DE102021128720A1

DE102021128720A1 - METHOD AND DEVICE FOR DETECTING FOREST FIRES

Info

Publication number: DE102021128720A1
Application number: DE102021128720.0A
Authority: DE
Inventors: Carsten Brinkschulte; Daniel Hollos
Original assignee: Dryad Networks GmbH
Current assignee: Dryad Networks GmbH
Priority date: 2021-07-19
Filing date: 2021-11-04
Publication date: 2023-01-19

Abstract

Die Erfindung betrifft ein Verfahren zur Waldbrandfrüherkennung mit den Verfahrensschritten Implementation von Machine-Learning-Daten (ML-Daten) zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem, Erfassung von Messdaten durch ein Endgerät des Waldbrandfrüherkennungssystems und Ermitteln von Ergebnisdaten durch Anwendung der ML-Daten auf die von dem Endgerät erfassten Messdaten, wobei die ML-Daten in dem Endgerät implementiert sind, sowie ein Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk.The invention relates to a method for early forest fire detection with the method steps of implementing machine learning data (ML data) for detecting forest fires in a forest fire early detection system, recording measurement data by a terminal device of the forest fire early detection system and determining result data by applying the ML data to the Measurement data collected by the end device, the ML data being implemented in the end device, and a forest fire early warning system with a LoRaWAN network.

Description

Die Erfindung betrifft ein Verfahren zur Waldbrandfrüherkennung mit den Verfahrensschritten Implementation von Machine-Learning-Daten (ML-Daten) zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem, Erfassung von Messdaten durch ein Endgerät des Waldbrandfrüherkennungssystems und Ermitteln von Ergebnisdaten durch Anwendung der ML-Daten auf die von dem Endgerät erfassten Messdaten, wobei die ML-Daten in dem Endgerät implementiert sind, sowie ein Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk.The invention relates to a method for early forest fire detection with the method steps implementation of machine learning data (ML data) for the detection of forest fires in a forest fire early detection system, acquisition of measurement data by a terminal of the forest fire early detection system and determination of result data by applying the ML data to the Measurement data collected by the end device, the ML data being implemented in the end device, and a forest fire early warning system with a LoRaWAN network.

Stand der TechnikState of the art

Je größer ein Waldbrand ist, desto schwieriger ist dessen Ausbreitungsrichtung und Ausbreitungsgeschwindigkeit bestimmbar. Wetter, Wind, die Bodenbeschaffenheit und die Vegetation bestimmen dessen Weg und Ausbreitungsgeschwindigkeit, die sich innerhalb kurzer Zeit wieder ändern kann. Es ist daher sehr wichtig, einen Waldbrand sehr früh zu erkennen, um Schäden gering und den Waldbrand kontrollierbar zu halten bzw. der Feuerwehr einen entscheidenden Zeitvorteil zu gegeben.The larger a forest fire is, the more difficult it is to determine the direction and speed of its spread. Weather, wind, soil conditions and vegetation determine its path and speed of propagation, which can change again within a short time. It is therefore very important to detect a forest fire very early on in order to keep the damage low and the forest fire controllable, and to give the fire brigade a decisive advantage in terms of time.

Während eines Waldbrandes laufen die komplexen thermischen Abbauprozesse (Destillation, Pyrolyse, Verkohlung und die Oxidation der entstehenden Gasprodukte bei der Flammenverbrennung) gleichzeitig und oft in unmittelbarer Nähe zueinander ab. Der thermische Abbau von Brennstoffen erfolgt vor und entlang der Feuerlinie, während Enklaven mit intermittierender offener Flamme oft weit hinter der Flammenfront bestehen bleiben.During a forest fire, the complex thermal degradation processes (distillation, pyrolysis, charring, and oxidation of the resulting gas products from flame combustion) occur simultaneously and often in close proximity to one another. Thermal decomposition of fuels occurs ahead of and along the line of fire, while enclaves of intermittent open flame often persist far behind the flame front.

Die Flammenverbrennung liegt im Allgemeinen zwischen 800°C - 1200°C. Schwelende Bodenbrände liegen zwischen 300°C - 600°C. Brennbare Gase, insbesondere flüchtige organische Verbindungen (englisch volatile organic compounds, kurz VOC) werden bei Temperaturen über 200°C schneller gebildet und erreichen ihren Höhepunkt bei 320°C. VOC ist die Sammelbezeichnung für organische, kohlenstoffhaltige Stoffe, die bei Raumtemperatur oder höheren Temperaturen durch Verdampfen in die Gasphase übergehen, insbesondere Terpene. Außerdem werden verschiedene organische Verbindungen, z.B. Methanol, und Kohlendioxid sowie Kohlenmonoxid und molekularer Wasserstoff gebildet. Die flammende Verbrennung beginnt erst bei 425°C bis 480°C. Flammentemperaturen von 700°C bis 1300°C sind am häufigsten. In diesem Temperaturbereich werden vor allem Kohlendioxid, Stickoxide und flüchtige schwefelhaltige Verbindungen (VSC), insbesondere Schwefeldioxid, gebildet. Schwelbrände breiten sich langsam aus, ca. 3 cm/h, sie können für mehrere Stunden Bodentemperaturen über 300°C mit Spitzentemperaturen von 600°C erzeugen.Flame combustion is generally between 800°C - 1200°C. Smoldering ground fires range from 300°C - 600°C. Combustible gases, especially volatile organic compounds (VOC) are formed faster at temperatures above 200°C and reach their peak at 320°C. VOC is the collective term for organic, carbon-containing substances that evaporate into the gas phase at room temperature or higher temperatures, especially terpenes. Various organic compounds, e.g. methanol, and carbon dioxide as well as carbon monoxide and molecular hydrogen are also formed. The flaming combustion only begins at 425°C to 480°C. Flame temperatures of 700°C to 1300°C are most common. In this temperature range, primarily carbon dioxide, nitrogen oxides and volatile sulphur-containing compounds (VSC), in particular sulfur dioxide, are formed. Smoldering fires spread slowly, around 3 cm/h, they can generate ground temperatures in excess of 300°C with peak temperatures of 600°C for several hours.

Die folgende Tabelle zeigt die bei einem Waldbrand gebildeten Gase, gestaffelt nach der Temperatur: Feuerphase Destillation / Trocknung Niedrigtemperatur-Pyrolyse Kohleoxidation Schwelende / glühende Verbrennung Flammende Verbrennung Indizes BME 688 Temperatur 60°C - 200°C 200°C-300°C 320°C 300°C - 600°C 800°C - 1200°C Zeit 1-30min 1-60min Gase VOC Terpene Methanol Acetaldehyd Essigsäure Methylacetat CO CO2 sauerstoffanger. VOC Methanol Essigsäure Azeton 1,3-Butadien Furan 2-Furyladehyd H2 Furan CO2 NOx Schv.efeldioxid (SO2) Aerosol CE MCE 1,3-Butadien H2 VOC CO CO2 Acetone The following table shows the gases formed during a forest fire, graded according to temperature: fire phase distillation / drying low-temperature pyrolysis carbon oxidation Smoldering / glowing combustion Flaming Combustion indices BME 688 temperature 60°C - 200°C 200°C-300°C 320°C 300ºC - 600ºC 800ºC - 1200ºC time 1-30 mins 1-60 mins gases VOC Terpenes Methanol Acetaldehyde Acetic acid Methyl acetate CO CO2 oxygen rich. VOC methanol acetic acid acetone 1,3-butadiene furan 2-furyl aldehyde H2 furan CO2 NOx sulfur dioxide (SO2) aerosol CE MCE 1,3-Butadiene H2 VOC CO CO2 Acetones

Eine mögliche Hilfe bei der Erfassung eines Waldbrandes bieten Erdbeobachtungsdaten, insbesondere in Form von Luft- und Satellitenbildern. Der starke Anstieg an verfügbaren Erdbeobachtungsdaten, insbesondere durch Luft- und Satellitenbilddaten, ermöglicht eine weiträumige Erfassung der Waldbrände. So nützlich die Satellitendaten für die Erkennung und Bekämpfung von Bränden sind, weisen sie einen Nachteil auf: Sie erreichen die Einsatzkräfte meist nur mit Verzögerung, weil geostationäre Satelliten aufgrund ihrer großen Entfernung nur geringe Bildauflösungen liefern und nicht-geostationäre Satelliten einen Erdumlauf durchführen müssen, bevor sie neue Aufnahmen bereitstellen können.Earth observation data, especially in the form of aerial and satellite images, can help in detecting a forest fire. The strong increase in available earth observation data, esp particularly through aerial and satellite image data, enables a wide-ranging detection of the forest fires. As useful as the satellite data are for detecting and fighting fires, they have one disadvantage: they usually only reach the emergency services with a delay because geostationary satellites only deliver low image resolutions due to their great distance and non-geostationary satellites have to orbit the earth before they can provide new recordings.

Eine weitere Möglichkeit zur Detektion von Waldbränden besteht darin, ein Netz aus Gassensoren direkt im Wald zu installieren, die bei der Entstehung von Waldbränden auftretende Gase detektieren und so sehr frühzeitig Waldbrände erkennen zu können, bevor diese durch optische Systeme aus der Entfernung erkennbar werden. Aufgrund des unterschiedlichen Bewuchses von Wäldern und der unterschiedlichen Beschaffenheit von Böden entstehen aber auch unterschiedliche Gase und Gaskonzentrationen, sodass eine fehlerfreie Detektion sehr schwierig ist. Darüber hinaus entstehen schon allein durch die in den unterschiedlichen Phasen der Waldbrandentstehung anwachsenden Temperaturen unterschiedliche Gase und Gaskonzentrationen. Da das Ausrücken von Einsatzkräften aber sehr teuer ist, soll die Detektionsgenauigkeit verbessert werden.Another option for detecting forest fires is to install a network of gas sensors directly in the forest, which detect gases that occur when forest fires break out and thus be able to detect forest fires very early on, before they can be detected by optical systems from a distance. However, due to the different types of vegetation in forests and the different properties of soil, different gases and gas concentrations are also produced, making error-free detection very difficult. In addition, different gases and gas concentrations are created simply by the increasing temperatures in the different phases of the forest fire development. However, since the deployment of emergency services is very expensive, the detection accuracy should be improved.

Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren zur Waldbrandfrüherkennung bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist, sowie eine Erfassung und Vorhersage der Ausbreitungsrichtung und -geschwindigkeit eines Waldbrandes ermöglicht. Es ist ebenfalls Aufgabe der Erfindung, ein Waldbrandfrüherkennungssystem bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist, sowie eine Erfassung und Vorhersage der Ausbreitungsrichtung und -geschwindigkeit eines Waldbrandes ermöglicht.It is therefore the object of the present invention to provide a method for early detection of forest fires that works reliably, can be expanded as required and is inexpensive to install and maintain, and also enables the direction and speed of propagation of a forest fire to be recorded and predicted. It is also an object of the invention to provide an early warning system for forest fires that works reliably, can be expanded as required and is inexpensive to install and maintain, and also enables the direction and speed of propagation of a forest fire to be recorded and predicted.

Die Aufgabe wird mittels des Verfahrens zur Waldbrandfrüherkennung gemäß Anspruch 1 gelöst. Vorteilhafte Ausführungen der Erfindung sind in den Unteransprüchen 2 bis 14 dargelegt.The object is achieved using the method for early detection of forest fires according to claim 1 . Advantageous embodiments of the invention are set out in dependent claims 2-14.

Das erfindungsgemäße Verfahren zur Waldbrandfrüherkennung weist drei Verfahrensschritte auf: Im ersten Verfahrensschritt werden ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem implementiert. ML-Daten sind im Rahmen dieser Schrift Daten, die mittels des Algorithmus eines Machine-Learning-Modells erstellt werden. Im zweiten Verfahrensschritt werden Messdaten durch ein Endgerät des Waldbrandfrüherkennungssystems erfasst. Das Endgerät verfügt dazu über eine oder mehrere geeignete Sensorvorrichtungen zur z.B. Gasanalyse und/oder ist mit derartigen Sensorvorrichtungen verbunden. Im dritten Verfahrensschritt werden Ergebnisdaten durch Anwendung der ML-Daten auf die von dem Endgerät erfassten Messdaten ermittelt. Das Machine-Learning-Modell wird in dieser Erfindung zur Verbesserung der Effizienz der Sensorvorrichtung des Endgerätes genutzt. Der Algorithmus des Modells ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Endgerät Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von der Sensorvorrichtung ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.The inventive method for early forest fire detection has three method steps: In the first method step, ML data for detecting forest fires are implemented in an early forest fire detection system. In the context of this document, ML data is data that is created using the algorithm of a machine learning model. In the second step of the method, measurement data is recorded by a terminal device of the early forest fire detection system. For this purpose, the end device has one or more suitable sensor devices for e.g. gas analysis and/or is connected to such sensor devices. In the third method step, result data are determined by applying the ML data to the measurement data recorded by the end device. The machine learning model is used in this invention to improve the efficiency of the sensor device of the terminal. The algorithm of the model enables an improved application-related detection of the gases to be detected. In addition, the algorithm corrects the recorded gas concentration in relation to the recorded air humidity. In addition, the baseline and long-term deviations of the measured values are compensated. For this purpose, the end device is provided with data on different gas compositions and their concentrations, which are compared with the gas compositions and their concentrations determined by the sensor device.

Die von dem Endgerät erfassten und übermittelten Messwerte werden in ein Machine-Learning-Modell eingebunden zur Erstellung von Modellen zur Detektion von Waldbränden. Die Daten zur Detektion von Waldbränden werden über APIs und grafische Tools verfügbar gemacht. Mit derartigen Modellen kann die Detektion eines Brandes auch in entlegenen Gebieten erfolgen. Durch die Auswertung dieser Daten können Aussagen über das aktuelle Lagebild nach Waldbränden getroffen werden.The measured values recorded and transmitted by the end device are integrated into a machine learning model to create models for detecting forest fires. Wildfire detection data is made available through APIs and graphical tools. With such models, a fire can also be detected in remote areas. By evaluating this data, statements can be made about the current situation after forest fires.

Erfindungsgemäß sind die ML-Daten in dem Endgerät implementiert anstatt in einer zentralen Einheit, z.B. einem Netzwerkserver. Ein Waldbrandfrüherkennungssystem weist üblicherweise über eine Vielzahl von Endgeräten auf, die weiträumig verteilt sind und über autarke Energieversorgungssysteme verfügen. Die Implementation der ML-Daten in dem Endgerät ermöglicht eine Anpassung und Anwendung des Machine-Learning-Modells auf die Gegebenheiten vor Ort des jeweiligen Endgerätes, gleichzeitig ist der Energieverbrauch eines einzelnen Endgerätes verringert.According to the invention, the ML data is implemented in the terminal instead of in a central unit, e.g. A forest fire early detection system usually has a large number of terminals that are widely distributed and have self-sufficient energy supply systems. The implementation of the ML data in the end device enables the machine learning model to be adapted and applied to the on-site conditions of the respective end device, while at the same time the energy consumption of an individual end device is reduced.

In einer weiteren Ausführung der Erfindung werden die Ergebnisdaten auf dem Endgerät ermittelt. Das Endgerät verfügt dazu über eine Auswertevorrichtung. Die Ergebnisdaten werden ermittelt, indem auf die von dem Endgerät erfassten Messdaten ML-Daten angewandt werden.In a further embodiment of the invention, the result data is determined on the terminal. The end device has an evaluation device for this purpose. The result data is determined by applying ML data to the measurement data acquired from the terminal.

In einer weiteren Gestaltung der Erfindung werden die Ergebnisdaten an den Netzwerkserver übermittelt. Auf dem Netzwerkserver stehen die Ergebnisdaten weiteren Anwendungen zur Verfügung, mit denen ein Waldbrand detektiert und erfasst wird. Durch die Einbindung der Messdaten in ein Machine-Learning-Modell werden mittels des Netzwerkservers außerdem Modelle zur Detektion von Waldbränden erstellt.In a further embodiment of the invention, the result data is transmitted to the network server. The results data are available on the network server for other applications with which a forest fire is detected and recorded. By integrating the measurement data into a machine learning model, models for detecting forest fires are also created using the network server.

In einer Weiterbildung der Erfindung wird nur ein Teil der Ergebnisdaten an den Netzwerkserver übermittelt.In one development of the invention, only part of the result data is transmitted to the network server.

In einer vorteilhaften Ausbildung der Erfindung erfolgt die Übermittlung mittels Protokollen wie LoRa, LoRaWAN und/oder IP. LoRa kommt mit besonders geringer Energie aus und basiert auf einer Zirpenfrequenzspreizungsmodulation entsprechend dem US-Patent US 7791415 B2 . Lizenzen zur Nutzung werden durch ein Gründungsmitglied des Industriekonsortiums, die Firma Semtech vergeben. LoRa verwendet lizenz- und genehmigungsfreie Funkfrequenzen im Bereich unter 1GHz, wie zum Beispiel 433MHz und 868MHz in Europa oder 915MHz in Australien und Nordamerika und erlaubt damit eine Reichweite von mehr als 10 Kilometer in ländlichen Gebieten bei geringstem Energieverbrauch. Die LoRa-Technik besteht einerseits aus dem physikalischen LoRa-Protokoll und dem LoRaWAN-Protokoll, das als obere Netzwerkschicht von dem Industriekonsortium LoRa Alliance definiert und verwaltet wird. LoRaWAN-Netzwerke setzen eine sternförmige Architektur mittels Gateways-Nachrichtenpakete zwischen den Endgeräten und dem zentralen Netzwerkserver um. Die Gateways (auch Konzentratoren oder Basisstationen genannt) sind an den Netzwerkserver über das Standard-InternetProtokoll angebunden, während die Endgeräte per Funk über LoRa (Zirpenfrequenzspreizungsmodulation) oder FSK (Frequenzmodulation) mit dem jeweiligen Gateway kommunizieren. Die Funkanbindung ist somit ein Single-Hop-Netzwerk, bei dem die Endgeräte direkt mit einem oder mehreren Gateways kommunizieren, die den Datenverkehr dann ans Internet weiterleiten. Umgekehrt wird der Datenverkehr vom Netzwerk-Server zu einem Endgerät nur über ein Gateway geführt. Die Datenkommunikation funktioniert grundsätzlich in beide Richtungen, allerdings ist der Datenverkehr vom Endgerät zum Netzwerk-Server die typische Anwendung und die vorherrschende Betriebsart. Durch die Überbrückung größerer Entfernungen bei einem sehr niedrigen Energieverbrauch ist LoRaWAN insbesondere für loT-Anwendungen außerhalb von Siedlungen geeignet.In an advantageous embodiment of the invention, the transmission takes place using protocols such as LoRa, LoRaWAN and/or IP. LoRa works with particularly low energy and is based on a chirp frequency spread modulation according to the US patent US7791415B2 . Licenses for use are issued by a founding member of the industry consortium, the company Semtech. LoRa uses license and permit-free radio frequencies in the range below 1GHz, such as 433MHz and 868MHz in Europe or 915MHz in Australia and North America, allowing a range of more than 10 kilometers in rural areas with the lowest energy consumption. The LoRa technology consists on the one hand of the physical LoRa protocol and the LoRaWAN protocol, which is defined and managed as the upper network layer by the industrial consortium LoRa Alliance. LoRaWAN networks implement a star-shaped architecture using gateway message packets between the end devices and the central network server. The gateways (also called concentrators or base stations) are connected to the network server via the standard Internet protocol, while the end devices communicate with the respective gateway by radio using LoRa (chirp frequency spread modulation) or FSK (frequency modulation). The wireless connection is therefore a single-hop network in which the end devices communicate directly with one or more gateways, which then forward the data traffic to the Internet. Conversely, the data traffic from the network server to an end device is only routed via a gateway. Data communication basically works in both directions, but data traffic from the end device to the network server is the typical application and the predominant operating mode. By bridging greater distances with very low energy consumption, LoRaWAN is particularly suitable for loT applications outside of settlements.

Auf der physikalischen Ebene nutzt LoRaWAN, wie andere Funkprotokolle für loT-Anwendungen, die Streu-Spektrum-Modulation. Sie unterscheidet sich durch die Verwendung einer adaptiven Technik, die auf Chirp-Signalen basiert, im Gegensatz zu herkömmlicher DSSS (Direktsequenz-Streu-Spektrum-Signalisierung). Die Chirp-Signale bieten einen Kompromiss zwischen Empfangsempfindlichkeit und maximaler Datenrate. Ein Chirp-Signal ist ein Signal, dessen Frequenz im Laufe der Zeit variiert. Die LoRaWAN-Technik lässt sich kostengünstig implementieren, da sie nicht auf eine präzise Taktquelle angewiesen ist. Die Reichweiten von LoRa erstrecken sich bis zu 40 Kilometer in ländlichen Gebieten. In der Stadt liegt der Vorteil in einer guten Gebäudedurchdringung, da auch Keller erreichbar sind. Der Strombedarf liegt mit rund 10 nA und 100 nA im Ruhemodus sehr niedrig. Somit ist eine Batterie-Lebensdauer von bis zu 15 Jahren erreichbar.At the physical level, LoRaWAN, like other radio protocols for loT applications, uses spread spectrum modulation. It differs by using an adaptive technique based on chirp signals as opposed to traditional DSSS (Direct Sequence Spread Spectrum Signalling). The chirp signals offer a compromise between reception sensitivity and maximum data rate. A chirp signal is a signal whose frequency varies over time. LoRaWAN technology is inexpensive to implement because it does not rely on a precise clock source. LoRa ranges are up to 40 kilometers in rural areas. In the city, the advantage lies in good building penetration, since basements are also accessible. The power consumption is very low at around 10 nA and 100 nA in sleep mode. This means that a battery life of up to 15 years can be achieved.

LoRaWAN definiert und verwendet eine Stern-Topologie Netzwerkarchitektur, bei der alle die Blattknoten über das jeweils am besten geeignete Gateway kommunizieren. Diese Gateways übernehmen das Routing und können, wenn sich mehr als ein Gateway in der Reichweite eines Blattknotens befindet, und das lokale Netzwerk überlastet ist, die Kommunikation auch auf eine Alternative umleiten.LoRaWAN defines and uses a star topology network architecture, where all the leaf nodes communicate through the most appropriate gateway. These gateways handle the routing and can also redirect communication to an alternative when more than one gateway is within range of a leaf node and the local network is congested.

Einige andere loT-Protokolle (beispielsweise ZigBee oder Z-Wave) verwenden hingegen sogenannte Mesh-Netzwerkearchitekturen, um die maximale Entfernung eines Endgeräts Blattknotens von einem Gateway zu erhöhen. Die Endgeräte des Mesh-Netzwerks leiten dabei die Nachrichten untereinander weiter, bis diese ein Gateway erreichen, welche die Nachrichten an das Internet übergibt. Mesh-Netzwerke programmieren sich selbst und passen sich dynamisch an die Umgebungsbedingungen an, ohne einen Master-Controller oder eine Hierarchie zu benötigen. Um Nachrichten weiterleiten zu können, müssen die Endgeräte eines Mesh-Netzwerks jedoch entweder ständig oder in regelmäßigen Abständen empfangsbereit sein und können nicht über lange Zeiträume in den Ruhezustand versetzt werden. Die Folge ist ein höherer Energiebedarf der Knoten-Endgeräte für das Weiterleiten von Nachrichten zu und von den Gateways sowie eine die daraus resultierende Verkürzung der Batterielebensdauer.Some other loT protocols (e.g. ZigBee or Z-Wave), on the other hand, use so-called mesh network architectures to increase the maximum distance of a terminal device leaf node from a gateway. The end devices of the mesh network forward the messages to each other until they reach a gateway, which transfers the messages to the Internet. Mesh networks self-program and dynamically adapt to environmental conditions without the need for a master controller or hierarchy. In order to be able to forward messages, however, the end devices of a mesh network must be ready to receive either constantly or at regular intervals and cannot be left in the idle state for long periods of time. The consequence is a higher energy requirement of the node end devices for the forwarding of messages to and from the gateways and a resulting reduction in battery life.

Die Stern-Netzwerkarchitektur von LoRaWAN erlaubt hingegen den Endgeräten, sich über lange Zeiträume in den stromsparenden Ruhezustand zu versetzen und stellt dadurch sicher, dass die Batterie der Endgeräte so wenig wie möglich belastet wird und somit über mehrere Jahre ohne Batteriewechsel betrieben werden kann. Das Gateway fungiert dabei als Brücke zwischen einfachen und für die Batterielebensdauer optimierten Protokollen (LoRa / LoRaWAN), welche sich besser für ressourcenbeschränkte Endgeräte eignen, und dem Internetprotokoll (IP), das zur Bereitstellung von loT-Diensten und Anwendungen eingesetzt wird. Nachdem das Gateway die Datenpakete vom Endgerät über LoRa / LoRaWAN empfangen hat, sendet es diese über das Internetprotokoll (IP) an einen Netzwerkserver, der wiederum über Schnittstellen zu loT-Plattformen und Applikationen verfügt.The star network architecture of LoRaWAN, on the other hand, allows the end devices to switch to the energy-saving idle state for long periods of time and thus ensures that the battery of the end devices is loaded as little as possible and can therefore be operated for several years without changing the battery. The gateway acts as a bridge between simple protocols (LoRa / LoRaWAN) optimized for battery life, which are better suited for resource-constrained end devices, and the Internet Protocol (IP), which is used to provide loT services and applications. After the gateway has received the data packets from the end device via LoRa / LoRaWAN, sends it sends them via the internet protocol (IP) to a network server, which in turn has interfaces to loT platforms and applications.

In einer weiteren Ausgestaltung der Erfindung werden die Ergebnisdaten auf dem Endgerät gesammelt. Die Ergebnisdaten werden so lange in dem Speicher des Endgerätes gesammelt, bis sie innerhalb eines Download-Receive-Fensters als Datenpaket über ein oder mehrere Gateways an den Netzwerkserver übermittelt werden. Das Endgerät muss kein permanent aktives Download-Receive-Fenster besitzen und daher permanent aktiv sein, wie bei einem Endgerät der Klasse C, sondern kann beispielsweise auch ein Klasse A oder Klasse B Endgerät gemäß LoRaWAN-Spezifikation sein. Der Energiebedarf eines Endgerätes wird so minimiert.In a further embodiment of the invention, the result data is collected on the terminal. The result data is collected in the memory of the end device until it is transmitted to the network server as a data packet via one or more gateways within a download-receive window. The end device does not have to have a permanently active download-receive window and therefore be permanently active, as with a class C end device, but can also be a class A or class B end device according to the LoRaWAN specification, for example. The energy requirement of a terminal device is thus minimized.

In einer weiteren Ausführung der Erfindung werden die Ergebnisdaten in festgelegten Intervallen an den Netzwerkserver übermittelt. Die Endgeräte werden in drei unterschiedliche bidirektionale Varianten eingeteilt: Klasse A umfasst eine Kommunikation nach dem ALOHA-Zugriffsverfahren. Bei diesem Verfahren sendet das Gerät seine erzeugten Datenpakete an das Gateway, gefolgt von zwei Download-Receive-Fenstern, die für einen Datenempfang genutzt werden können. Ein erneuter Datentransfer kann nur durch das Endgerät bei einem erneuten Upload initiiert werden. Klasse B-Endgeräte öffnen hingegen zu festgelegten Zeiten Download-Receive-Fenster. Dazu empfängt das Endgerät ein zeitgesteuertes Beacon-Signal vom Gateway. Damit weiß ein Netzwerk-Server, wann das Endgerät zum Empfang von Daten bereit ist. Endgeräte der Klasse C besitzen ein permanent geöffnetes Download-Receive-Fenster und sind damit permanent aktiv, weisen aber auch einen erhöhten Stromverbrauch auf. Zur Minimierung des Energiebedarfs der Endgeräte werden zur Ausführung des erfindungsgemäßen Verfahrens üblicherweise nur Endgeräte der Klasse A und B eingesetzt.In a further embodiment of the invention, the result data is transmitted to the network server at fixed intervals. The terminals are divided into three different bidirectional variants: Class A includes communication based on the ALOHA access method. With this method, the device sends its generated data packets to the gateway, followed by two download-receive windows that can be used to receive data. A new data transfer can only be initiated by the end device with a new upload. Class B terminals, on the other hand, open download-receive windows at specified times. To do this, the end device receives a time-controlled beacon signal from the gateway. A network server thus knows when the end device is ready to receive data. Class C end devices have a permanently open download-receive window and are therefore permanently active, but also have an increased power consumption. In order to minimize the energy requirement of the terminals, only class A and B terminals are usually used to carry out the method according to the invention.

In einer Weiterbildung der Erfindung sind die Intervalle zeitbasiert oder datenvolumenbasiert festgelegt. Endgeräte der Klasse B übertragen die Ergebnisdaten zu festgelegten Zeiten. Endgeräte der Klasse A können ebenfalls die Ergebnisdaten zu festgelegten Zeiten an den Netzwerkserver senden. Sie können aber auch die Möglichkeit aufweisen, die Ergebnisdaten dann zu übertragen, wenn die Ergebnisdaten ein festgelegtes Datenvolumen aufweisen. Damit wird vermieden, dass das Datenvolumen zu groß für den Speicher des Endgerätes ist.In a further development of the invention, the intervals are fixed based on time or data volume. Class B terminals transmit the result data at specified times. Class A terminals can also send the result data to the network server at specified times. However, they can also have the option of transmitting the result data when the result data has a fixed data volume. This avoids the data volume being too large for the memory of the end device.

In einer weiteren Gestaltung der Erfindung weist das Endgerät eine Kommunikationseinheit auf. Mittels der Kommunikationseinheit werden die Ergebnisdaten vom Endgerät an den Netzwerkserver übermittelt. Die Kommunikationseinheit wird nach der Übermittlung der Ergebnisdaten deaktiviert, um den Energiebedarf des Endgerätes zu reduzieren.In a further embodiment of the invention, the terminal has a communication unit. The result data is transmitted from the end device to the network server by means of the communication unit. The communication unit is deactivated after the result data has been transmitted in order to reduce the energy requirements of the end device.

In einer vorteilhaften Ausführung der Erfindung wird auf die Ergebnisdaten ein ML-Algorithmus angewandt. Der ML-Algorithmus ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Endgerät Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von der Sensorvorrichtung ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.In an advantageous embodiment of the invention, an ML algorithm is applied to the result data. The ML algorithm enables improved application-related detection of the gases to be detected. In addition, the algorithm corrects the recorded gas concentration in relation to the recorded air humidity. In addition, the baseline and long-term deviations of the measured values are compensated. For this purpose, the end device is provided with data on different gas compositions and their concentrations, which are compared with the gas compositions and their concentrations determined by the sensor device.

In einer weiteren Ausgestaltung der Erfindung erfolgt die erste Anwendung des ML-Algorithmus zeitlich vor der Installation der Software auf dem Endgerät und/oder vor der Montage der Sensorvorrichtung innerhalb eines Waldbrandüberwachungssystems. Dafür wird bevorzugt das reinforcement learning verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Waldbrandüberwachungssystems zu maximieren.In a further embodiment of the invention, the first application of the ML algorithm takes place before the software is installed on the terminal device and/or before the sensor device is installed within a forest fire monitoring system. Reinforcement learning is preferably used for this. The algorithm learns, through rewards and punishments, a tactic on how to act in situations that may arise in order to maximize the benefit of the forest fire monitoring system.

In einer vorteilhaften Ausbildung der Erfindung erfolgt eine Anwendung des ML-Algorithmus zeitlich nach der Installation der Software auf dem Endgerät und/oder nach der Montage der Sensorvorrichtung innerhalb eines Waldbrandüberwachungssystems. Dies hat den Vorteil, dass die Anpassung und Anwendung des Machine-Learning-Modells auf die Gegebenheiten Vorort angepasst werden kann. In einer erfindungsgemäßen Weiterbildung wird die Anpassung und Anwendung des Machine-Learning-Modells über ein kabelloses Netzwerk durchgeführt. Insbesondere wird die Anpassung und Anwendung des Machine-Learning-Modells des Endgerätes über die Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert.In an advantageous embodiment of the invention, the ML algorithm is used after the software has been installed on the terminal device and/or after the sensor device has been installed within a forest fire monitoring system. This has the advantage that the adaptation and application of the machine learning model can be adapted to the on-site conditions. In a development according to the invention, the machine learning model is adapted and used via a wireless network. In particular, the adaptation and application of the machine learning model of the terminal device is updated via the control unit at preferably regular intervals.

In einer Weiterbildung der Erfindung werden die neu ermittelten ML-Daten über ein kabelloses Netzwerk an die Endgeräte übermittelt. Vorteilhafterweise werden die neu ermittelten ML-Daten mittels derselben Netzwerkarchitektur an das Endgerät übertragen, mittels der das Endgerät Ergebnisdaten an einen Netzwerkserver sendet. Die Übermittlung erfolgt mittels Protokollen wie LoRa, LoRaWAN und/oder IP. Dabei sendet der Netzwerkserver die neu ermittelten ML-Daten mittels IP an ein Gateway, das Gateway über LoRa / LoRaWAN an ein Endgerät.In a development of the invention, the newly determined ML data is transmitted to the terminals via a wireless network. Advantageously, the newly determined ML data are using the same Transfer network architecture to the end device, by means of which the end device sends result data to a network server. Transmission takes place using protocols such as LoRa, LoRaWAN and/or IP. The network server sends the newly determined ML data to a gateway via IP, and the gateway to an end device via LoRa / LoRaWAN.

In einer weiteren Ausbildung der Erfindung wird Bestärkendes Lernen (englisch reinforcement learning) verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Agenten (d.h. des Systems, zu dem die Lernkomponente gehört) zu maximieren. Der Algorithmus lernt eine Funktion aus gegebenen Paaren von Ein- und Ausgaben. Dabei stellt während des Lernens ein „Lehrer“ den korrekten Funktionswert zu einer Eingabe bereit. Ziel beim überwachten Lernen ist, dass dem Netz nach mehreren Rechengängen mit unterschiedlichen Ein- und Ausgaben die Fähigkeit antrainiert wird, Assoziationen herzustellen.In a further embodiment of the invention, reinforcement learning is used. The algorithm learns, through rewards and punishments, a tactic on how to act in potentially occurring situations in order to maximize the utility of the agent (i.e. the system to which the learning component belongs). The algorithm learns a function from given pairs of inputs and outputs. During learning, a "teacher" provides the correct function value for an input. The aim of supervised learning is that after several calculations with different inputs and outputs, the network is trained to create associations.

Die Aufgabe wird ebenfalls mittels eines Waldbrandfrüherkennungssystems mit einem LoRaWAN-Netzwerk gemäß Anspruch 15 gelöst. Vorteilhafte Ausführungen sind in den nachfolgenden Unteransprüchen dargelegt.The object is also achieved by means of a forest fire early detection system with a LoRaWAN network according to claim 15. Advantageous embodiments are set out in the subclaims below.

Das erfindungsgemäße Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk weist ein Endgerät auf. Das Endgerät weist eine Sensorvorrichtung auf, die einen oder eine Mehrzahl Sensoren z.B. zur Gasanalyse aufweist. Das erfindungsgemäße Waldbrandfrüherkennungssystem weist außerdem eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung der von der Sensorvorrichtung gelieferten Messsignale sowie eine Vorrichtung zur Energieversorgung auf. Die Vorrichtung zur Energieversorgung ermöglicht ein autarkes Betreiben des Endgerätes, indem beispielsweise ein Akku über z.B. Solarzellen aufladbar ist. Das erfindungsgemäße Waldbrandfrüherkennungssystem weist außerdem einen Netzwerkserver auf. Der Netzwerkserver verfügt über Schnittstellen zu weiteren Applikationen, mit denen z.B. Ausbreitungsrichtung und Ausbreitungsgeschwindigkeit eines Waldbrandes bestimmt werden können. Erfindungsgemäß ist die erste Steuervorrichtung geeignet und dafür vorgesehen, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist. Der Algorithmus des Modells ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Sensorsystem Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von dem Sensor ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.The early forest fire detection system according to the invention with a LoRaWAN network has a terminal. The terminal has a sensor device which has one or a plurality of sensors, e.g. for gas analysis. The early forest fire detection system according to the invention also has a first control device, an evaluation device for evaluating the measurement signals supplied by the sensor device, and a device for supplying energy. The device for supplying energy enables the end device to be operated autonomously, for example by virtue of a rechargeable battery being able to be charged via solar cells, for example. The early forest fire detection system according to the invention also has a network server. The network server has interfaces to other applications with which, for example, the direction and speed of propagation of a forest fire can be determined. According to the invention, the first control device is suitable and intended for accessing a memory that has data from the adaptation and application of a machine learning model. The algorithm of the model enables an improved application-related detection of the gases to be detected. In addition, the algorithm corrects the recorded gas concentration in relation to the recorded air humidity. In addition, the baseline and long-term deviations of the measured values are compensated. For this purpose, the sensor system is provided with data on different gas compositions and their concentrations, which are compared with the gas compositions and their concentrations determined by the sensor.

In einer Weiterbildung der Erfindung ist der Speicher Teil des Endgerätes. Das Endgerät weist ein Gehäuse zum Schutz der Komponenten vor Witterungseinflüssen auf. Der Speicher ist ebenfalls in dem Gehäuse angeordnet und mit der ersten Steuervorrichtung verbunden.In a development of the invention, the memory is part of the terminal device. The terminal has a housing to protect the components from the weather. The memory is also arranged in the housing and connected to the first control device.

In einer weiteren Ausgestaltung der Erfindung ist der Netzwerkserver mit einer zweiten Steuervorrichtung gekoppelt, die dafür geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Die zweite Steuervorrichtung weist ein System auf, das über einen Machine-Learning-Algorithmus verfügt. Der Machine-Learning-Algorithmus verwendet Trainingsdaten zur Verbesserung des Machine-Learning-Modells.In a further refinement of the invention, the network server is coupled to a second control device which is suitable and provided for executing a machine learning program. The second control device has a system that has a machine learning algorithm. The machine learning algorithm uses training data to improve the machine learning model.

In einer weiteren Ausbildung der Erfindung hat die zweite Steuervorrichtung Zugriff auf die von dem Endgerät erfassten Messsignale. Die vom Endgerät erfassten Messsignale sind Trainingsdaten, mit denen ein Machine-Learning-Algorithmus der zweiten Steuervorrichtung trainiert wird.In a further embodiment of the invention, the second control device has access to the measurement signals detected by the terminal. The measurement signals detected by the end device are training data with which a machine learning algorithm of the second control device is trained.

In einer weiteren Ausführung der Erfindung ist die zweite Steuervorrichtung über zwei unterschiedliche Netzwerke mit dem Endgerät verbunden.In a further embodiment of the invention, the second control device is connected to the terminal device via two different networks.

In einer weiteren Gestaltung der Erfindung weist das Endgerät einen Feuchtesensor zur Erfassung der Luftfeuchte auf. Die Luftfeuchte, insbesondere die relative Luftfeuchte, ist ein Indikator für die Waldbrandgefahr.In a further embodiment of the invention, the terminal has a humidity sensor for detecting the humidity. The air humidity, in particular the relative air humidity, is an indicator of the risk of forest fires.

In einer Weiterbildung der Erfindung weist das Endgerät einen Temperatursensor zur Erfassung der Umgebungstemperatur auf. Ein offensichtlicher Indikator für das Vorhandensein eines Waldbrandes ist die Temperatur der Luft.In a development of the invention, the terminal has a temperature sensor for detecting the ambient temperature. An obvious indicator of the presence of a forest fire is the temperature of the air.

In einer weiteren Ausgestaltung der Erfindung weist das Endgerät einen Drucksensor zur Erfassung des Luftdrucks auf. Mittels der Erfassung des Luftdrucks können Vorhersagen der Windrichtung und Windgeschwindigkeit und somit auch der Ausbreitungsgeschwindigkeit und Ausbreitungsrichtung getroffen werden.In a further embodiment of the invention, the terminal has a pressure sensor for detecting the air pressure. By measuring the air pressure, predictions can be made about the wind direction and wind speed and thus also about the propagation speed and propagation direction.

Ausführungsbeispiele des erfindungsgemäßen Verfahrens zur Waldbrandfrüherkennung und des erfindungsgemäßen Waldbrandfrüherkennungssystems sind in den Zeichnungen schematisch vereinfacht dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.Exemplary embodiments of the method according to the invention for early detection of forest fires and the early detection system of forest fires according to the invention are shown schematically simplified in the drawings and are explained in more detail in the following description.

Es zeigen:

1: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRa-Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten
2: Sequenzdiagramm des Waldbrandfrüherkennungssystems mittels des LoRa-Funknetzwerks
3: Waldbrandfrüherkennungssystems aufweisend ein LoRaWAN-Mesh-Gateway-Netzwerk mit Endgeräten, einem Netzwerkserver und Mesh-Gateways
4: Sequenzdiagramm des Waldbrandfrüherkennungssystems mittels eines LoRaWAN-Mesh-Gateway-Netzwerks mit Endgeräten, einem Netzwerkserver und Mesh-Gateways
5: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRaWAN-Mesh-Gateway-Netzwerk, wiederholter Versand von Ergebnisdaten und ML-Daten
6: Sequenzdiagramm des Waldbrandfrüherkennungssystems mittels des LoRaWAN-Mesh-Gateway-Netzwerks, wiederholter Versand von Ergebnisdaten und ML-Daten

Show it:

1 : Construction of a forest fire early detection system having a LoRa radio network with transmission of result data and ML data
2 : Sequence diagram of the forest fire early detection system using the LoRa radio network
3 : Forest fire early detection system having a LoRaWAN mesh gateway network with terminals, a network server and mesh gateways
4 : Sequence diagram of the forest fire early detection system using a LoRaWAN mesh gateway network with end devices, a network server and mesh gateways
5 : Construction of a forest fire early detection system having a LoRaWAN mesh gateway network, repeated transmission of result data and ML data
6 : Sequence diagram of forest fire early detection system using LoRaWAN mesh gateway network, repeated sending of result data and ML data

1 zeigt ein erfindungsgemäßes Waldbrandfrüherkennungssystem 1. Das Waldbrandfrüherkennungssystem 1 weist eine Mehrzahl von Endgeräten ED auf. Ein einzelnes Endgerät ED verfügt zur Erkennung eines Waldbrandes über eine Sensoreinheit, die Sensoren zur Ermittlung der Luftfeuchte, des Luftdrucks und einen Temperatursensor aufweist. Optional oder zusätzlich verfügt ein Endgerät ED über Sensoren zur Gasanalyse und zur Erfassung der vorherrschenden Windrichtung, mit denen Zusammensetzung und Konzentration von Gasen sowie deren Ausbreitungsrichtung ermittelt wird. 1 shows an early forest fire detection system 1 according to the invention. The early forest fire detection system 1 has a plurality of terminals ED. To detect a forest fire, a single terminal ED has a sensor unit that has sensors for determining the air humidity, the air pressure, and a temperature sensor. Optionally or additionally, a terminal ED has sensors for gas analysis and for detecting the prevailing wind direction, with which the composition and concentration of gases and their direction of propagation are determined.

Um das Endgerät ED auch in unwirtlichen und insbesondere ruralen Gegenden fernab von Energieversorgung installieren und betreiben zu können, ist ein Endgerät ED mit einer autarken Energieversorgung ausgestattet. Die Energieversorgung ist im einfachsten Fall eine Batterie, die auch wiederaufladbar gestaltet sein kann. Möglich ist aber auch der Einsatz von Kondensatoren, z.B. Superkondensatoren. Etwas aufwändiger und kostenintensiver, aber eine sehr lange Lebensdauer des Endgerätes ED bietende Energieversorgung ist der Einsatz von Solarzellen.In order to also be able to install and operate the terminal device ED in inhospitable and, in particular, rural areas far from an energy supply, a terminal device ED is equipped with an autonomous energy supply. In the simplest case, the energy supply is a battery, which can also be designed to be rechargeable. It is also possible to use capacitors, e.g. supercapacitors. The use of solar cells is somewhat more complex and expensive, but offers a very long service life for the end device ED.

Das Endgerät ED weist außerdem eine Kommunikationsschnittstelle sowie eine erste Steuervorrichtung und eine Auswertevorrichtung auf. Die Kommunikationsschnittstelle des Endgerätes ED steht mit Kommunikationsschnittstellen der Gateways Gn kabellos in Verbindung. Die erste Steuervorrichtung ist mit der Kommunikationsschnittstelle und der Sensorvorrichtung verbunden und steuert diese an.The terminal ED also has a communication interface and a first control device and an evaluation device. The communication interface of the terminal ED is wirelessly connected to the communication interfaces of the gateways Gn. The first control device is connected to the communication interface and the sensor device and controls them.

Zur Durchführung des erfindungsgemäßen Verfahrens zur Waldbrandfrüherkennung muss die Position jedes einzelnen Endgerätes ED so präzise wie möglich bekannt sein. Die Positionsbestimmung kann z.B. bei der Installation des Endgerätes ED erfolgen. Das Endgerät ED kann z.B. an einem Baum des zu überwachenden Waldes angeordnet werden und die Position des Endgerätes ED mittels eines Navigationssystems beispielsweise eines Satellitennavigationssystems, z.B. GPS (Global Positioning System) bestimmt werden.In order to carry out the method according to the invention for early detection of forest fires, the position of each individual terminal ED must be known as precisely as possible. The position can be determined, for example, when the terminal ED is installed. The terminal ED can be arranged, for example, on a tree in the forest to be monitored and the position of the terminal ED can be determined by means of a navigation system, for example a satellite navigation system, e.g. GPS (Global Positioning System).

Zur Erkennung eines Waldbrandes werden Messdaten durch die Sensorvorrichtung des Endgerätes ED des Waldbrandfrüherkennungssystems 1 erfasst. Die Erfassung der Messdaten erfolgt nicht kontinuierlich, sondern in einstellbaren Intervallen, bevorzugt wird eine Erfassung alle 5 min. Dadurch wird der Stromverbrauch des Endgerätes ED verringert. Die Steuereinheit des Endgerätes ED sammelt die Messwerte der Sensorvorrichtung und speichert diese in dem Speicher. Die erste Steuervorrichtung des Endgerätes ED generiert Ergebnisdaten RDnn, indem ML-Daten auf die erfassten Messdaten angewandt werden. Der Speicher eines Endgerätes EDn weist in diesem und allen folgenden Ausführungsbeispielen einen ML-Datensatz auf, der zeitlich vor der Installation der Software der Sensorvorrichtung und insbesondere vor der Montage der Endgeräte EDn innerhalb eines Waldbrandüberwachungssystems 1 in dem Speicher abgelegt wurde.To detect a forest fire, measurement data are recorded by the sensor device of the terminal ED of the early forest fire detection system 1 . The acquisition of the measurement data does not take place continuously, but rather at adjustable intervals; acquisition every 5 minutes is preferred. This reduces the power consumption of the end device ED. The control unit of the terminal ED collects the measured values of the sensor device and stores them in the memory. The first control device of the terminal ED generates result data RDnn by applying ML data to the acquired measurement data. In this and all of the following exemplary embodiments, the memory of a terminal EDn has an ML data record that was stored in the memory before the software of the sensor device was installed and in particular before the terminals EDn were installed within a forest fire monitoring system 1 .

Die Ergebnisdaten RDnn werden als Datenpaket drahtlos mittels einer Single-Hop-Verbindung über LoRa (Zirpenfrequenzspreizungsmodulation) oder Frequenzmodulation an ein oder mehrere Gateways G1, G2, Gn versendet. Da hierfür nicht die Kommunikationsschnittstelle des Endgerätes ED, die üblicherweise einen hohen Energieverbrauch aufweist, genutzt wird, sondern die energiesparende Steuereinheit, wird der Energieverbrauch des Endgerätes ED reduziert.The result data RDnn are sent wirelessly as a data packet by means of a single-hop connection via LoRa (chirp frequency spread modulation) or frequency modulation to one or more gateways G1, G2, Gn. Since the communication interface of the terminal ED, which usually has a high energy consumption, is not used for this, but the energy-saving control unit, the energy consumption of the terminal ED is reduced.

Das Standard-LoRa-Funknetzwerk weist eine Stern-Topologie auf, bei der ein oder mehrere Endgeräte EDn direkt (Single Hub) über Funk mittels LoRa-Modulation oder FSK-Modulation an Gateways G1, G2, Gn angebunden sind, während die Gateways G1, G2, Gn mit dem Internetnetzwerkserver NS mittels eines Standard-Internetprotokolls IP kommunizieren. Der Internetnetzwerkserver NS ist mit einer zweiten Steuereinheit MLS verbunden, die geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Insbesondere wird die Software des Endgerätes über die Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert (s. 5, 6).The standard LoRa radio network has a star topology in which one or more end devices EDn are connected directly (single hub) via radio using LoRa modulation or FSK modulation to gateways G1, G2, Gn, while the gateways G1, G2, Gn communicate with the internet network server NS using a standard internet protocol IP. The internet network server NS is connected to a second control unit MLS which is suitable and intended for running a machine learning program. In particular, the software of the terminal device is updated via the control unit, preferably at regular intervals (see 5 , 6 ).

2 zeigt ein Sequenzdiagramm eines bekannten LoRaWAN-Netzwerkes (siehe 1) gemäß LoRaWAN-Protokoll. In der Sternarchitektur eines LoRaWAN-Netzwerkes erfolgt diese Kommunikation sehr schnell, weil jedes Endgerät EDn über mindestens ein Gateway G1 mit dem Netzwerkserver NS kommuniziert. Das Endgerät ED1 erfasst mittels der im Endgerät ED1 angeordneten Sensoreinheit Messdaten. Aus diesen Messdaten erzeugt das Endgerät ED1 einen Satz von Ergebnisdaten RD1n mittels eines im Speicher des Endgerätes ED1 gespeicherten ML-Datensatzes. Der Satz von Ergebnisdaten RD1n wird von einem Endgerät ED1 an ein Gateway G1 versendet e-s. Das Gateway G1 leitet diese Ergebnisdaten RD1n weiter g-f an den Netzwerkserver NS, der die Ergebnisdaten RD1n an die zweite Steuereinheit MLS weiterleitet. Auf der zweiten Steuereinheit MLS wird ein Machine-Learning-Algorithmus auf die Ergebnisdaten RD1n angewandt und so einen ML-Datensatz MLD erzeugt. Die zweite Steuereinheit MLS sendet a-s den ML-Datensatz MLD an den Netzwerkserver NS, der den ML-Datensatz MLD zurück an das Gateway G1 sendet n-s. Das Gateway G1 leitet den ML-Datensatz MLD wiederum weiter g-f an das Endgerät ED1. Der ML-Datensatz MLD wird von dem Endgerät ED1 empfangen e-r und derart im Speicher des Endgerätes ED1 gespeichert, dass der von der zweiten Steuereinheit MLS gesendete ML-Datensatz MLD den bisher im Speicher des Endgerätes ED1 gespeicherten ML-Datensatz ersetzt. 2 shows a sequence diagram of a known LoRaWAN network (see 1 ) according to LoRaWAN protocol. In the star architecture of a LoRaWAN network, this communication takes place very quickly because each end device EDn communicates with the network server NS via at least one gateway G1. The terminal ED1 acquires measurement data by means of the sensor unit arranged in the terminal ED1. From this measurement data, the terminal ED1 generates a set of result data RD1n using an ML data set stored in the memory of the terminal ED1. The set of result data RD1n is sent from a terminal ED1 to a gateway G1. The gateway G1 forwards this result data RD1n on to the network server NS, which forwards the result data RD1n to the second control unit MLS. A machine learning algorithm is applied to the result data RD1n on the second control unit MLS, and an ML data record MLD is thus generated. The second control unit MLS sends the ML data record MLD to the network server NS, which sends the ML data record MLD back to the gateway G1 ns. The gateway G1 in turn forwards the ML data record MLD to the terminal ED1. The ML data record MLD is received by the terminal ED1 and stored in the memory of the terminal ED1 in such a way that the ML data record MLD sent by the second control unit MLS replaces the ML data record previously stored in the memory of the terminal ED1.

3 zeigt eine Ausführungsform des erfindungsgemäßen Waldbrandfrüherkennungssystem 1 mit einem LoRaWAN-Mesh-Gateway-Netzwerks, bei dem die Gateways Gn (s. 1) Mesh-Gateways MGDn sind. Die Mesh-Gateways MGDn unterhalten sich mittels Multi-Hub-Funknetzwerk untereinander, und mindestens ein Mesh-Gateway MGDn - in diesem Ausführungsbeispiel die Mesh-Gateways MGD3, MGD5, MGD7 - ist über das Standard-Internetprotokoll IP mit dem Netzwerkserver NS verbunden. 3 shows an embodiment of the early forest fire detection system 1 according to the invention with a LoRaWAN mesh gateway network, in which the gateways Gn (s. 1 ) mesh gateways are MGDn. The mesh gateways MGDn communicate with each other using a multi-hub radio network, and at least one mesh gateway MGDn—in this exemplary embodiment, the mesh gateways MGD3, MGD5, MGD7—is connected to the network server NS via the standard Internet protocol IP.

Die Mesh-Gateways MGDn leiten die von den Endgeräten EDn erfassten Ergebnisdaten RDnn ohne besondere Hierarchie untereinander weiter, bis ein Endgerät EDn schließlich die Ergebnisdaten RDnn an einen Netzwerkserver NS übergeben kann.The mesh gateways MGDn forward the result data RDnn recorded by the terminals EDn to one another without any particular hierarchy, until a terminal EDn can finally transfer the result data RDnn to a network server NS.

Das LoRaWAN-Mesh-Gateway-Netzwerk des Waldbrandfrüherkennungssystems 1 kann optional einen oder mehrere zweite Server aufweisen, die die Funktionalitäten des Netzwerkservers NS ausführen. Insbesondere ist der zweite Server ebenfalls wie der Netzwerkserver NS mit der zweiten Steuereinheit MLS verbunden.The LoRaWAN mesh gateway network of the early forest fire detection system 1 can optionally have one or more second servers that execute the functionalities of the network server NS. In particular, the second server is also connected to the second control unit MLS like the network server NS.

In einer weiteren Variante des LoRaWAN-Mesh-Gateway-Netzwerks weisen einige oder alle Mesh-Gateways MGDn eine Sub-Server-Einheit mit Prozessor und Speichereinheit auf, die mit einem Programm und/oder Betriebssystem und/oder Firmware ausgestattet ist, das dafür geeignet ist. gemäß LoRaWAN-Protokoll für den Netzwerkserver NS vorgesehene Funktionalitäten auszuführen. Derartige Mesh-Gateways MGDn sind also zugleich zweite Server und mit der zweiten Steuereinheit MLS verbunden. Das erfindungsgemäße Waldbrandfrüherkennungssystem 1 aufweisend ein LoRaWAN-Mesh-Gateway-Netzwerk ist daher beliebig redundant aufgebaut und weist eine hohe und insbesondere beliebig ausbaubare Ausfallsicherheit auf.In a further variant of the LoRaWAN mesh gateway network, some or all mesh gateways MGDn have a sub-server unit with a processor and memory unit, which is equipped with a program and/or operating system and/or firmware that is suitable for this is. to execute functionalities provided for the network server NS according to the LoRaWAN protocol. Such mesh gateways MGDn are also second servers and are connected to the second control unit MLS. The early forest fire detection system 1 according to the invention, having a LoRaWAN mesh gateway network, is therefore configured with any degree of redundancy and has a high level of failsafety that can in particular be expanded at will.

Zur Erkennung eines Waldbrandes werden Messdaten durch die Sensorvorrichtung des Endgerätes EDn des Waldbrandfrüherkennungssystems 1 erfasst. Die erste Steuervorrichtung eines jeden Endgerätes EDn generiert einen Ergebnisdatensatz RDnn, indem ML-Daten auf die erfassten Messdaten angewandt werden. Die Ergebnisdaten RDnn werden als Datenpaket drahtlos mittels einer Single-Hop-Verbindung an ein oder mehrere Mesh-Gateway MGDn versendet. Die Mesh-Gateway MGDn versenden die Ergebnisdaten RDnn mittels Multi-Hop-Verbindung untereinander, bis die Mesh-Gateways MGD3, MGD5, MGD7 die Ergebnisdaten RDnn mittels IP-Verbindung an den Netzwerkserver NS versenden. Der Netzwerkserver NS schließlich sendet die Ergebnisdaten RDnn an die zweite Steuereinheit MLS. die mit dem Netzwerkserver NS gekoppelt ist. Auf der zweiten Steuereinheit MLS wird ein Machine-Learning-Algorithmus auf die Ergebnisdaten RDnn angewandt und so ein ML-Datensatz MLD erzeugt. Der erzeugte ML-Datensatz MLD wird über Multi-Hop-Verbindung und Single-Hop-Verbindung an jedes einzelne im Waldbrandfrüherkennungssystems 1 angeordnete Endgerät EDn gesendet, m.a.W. jedes Endgerät EDn verfügt in seinem Speicher über den gleichen ML-Datensatz.To detect a forest fire, measurement data are recorded by the sensor device of the terminal EDn of the early forest fire detection system 1 . The first control device of each terminal EDn generates a result data set RDnn by applying ML data to the measurement data recorded. The result data RDnn are sent wirelessly as a data packet by means of a single-hop connection to one or more mesh gateways MGDn. The mesh gateway MGDn send the result data RDnn to one another by means of a multi-hop connection until the mesh gateways MGD3, MGD5, MGD7 receive the result send nisdaten RDnn via IP connection to the network server NS. Finally, the network server NS sends the result data RDnn to the second control unit MLS. which is coupled to the network server NS. A machine learning algorithm is applied to the result data RDnn on the second control unit MLS, and an ML data record MLD is thus generated. The generated ML data set MLD is sent via a multi-hop connection and single-hop connection to each individual terminal EDn arranged in the early forest fire detection system 1, in other words each terminal EDn has the same ML data set in its memory.

4 zeigt ein Sequenzdiagramm eines LoRaWAN-Mesh-Gateway-Netzwerkes 1, das nicht mehr die typische Sternarchitektur aufweist. Hier sind zwischen Endgerät ED und Netzwerkserver NS mehrere Mesh-Gateways MGD1, MGD2, MGDn angeordnet, die nicht alle über eine Single-Hop-Verbindung zum Netzwerkserver NS verfügen. Der von einem Endgerät ED1 generierte Satz von Ergebnisdaten RD1n wird über mehrere Mesh-Gateways MGD1, MGD2, MGDn weiter g1-f, g2-f an den Netzwerkserver NS geleitet, der die Ergebnisdaten RD1n an die zweite Steuereinheit MLS weiterleitet. Der auf der zweiten Steuereinheit MLS erzeugte ML-Datensatz MLD wird von der zweiten Steuereinheit MLS an den Netzwerkserver NS versandt a-s. Der Netzwerkserver NS wiederum sendet n-s den ML-Datensatz MLD an ein oder mehrere mittels Internetprotokoll IP mit dem Netzwerkserver NS verbundene Mesh-Gateways MGDn, die über Multi-Hop-Verbindung den ML-Datensatz MLD über weitere als Zwischenstation fungierende Mesh-Gateways MGD2, MGD1 an ein Endgerät ED1 weiterleiten g2-f, g1-f. Das Endgerät ED1 schließlich empfängt e-r den ML-Datensatz MLD und den bisher im Speicher des Endgerätes ED1 gespeicherten ML-Datensatz. 4 shows a sequence diagram of a LoRaWAN mesh gateway network 1, which no longer has the typical star architecture. Here, several mesh gateways MGD1, MGD2, MGDn are arranged between the terminal ED and the network server NS, not all of which have a single-hop connection to the network server NS. The set of result data RD1n generated by a terminal ED1 is forwarded via a number of mesh gateways MGD1, MGD2, MGDn g1-f, g2-f to the network server NS, which forwards the result data RD1n to the second control unit MLS. The ML data record MLD generated on the second control unit MLS is sent by the second control unit MLS to the network server NS as. The network server NS in turn sends the ML data record MLD to one or more mesh gateways connected to the network server NS by means of the Internet protocol IP MGDn, which forward the ML data record MLD via a multi-hop connection via further mesh gateways MGD2, MGD1 acting as intermediate stations to a terminal ED1 g2-f, g1-f. Finally, the terminal ED1 receives the ML data record MLD and the ML data record previously stored in the memory of the terminal ED1.

Ein weiteres Ausführungsbeispiel eines Waldbrandfrüherkennungssystem 1 zeigt 5, wobei der ML-Datensatz im Speicher eines Endgerätes EDn in Abständen aktualisiert wird. Das Waldbrandfrüherkennungssystem 10 weist eine Mehrzahl von Endgeräten EDn auf, die über Single-Hop-Verbindungen mit Gateways Gn verbunden sind. Die Gateways Gn sind mit dem Netzwerkserver NS verbunden, z.B. über eine drahtgebundene Verbindung oder über eine drahtlose Verbindung mittels Internetprotokoll IP.A further exemplary embodiment of a forest fire early detection system 1 shows 5 , The ML data record in the memory of a terminal EDn being updated at intervals. The early forest fire detection system 10 has a plurality of terminals EDn, which are connected to gateways Gn via single-hop connections. The gateways Gn are connected to the network server NS, for example via a wired connection or via a wireless connection using the Internet protocol IP.

Zur Erkennung eines Waldbrandes werden zu einem ersten Zeitpunkt Messdaten durch die Sensorvorrichtung des Endgerätes EDn des Waldbrandfrüherkennungssystems 1 erfasst. To detect a forest fire, measurement data are recorded by the sensor device of the terminal EDn of the early forest fire detection system 1 at a first point in time.

Die erste Steuervorrichtung eines Endgerätes EDn generiert einen ersten Ergebnisdatensatz RDn1. Dieser erste Ergebnisdatensatz RDn1 wird von jedem Endgerät EDn als Datenpaket drahtlos mittels einer Single-Hop-Verbindung über LoRa (Zirpenfrequenzspreizungsmodulation) oder Frequenzmodulation an ein oder mehrere Gateways G1, G2, Gn versandt. Ein Gateway Gn sendet den ersten Ergebnisdatensatz RDn1 an den Netzwerkserver NS, der den ