- Publication number
- CN117642782A CN117642782A CN202280049934.7A CN202280049934A CN117642782A CN 117642782 A CN117642782 A CN 117642782A CN 202280049934 A CN202280049934 A CN 202280049934A CN 117642782 A CN117642782 A CN 117642782A
- Authority
- CN
- China
- Prior art keywords
- terminal device
- early detection
- data
- forest fire
- forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 24
- 238000011161 development Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 101000722140 Mytilus galloprovincialis Defensin MGD-1 Proteins 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 101150110225 MGD2 gene Proteins 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000004868 gas analysis Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- 101150049477 MGD3 gene Proteins 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 210000004899 c-terminal region Anatomy 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical class [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000004291 sulphur dioxide Substances 0.000 description 1
- 235000010269 sulphur dioxide Nutrition 0.000 description 1
- 150000003505 terpenes Chemical class 0.000 description 1
- 235000007586 terpenes Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及一种森林火灾早期检测方法,以及一种具有LoRaWAN网络的森林火灾早期检测系统,所述方法具有以下步骤:在森林火灾早期检测系统中实施用于森林火灾检测的机器学习数据(ML数据);由所述森林火灾早期检测系统的终端装置记录测量数据;以及通过将所述ML数据应用于由所述终端装置记录的所述测量数据来确定结果数据,其中所述ML数据在所述终端装置中实施。
Description
本发明涉及一种森林火灾早期检测方法,以及一种具有LoRaWAN网络的森林火灾早期检测系统,所述方法具有以下方法步骤:在森林火灾早期检测系统中实施用于森林火灾检测的机器学习数据(ML数据);由所述森林火灾早期检测系统的终端装置记录测量数据;以及通过将所述ML数据应用于由所述终端装置测量的所述测量数据来确定结果数据,其中所述ML数据在所述终端装置中实施。
现有技术
森林火灾规模越大,就越难以确定其蔓延的方向和速度。天气、风、土壤条件和植被决定了它蔓延的路径和速度,所述路径和速度在短时间段内会再次发生变化。因此,及早地检测森林火灾非常重要,以便将损失降至最低并且保持森林火灾可控或为消防队提供决定性时间优势。
在森林火灾期间,复杂的热降解过程(火焰燃烧期间所产生的气体产物的蒸馏、热解、炭化和氧化)同时发生,并且往往发生在彼此非常接近之处。燃料的热降解发生在防火线前面并沿着防火线发生,而间歇性明火的聚集地往往在火焰前缘后面很远处持续存在。
火焰燃烧通常是在800℃至1200℃之间。阴燃地面火的范围是在300℃至600℃之间。可燃气体,尤其是挥发性有机化合物(简称为VOC)在高于200℃的温度下会较快地形成并且在320℃下达到其峰值。VOC是在室温或较高温度下蒸发成气相的有机含碳物质(尤其是萜烯)的统称。此外,还形成各种有机化合物,诸如甲醇和二氧化碳、以及一氧化碳和分子氢。有焰燃烧仅在425℃至480℃下开始。700℃至1300℃的火焰温度是最常见的。在此温度范围内,形成二氧化碳、氮氧化物和挥发性含硫化合物(VSC),尤其是二氧化硫。阴燃火蔓延缓慢,约3cm/h,并且可产生超过300℃的地面温度,持续数小时,其中峰值温度为600℃。
下表示出了森林火灾中形成的气体,根据温度进行以下分级:
地球观测数据(特别是航空和卫星图像形式)在检测森林火灾时可提供可行的帮助。特别是来自航空和卫星图像数据的可用的地球观测数据的急剧增加使得能够在广泛的区域内检测森林火灾。尽管卫星数据可用于检测和扑救火灾,但它们也有一个缺点:它们通常只能延迟到达急救站,因为对地静止卫星由于其距离较远,只能提供低图像分辨率,而非对地静止卫星必须围绕地球走完一圈,之后它们才能提供新的记录。
检测森林火灾的另一种选择是直接在森林中安装气体传感器的网络,所述气体传感器检测森林火灾发生时产生的气体,并且由此能够在很早的阶段检测到森林火灾,之后可由光学系统从远处检测所述森林火灾。由于不同的森林植被和不同的土壤性质,另外会产生不同的气体和气体浓度,从而使得无差错检测变得非常困难。此外,在森林火灾发展的不同阶段中仅仅由于温度升高就会产生不同的气体和气体浓度。然而,由于部署急救站的成本非常高昂,因此应提高检测精度。
因此,本发明的目的是提供一种森林火灾早期检测方法,所述方法可靠地工作,可根据需要进行扩展并且安装和维护成本低廉,并且使得森林火灾蔓延的方向和速度能够被记录和预测。本发明的目的还为提供一种森林火灾早期检测系统,所述系统可靠地工作,可根据需要进行扩展并且安装和维护成本低廉,并且使得森林火灾蔓延的方向和速度能够被记录和预测。
使用根据权利要求1所述的森林火灾早期检测方法来实现所述目的。在从属权利要求2至14中阐述了本发明的有利实施方案。
根据本发明的用于森林火灾早期检测的方法具有三个方法步骤:在第一方法步骤中,在森林火灾早期检测系统中实施用于森林火灾检测的ML数据。在本文件的背景下,ML数据是使用机器学习模型的算法创建的数据。在第二方法步骤中,由所述森林火灾早期检测系统中的终端装置记录测量数据。为此目的,终端装置具有适合于例如气体分析的一个或多个传感器装置,和/或连接到此类传感器装置。在第三方法步骤中,通过将所述ML数据应用于由所述终端装置记录的所述测量数据来确定结果数据。在本发明中使用机器学习模型来提高终端装置的传感器装置的效率。所述模型的算法能够改进有待检测的气体的应用相关的检测。所述算法还相对于所记录的空气湿度校正所记录的气体浓度。此外,对测量值的基线和长期偏差进行补偿。为此目的,终端装置设有关于不同气体成分及其浓度的数据,将所述数据与由传感器装置测定的气体成分及其浓度进行比较。
由终端装置记录和传输的测量值被整合到机器学习模型中,以创建用于检测森林火灾的模型。森林火灾检测数据经由API和图形工具变得可用。通过此类模型,即使在偏远地区也可检测火灾。通过评估这种数据,可对森林火灾之后的现状作出陈述。
根据本发明,ML数据是在终端装置中,而不是在中央单元(例如,网络服务器)中实施。森林火灾早期检测系统通常具有大量终端装置,所述终端装置分布在广泛的区域内并且具有自给自足的能量供应系统。在终端装置中实施ML数据使得机器学习模型能够适应并应用于各个终端装置的本地条件。同时,由于只需要传输减少量的数据,因此降低了单个终端装置的能耗。
在本发明的另外的实施方案中,所述结果数据是在所述终端装置上确定。为此目的,终端装置具有评估装置。所述结果数据是通过将ML数据应用于由所述终端装置记录的所述测量数据来确定。
在本发明的另外的实施方案中,所述结果数据被传输到所述网络服务器。在网络服务器上,结果数据可供检测和记录森林火灾的其他应用使用。通过将测量数据整合到机器学习模型中,还可使用网络服务器创建用于检测森林火灾的模型。结果数据可包括测量数据与ML数据的比较结果,甚至仅是对测量数据与ML数据的比较的评估和/或简单的警告信号。在任何情况下,结果数据都显示终端装置的传感器是否检测到森林火灾。
在本发明的进一步发展中,所述结果数据和/或所述结果数据的评估中只有一部分被传输到所述网络服务器。
在本发明的有利实施方案中,所述传输使用诸如LoRa、LoRaWAN和/或IP等协议来进行。LoRa使用特别低的能量,并且是基于根据美国专利US 7791415 B2的啁啾频率扩展调制。使用许可证由工业联盟的创始成员Semtech公司授予。LoRa使用低于1GHz范围内的免许可证和执照的无线电频率,诸如在欧洲为433MHz和868MHz,或在澳洲和北美洲为915MHz,从而允许以最低能耗在乡村地区实现超过10千米的覆盖范围。LoRa技术由物理LoRa协议和LoRaWAN协议组成,所述LoRaWAN协议由工业联盟LoRa联盟定义为网络上层并进行管理。LoRaWAN网络使用终端装置与中央网络服务器之间的网关消息包来实施星形架构。网关(也称为集中器或基站)经由标准互联网协议连接到网络服务器,同时终端装置经由LoRa(啁啾频率扩展调制)或FSK(频率调制)通过无线电与相应网关通信。因此,无线电连接是一种单跳网络,其中终端装置直接与一个或多个网关通信,所述一个或多个网关之后将数据流量转发到互联网。相反,从网络服务器到终端装置的数据流量仅经由网关路由。数据通信基本上在两个方向上进行,但从终端装置到网络服务器的数据流量是典型的应用和主要的操作方式。通过以极低的能耗桥连更远的距离,LoRaWAN特别适合于定居点之外的IoT应用。
在物理层面,与IoT应用的其他无线协议一样,LoRaWAN使用扩频调制。它的不同之处在于使用基于啁啾信号的自适应技术,而不是传统的DSSS(直接序列散频信令)。啁啾信号在接收灵敏度与最大数据速率之间提供了折衷。啁啾信号是频率随时间变化的信号。LoRaWAN技术可成本有效地实施,因为它不依赖于精确的时钟源。LoRa在乡村地区的覆盖范围扩展到高达40千米。在城市中,优点是建筑物穿透性良好,因为同样可到达地下室。在睡眠模式下,电流要求极低,约为10nA和100nA。这意味着可实现长达15年的电池寿命。
LoRaWAN定义了星形拓扑网络架构并加以使用,其中所有叶节点经由最合适的网关来通信。这些网关负责路由选择,并且如果叶节点的范围内有多于一个网关并且本地网络拥塞,则它们还可将通信重定向到替代者。
然而,一些其他IoT协议(例如,ZigBee或Z波)使用所谓的网状网络架构来增加终端装置叶节点与网关的最远距离。网状网络中的终端装置相互转发消息,直到所述消息到达网关为止,所述网关将消息传送到互联网。网状网络自行编程并且动态地适应环境条件,而不需要主控制器或层级结构。然而,为了能够转发消息,网状网络的终端装置必须准备好持续接收或以规律间隔接收,并且不能长时间进入睡眠模式。结果是节点终端装置将消息转入和转出网关的能量要求变高,并且导致电池寿命缩短。
另一方面,LoRaWAN的星形网络架构允许终端装置长时间进入节能的空闲状态,从而确保终端装置的电池承受尽可能小的压力,并且因此可运行数年,而不用更换电池。网关充当了针对电池寿命优化的简单协议(LoRa/LoRaWAN)(其更适合于资源有限的终端装置)与互联网协议(IP)(其用于提供IoT服务和应用)之间的桥梁。在网关经由LoRa/LoRaWAN从终端装置接收数据包之后,所述网关经由互联网协议(IP)将所述数据包发送到网络服务器,所述网络服务器又具有通向IoT平台和应用的接口。
在本发明的另外的实施方案中,所述结果数据是在所述终端装置上收集。结果数据被收集在终端装置的存储器中,直到其经由一个或多个网关在下载接收窗口内作为数据包传输到网络服务器为止。终端装置不需要具有永久活动的下载接收窗口并且因此不需要永久活动,就如同C类终端装置一样,但也可为例如根据LoRaWAN规范的A类或B类终端装置。因此最小化了终端装置的能量要求。
在本发明的另外的实施方案中,所述结果数据以指定的间隔传输到所述网络服务器。终端装置被划分为三种不同的双向变型:A类包括使用ALOHA接入方法的通信。在这种程序下,装置将其产生的数据包发送到网关,接着出现两个可用于接收数据的下载接收窗口。新的数据传送只能由终端装置在进行新的上传时发起。另一方面,B类终端装置在指定时间打开下载接收窗口。为此,终端装置从网关接收时间控制的信标信号。这意味着网络服务器知道终端装置何时准备好接收数据。C类终端装置具有永久打开的下载接收窗口并且因此是永久活动的,但也会增加功耗。为了最小化终端装置的能量要求,通常仅使用A类和B类终端装置来执行根据本发明的方法。
在本发明的进一步发展中,所述间隔是基于时间或数据量而设置。B类终端装置在指定的时间传输结果数据。A类终端装置也可在指定的时间将结果数据发送到网络服务器。然而,如果结果数据具有固定的数据量,则也可选择传输结果数据。这可防止数据量对于终端装置的存储器来说过大。
在本发明的另外的实施方案中,所述终端装置具有通信单元。使用通信单元将结果数据从终端装置发送到网络服务器。在传输结果数据之后,停用通信单元以便降低终端装置的能量要求。
在本发明的有利实施方案中,将ML算法应用于所述结果数据。ML算法能够改进有待检测的气体的应用相关的检测。所述算法还相对于所记录的空气湿度校正所记录的气体浓度。此外,对测量值的基线和长期偏差进行补偿。为此目的,终端装置设有关于不同气体成分及其浓度的数据,将所述数据与由传感器装置测定的气体成分及其浓度进行比较。
在本发明的另外的实施方案中,在将软件安装在所述终端装置上之前和/或在将传感器装置安装在森林火灾监测系统内之前进行所述ML算法的第一次应用。为此优选的是强化学习。所述算法通过奖励和惩罚来学习关于在可能发生的情况下如何采取行动以最大化森林火灾监测系统的效益的策略。
在本发明的有利实施方案中,在将所述软件安装在所述终端装置上之后和/或在将所述传感器装置安装在森林火灾监测系统内之后进行所述ML算法的应用。这具有以下优点:机器学习模型的适应和应用可适应现场条件。在根据本发明的进一步发展中,所述机器学习模型的所述适应和应用是经由无线网络来执行。特别地,经由控制单元优选地以规律的间隔更新终端装置的机器学习模型的适配和应用。
在本发明的进一步发展中,新确定的ML数据经由无线网络传输到所述终端装置。有利地,使用与终端装置将结果数据发送到网络服务器相同的网络架构来将新确定的ML数据传输到终端装置。所述传输使用诸如LoRa、LoRaWAN和/或IP等协议来进行。网络服务器使用IP将新确定的ML数据发送到网关,并且网关经由LoRa/LoRaWAN将所述ML数据发送到终端装置。
在本发明的另外的实施方案中,使用强化学习。所述算法通过奖励和惩罚来学习关于在可能发生的情况下如何采取行动以便最大化主体(即,学习部件所属的系统)的效用的策略。所述算法从给定的输入和输出对中学习函数。在学习过程期间,“教导者”为输入提供正确的函数值。监督学习的目的是训练网络以在用不同的输入和输出进行多次计算之后建立关联。
还使用根据权利要求15所述的具有LoRaWAN网络的森林火灾早期检测系统来实现所述目的。在从属权利要求中阐述了本发明的有利实施方案。
根据本发明的具有LoRaWAN网络的森林火灾早期检测系统具有终端装置。所述终端装置包括传感器装置,所述传感器装置具有例如用于气体分析的一个传感器或多个传感器。根据本发明的森林火灾早期检测系统还具有第一控制装置、用于评估由所述传感器装置供应的测量信号的评估装置以及用于供应能量的装置。能量供应装置使得终端装置能够自主地操作,例如通过允许电池经由例如太阳能电池来充电。根据本发明的森林火灾早期检测系统还具有网络服务器。网络服务器具有通向其他应用的接口,通过所述其他应用,例如可确定森林火灾蔓延的方向和速度。根据本发明,所述第一控制装置适合且意图用于访问存储器,所述存储器含有来自机器学习模型的适应和应用的数据。所述模型的算法能够改进有待检测的气体的应用相关的检测。所述算法还相对于所记录的空气湿度校正所记录的气体浓度。此外,对测量值的基线和长期偏差进行补偿。为此目的,传感器系统设有关于不同气体成分及其浓度的数据,将所述数据与由传感器测定的气体成分及其浓度进行比较。
在本发明的进一步发展中,所述存储器是所述终端装置的一部分。终端装置具有壳体以保护部件免受天气的影响。存储器也布置在壳体中并且连接到第一控制装置。
在本发明的另外的实施方案中,所述网络服务器耦合到第二控制装置,所述第二控制装置适合且意图用于执行机器学习程序。第二控制装置具有带有机器学习算法的系统。机器学习算法使用训练数据来改进机器学习模型。
在本发明的另外的实施方案中,所述第二控制装置能够访问由所述终端装置记录的所述测量信号。由终端装置记录的测量信号是第二控制装置的机器学习算法训练所用的训练数据。
在本发明的另外的实施方案中,所述第二控制装置经由两个不同的网络连接到所述终端装置。
在本发明的另外的实施方案中,所述终端装置具有用于检测空气湿度的湿度传感器。空气湿度,尤其是相对湿度是森林火灾风险的指标。
在本发明的进一步发展中,所述终端装置具有用于检测环境温度的温度传感器。森林火灾存在的一个明显指标是空气的温度。
在本发明的另外的实施方案中,所述终端装置具有用于检测空气压力的压力传感器。通过记录空气压力,可进行对风向和风速,以及因此还有传播速度和方向的预测。
根据本发明的用于森林火灾早期检测的方法和根据本发明的森林火灾早期检测系统的示例性实施方案在附图中以简化形式示意性地示出,并且在下文的描述中更详细地进行解释。
其中:
图1:具有LoRa无线网络,同时发送结果数据和ML数据的森林火灾早期检测系统的结构
图2:使用LoRa无线网络的森林火灾早期检测系统的时序图
图3:包括具有终端装置、网络服务器和网状网关的LoRaWAN网状网关网络的森林火灾早期检测系统
图4:使用具有终端装置、网络服务器和网状网关的LoRaWAN网状网关网络的森林火灾早期检测系统的时序图
图5:包括LoRaWAN网状网关网络,重复发送结果数据和ML数据的森林火灾早期检测系统的结构
图6:使用LoRaWAN网状网关网络,重复发送结果数据和ML数据的森林火灾早期检测系统的时序图
图1示出了根据本发明的森林火灾早期检测系统1。森林火灾早期检测系统1具有多个终端装置ED。为了检测森林火灾,单个终端装置ED具有传感器单元,所述传感器单元具有用于测定空气湿度、空气压力的传感器和温度传感器。任选地或另外地,终端装置ED具有用于气体分析和用于检测主导风向的传感器,通过所述传感器,测定气体的成分和浓度以及其传播方向。
为了即使在不适宜居住且尤其是远离能量供应的乡村地区也能够安装和操作终端装置ED,终端装置ED配备有自给自足的能量供应。在最简单的情况下,能量供应为电池,所述电池还可被设计成是可再充电的。还可使用电容器,诸如超级电容器。太阳能电池的使用稍微更复杂且更耗费成本,但为终端装置ED提供了很长的使用寿命。
终端装置ED还具有通信接口以及第一控制装置和评估装置。终端装置ED的通信接口无线地连接到网关Gn的通信接口。第一控制装置连接到通信接口和传感器装置并且对它们进行控制。
为了执行根据本发明的森林火灾早期检测方法,必须尽可能精确地知道每个单独的终端装置ED的位置。可例如在安装终端装置ED时确定位置。终端装置ED可例如布置在有待监测的森林中的树木上,并且可使用导航系统(例如卫星导航系统,例如GPS(全球定位系统))确定终端装置ED的位置。
为了检测森林火灾,由森林火灾早期检测系统1的终端装置ED的传感器装置记录测量数据。测量数据不是连续地记录,而是以可调整的间隔进行记录;优选的是每5分钟记录一次。这降低了终端装置ED的功耗。终端装置ED的控制单元收集传感器装置的测量值并且将它们存储在存储器中。终端装置ED的第一控制装置通过将ML数据应用于所记录的测量数据来产生结果数据RDnn。在这个和所有以下示例性实施方案中,终端装置EDn的存储器具有ML数据集,所述ML数据集在安装传感器装置的软件之前和/或特别是在将终端装置EDn安装在森林火灾监测系统1内之前存储在存储器中。
ML数据集MLD是在外部产生。为此目的,例如,在实验室中在不同温度下加热和/或燃烧森林组成部分,诸如在森林中发现的动物群、森林地表组成部分和/或位于森林地表的松散材料,并且检测所产生的气体。这可任选地专门针对即将配备森林火灾早期检测系统1的森林来完成。ML数据集MLD是根据在实验室中通过实验确定的这些测量数据来确定。因此,ML数据集MLD是用关于真阳性事件(即,数据代表早期森林火灾的事件)的数据创建。这使得传感器能够使用其控制单元来将所记录的测量数据与ML数据集MLD进行比较,并且如果存在匹配,则经由终端装置ED的通信接口将对应的消息发送到网络服务器NS。在安装森林火灾早期检测系统之前,在终端装置ED上播放第一ML数据集MLD。
然后,终端装置ED根据测量数据和ML数据MLD确定结果数据RDnn。这具有以下优点:在检测到森林火灾的情况下,终端装置ED仅需要向网络服务器NS发送消息。因此,与发送测量数据并在网络服务器NS上确定结果数据RDnn相比,传输数据的频率明显更低并且所发送的数据量明显更小。
结果数据RDnn使用单跳连接经由LoRa(啁啾频率扩展调制)或频率调制作为数据包无线地发送到一个或多个网关G1、G2、Gn。由于对于这个操作并不使用通常具有高能耗的终端装置ED的通信接口,而是使用节能的控制单元,因此降低了终端装置ED的能耗。
标准LoRa无线网络具有星形拓扑,其中一个或多个终端装置EDn使用LoRa调制或FSK调制经由无线电直接(单枢纽地)连接到网关G1、G2、Gn,而网关G1、G2、Gn使用标准互联网协议IP与互联网网络服务器NS通信。互联网网络服务器NS连接到第二控制单元MLS,所述第二控制单元适合且意图用于执行机器学习程序。特别地,终端装置的软件经由控制单元以优选规律的间隔进行更新(参见图5、图6)。
图2示出了根据LoRaWAN协议的已知LoRaWAN网络(参见图1)的时序图。在LoRaWAN网络的星形架构中,这种通信非常快地发生,因为每个终端装置EDn都经由至少一个网关G1与网络服务器NS通信。终端装置ED1使用布置在终端装置ED1中的传感器单元来记录测量数据。根据这种测量数据,终端装置ED1使用存储在终端装置ED1的存储器中的ML数据集来产生一组结果数据RD1n。该组结果数据RD1n从终端装置ED1发送(e-s)到网关G1。网关G1将这个结果数据RD1n转发(g-f)到网络服务器NS,所述网络服务器将结果数据RD1n转发到第二控制单元MLS。在第二控制单元MLS上,将机器学习算法应用于结果数据RD1n,从而产生ML数据集MLD。第二控制单元MLS将ML数据集MLD发送(a-s)到网络服务器NS,所述网络服务器将ML数据集MLD发送(n-s)回到网关G1。网关G1进而将ML数据集MLD转发(g-f)到终端装置ED1。ML数据集MLD由终端装置ED1接收(e-r)并且以一种方式存储在终端装置ED1的存储器中,使得由第二控制单元MLS发送的ML数据集MLD替换先前存储在终端装置ED1的存储器中的ML数据集。
图3示出了根据本发明的具有LoRaWAN网状网关网络的森林火灾早期检测系统1的实施方案,其中网关Gn(参见图1)是网状网关MGDn。网状网关MGDn使用多枢纽无线网络彼此通信,并且至少一个网状网关MGDn(在此示例性实施方案中为网状网关MGD3、MGD5、MGD7)经由标准互联网协议IP连接到网络服务器NS。网状网关MGDn不经过任何特殊的层级结构就可相互转发由终端装置EDn记录的结果数据RDnn,直到终端装置EDn最终可将结果数据RDnn移交给网络服务器NS为止。
森林火灾早期检测系统1的LoRaWAN网状网关网络可任选地具有执行网络服务器NS的功能的一个或多个第二服务器。特别地,第二服务器像网络服务器NS一样也连接到第二控制单元MLS。
在LoRaWAN网状网关网络的另外的变型中,一些或所有网状网关MGDn具有带有处理器和存储单元的子服务器单元,所述子服务器单元配备有适合于根据LoRaWAN协议执行意图用于网络服务器NS的功能的程序和/或操作系统和/或固件。此类网状网关MGDn因此同时是第二服务器并且连接到第二控制单元MLS。因此,根据本发明的包括LoRaWAN网状网关网络的森林火灾早期检测系统1被设计成与预期一样是冗余的并且具有高度可靠性,并且特别地可根据需要进行扩展。
为了检测森林火灾,由森林火灾早期检测系统1的终端装置EDn的传感器装置记录测量数据。每个终端装置EDn的第一控制装置通过将ML数据应用于所记录的测量数据来产生结果数据集RDnn。结果数据RDnn使用单跳连接作为数据包无线地发送到一个或多个网状网关MGDn。网状网关MGDn使用多跳连接向彼此发送结果数据RDnn,直到网状网关MGD3、MGD5、MGD7使用IP连接将结果数据RDnn发送到网络服务器NS为止。网络服务器NS最终将结果数据RDnn发送到耦合到网络服务器NS的第二控制单元MLS。在第二控制单元MLS上,将机器学习算法应用于结果数据RDnn,从而产生ML数据集MLD。所产生的ML数据集MLD经由多跳连接和单跳连接发送到布置在森林火灾早期检测系统1中的每个单独的终端装置EDn,这意味着每个终端装置EDn在其存储器中都具有相同的ML数据集。
图4示出了不再具有典型的星形架构的LoRaWAN网状网关网络1的时序图。在此处,在终端装置ED与网络服务器NS之间布置了多个网状网关MGD1、MGD2、MGDn,并非所有网状网关都具有到网络服务器NS的单跳连接。由终端装置ED1产生的该组结果数据RD1n经由多个网状网关MGD1、MGD2、MGDn转发(g1-f、g2-f)到网络服务器NS,所述网络服务器将结果数据RD1n转发到第二控制单元MLS。在第二控制单元MLS上产生的ML数据集MLD由第二控制单元MLS发送(a-s)到网络服务器NS。网络服务器NS进而将ML数据集MLD发送(n-s)到经由互联网协议IP连接到网络服务器NS的一个或多个网状网关MGDn,所述网状网关经由多跳连接通过另外的网状网关MGD2、MGD1(其充当中间站)将ML数据集MLD转发(g2-f、g1-f)到终端装置ED1。终端装置ED1最终接收(e-r)ML数据集MLD并且替换先前存储在终端装置ED1的存储器中的ML数据集。
图5中示出了森林火灾早期检测系统1的另外的示例性实施方案,其中终端装置EDn的存储器中的ML数据集被间隔地更新。森林火灾早期检测系统10具有多个终端装置EDn,所述终端装置经由单跳连接而连接到网关Gn。网关Gn使用互联网协议IP例如经由有线连接或经由无线连接而连接到网络服务器NS。
为了检测森林火灾,由森林火灾早期检测系统1的终端装置EDn的传感器装置记录测量数据。终端装置EDn的第一控制装置产生第一结果数据集RDn1。这个第一结果数据RDn1由每个终端装置EDn使用单跳连接经由LoRa(啁啾频率扩展调制)或频率调制作为数据包无线地发送到一个或多个网关G1、G2、Gn。网关Gn将第一结果数据集RDn1发送到网络服务器NS,所述网络服务器将第一结果数据集RDn1发送到第二控制单元MLS。第二控制单元MLS使用机器学习算法和第一结果数据集RDn1来产生第一ML数据集MLDn1,所述第一ML数据集经由网关G1、G2、Gn发送到终端装置EDn。第一ML数据集MLDn1替换先前存储在终端装置EDn中的ML数据集。
在稍后的第二时间,由森林火灾早期检测系统1的终端装置EDn的传感器装置记录另外的测量数据。终端装置EDn的第一控制装置产生第二结果数据集RDn2。这个第二结果数据集RDn2使用单跳连接作为数据包从每个终端装置EDn无线地发送到一个或多个网关G1、G2、Gn。网关Gn将第二结果数据集RDn2发送到网络服务器NS,所述网络服务器将第二结果数据集RDn2发送到第二控制单元MLS。第二控制单元MLS使用机器学习算法和第二结果数据集RDn2来产生第二ML数据集MLDn2,所述第二ML数据集经由网关G1、G2、Gn发送到终端装置EDn。第二ML数据集MLDn2替换先前存储在终端装置EDn中的第一ML数据集MLDn1。
以类似的方式,在稍后的另外时间无限地执行这种所描述的用于检测森林火灾的方法,其方式使得两个结果数据集RDnn都被发送到网络服务器NS和第二控制装置MLS,并且ML数据集MLDnn以可定义的间隔发送到终端装置EDn。间隔可基于时间和/或基于数据量。
第二控制装置MLS的ML算法优选地使用强化学习,所述ML算法通过奖励和惩罚来学习关于在可能发生的情况下如何采取行动以便最大化森林火灾监测系统1的效益的策略。终端装置EDn的结果数据集RDnn是用于优化ML算法的训练数据集。
图6示出了先前的示例性实施方案(参见图5)的森林火灾早期检测系统1的时序图。根据测量数据,终端装置ED1使用存储在终端装置ED1的存储器中的ML数据集来产生第一组结果数据RD1n。该组结果数据RD1n从终端装置ED1发送(e-s)到网关G1。网关G1将这个结果数据RD1n转发(g-f)到网络服务器NS,所述网络服务器将结果数据RD1n转发到第二控制单元MLS。在第二控制单元MLS上,将机器学习算法应用于结果数据RD1n,从而产生第一ML数据集MLD1。第二控制单元MLS将ML数据集MLD1发送(a-s)到网络服务器NS,所述网络服务器将ML数据集MLD1发送(n-s)回到网关G1。网关G1进而将ML数据集MLD1转发(g-f)到终端装置ED1。ML数据集MLD1由终端装置ED1接收(e-r)并且以一种方式存储在终端装置ED1的存储器中,使得由第二控制单元MLS发送的ML数据集MLD1替换先前存储在终端装置ED1的存储器中的ML数据集。
附图标记列表
1 森林火灾早期检测系统
ED、EDn 终端装置
G、Gn 网关
NS 互联网网络服务器
MLS 机器学习服务器/具有ML算法的ML服务器/第二控制单元
MGD1、MGDn 网状网关
e-s 从终端装置发送消息
e-r 从终端装置接收消息
gf、g1-f、g2-f、gn-f从网关转发消息
n-r 在网络服务器上接收消息
n-s 从网络服务器发送消息
a-r 从第二控制单元接收消息
a-s 从第二控制单元发送消息
RD1、RDn 结果数据
RD1n、RDnn 第n循环的结果数据
MLD、MLDn ML数据
MLD1n、MLDnn 第n循环的ML数据
Claims (22)
1.一种森林火灾早期检测方法,所述方法具有以下方法步骤
●在森林火灾早期检测系统(1)中实施用于森林火灾检测的ML数据,
●由所述森林火灾早期检测系统(1)的终端装置(ED)获取测量数据,以及●通过将所述ML数据应用于由所述终端装置(ED)记录的所述测量数据来确定结果数据(RDnn),
其中所述ML数据在所述终端装置(ED)中实施。
2.根据权利要求1所述的森林火灾早期检测方法,
所述方法的特征在于
所述结果数据(RDnn)是在所述终端装置(ED)上确定。
3.根据权利要求1或2所述的森林火灾早期检测方法,
所述方法的特征在于
所述结果数据(RDnn)被传输到网络服务器(NS)。
4.根据权利要求3所述的森林火灾早期检测方法,
所述方法的特征在于
所述结果数据(RDnn)中只有一部分被传输到所述网络服务器(NS)。
5.根据权利要求3或4所述的森林火灾早期检测方法,
所述方法的特征在于
所述传输使用诸如LoRa、LoRaWAN和/或IP等协议来进行。
6.根据权利要求3至5中任一项或多项所述的森林火灾早期检测方法,
所述方法的特征在于
所述结果数据(RDnn)是在所述终端装置(ED)上收集。
7.根据权利要求6所述的森林火灾早期检测方法,
所述方法的特征在于
所述收集的结果数据(RDnn)以指定的间隔传输到所述网络服务器(NS)。
8.根据权利要求7所述的森林火灾早期检测方法,
所述方法的特征在于
所述间隔是基于时间或基于数据量。
9.根据权利要求3至8中任一项或多项所述的森林火灾早期检测方法,
所述方法的特征在于
所述终端装置(ED)具有通信单元,
其中在所述结果数据(RDnn)的所述传输之后,停用所述通信单元。
10.根据前述权利要求中任一项或多项所述的森林火灾早期检测方法,
所述方法的特征在于
将ML算法应用于所述结果数据(RDnn)。
11.根据前述权利要求中任一项或多项所述的森林火灾早期检测方法,
所述方法的特征在于
在将软件安装在所述终端装置(ED)上之前和/或在将传感器装置安装在森林火灾监测系统(1)内之前进行所述ML算法的第一次应用。
12.根据前述权利要求中任一项或多项所述的森林火灾早期检测方法,
所述方法的特征在于
在将所述软件安装在所述终端装置(ED)上之后和/或在将所述传感器装置安装在森林火灾监测系统(1)内之前进行所述ML算法的应用。
13.根据权利要求12所述的森林火灾早期检测方法,
所述方法的特征在于
新确定的ML数据(MLD)经由无线网络传输到所述终端装置(ED)。
14.根据前述权利要求中任一项或多项所述的森林火灾早期检测方法,
所述方法的特征在于
使用强化学习。
15.一种具有LoRaWAN网络的森林火灾早期检测系统(1),所述森林火灾早期检测系统包括
●终端装置(ED),所述终端装置(ED)具有传感器装置、第一控制装置、用于评估由所述传感器装置供应的测量信号的评估装置以及用于供应能量的装置,
●网络服务器(NS),
所述系统的特征在于
所述第一控制装置适合且意图用于访问存储器,所述存储器含有来自机器学习模型的适应和应用的数据。
16.根据权利要求15所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述存储器是所述终端装置(ED)的一部分。
17.根据权利要求15或16所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述网络服务器(NS)耦合到第二控制装置(MLS),所述第二控制装置适合且意图用于执行机器学习程序。
18.根据权利要求15至17中任一项或多项所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述第二控制装置(MLS)能够访问由所述终端装置(ED)记录的所述测量信号。
19.根据权利要求15至18中任一项或多项所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述第二控制装置(MLS)经由两个不同的网络连接到所述终端装置(ED)。
20.根据权利要求15至19中任一项或多项所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述终端装置(ED)具有用于检测空气湿度的湿度传感器。
21.根据权利要求15至20中任一项或多项所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述终端装置(ED)具有用于检测环境温度的温度传感器。
22.根据权利要求15至21中任一项或多项所述的具有LoRaWAN网络的森林火灾早期检测系统(1),
所述系统的特征在于
所述终端装置(ED)具有用于检测空气压力的压力传感器。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021118527.0 | 2021-07-19 | ||
DE102021128720.0 | 2021-11-04 | ||
DE102021128720.0A DE102021128720A1 (de) | 2021-07-19 | 2021-11-04 | Verfahren und vorrichtung zur detektion von waldbränden |
PCT/EP2022/069650 WO2023001667A1 (de) | 2021-07-19 | 2022-07-13 | Verfahren und vorrichtung zur detektion von waldränden |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117642782A true CN117642782A (zh) | 2024-03-01 |
Family
ID=90023807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280049934.7A Pending CN117642782A (zh) | 2021-07-19 | 2022-07-13 | 用于检测森林火灾的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117642782A (zh) |
-
2022
- 2022-07-13 CN CN202280049934.7A patent/CN117642782A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Design and deployment of sensor network for real-time high-fidelity volcano monitoring | |
Giorgetti et al. | A robust wireless sensor network for landslide risk analysis: system design, deployment, and field testing | |
Molina-Pico et al. | Forest monitoring and wildland early fire detection by a hierarchical wireless sensor network | |
Huang et al. | Real-world sensor network for long-term volcano monitoring: Design and findings | |
Anisi et al. | A survey of wireless sensor network approaches and their energy consumption for monitoring farm fields in precision agriculture | |
Li et al. | Wireless sensor network design for wildfire monitoring | |
US7423985B1 (en) | System for large area telemetry data collection networks | |
Liu et al. | Forest fire monitoring, detection and decision making systems by wireless sensor network | |
Yoon et al. | Reliable wildfire monitoring with sparsely deployed wireless sensor networks | |
CN115398500A (zh) | 网状网关网络和方法 | |
Martincic et al. | Introduction to wireless sensor networking | |
CA3226015A1 (en) | Method and device for the detectiing forest fires | |
Mariño et al. | An experimental ad-hoc WSN for the instrumentation of biological models | |
Alhmiedat | Low-power environmental monitoring system for ZigBee wireless sensor network | |
Al-Hamadi et al. | Optimizing the lifetime of IoT-based star and mesh networks | |
CN117642782A (zh) | 用于检测森林火灾的方法和装置 | |
Kalaivanan et al. | Unmanned Aerial Vehicle based Reliable and Energy Efficient Data Collection from Red Alerted Area using Wireless Sensor Networks with IoT. | |
Jo et al. | A rendezvous point estimation considering drone speed and data collection delay | |
CN211792048U (zh) | 井下逃生导航系统 | |
KR20230105473A (ko) | 연기 센서, 연기 센서 동작 방법 및 화재 경보 시스템 | |
Preshiya et al. | A survey of factors influencing network lifetime in delay tolerant network | |
CN117769729A (zh) | LoRaWAN网状网关网络和用于定位森林火灾的方法 | |
JP2010136272A (ja) | ゲートウェイ装置 | |
KR102240278B1 (ko) | 자가 통신망 경로 설정 방법 및 장치 | |
He et al. | An overview of the VigilNet architecture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |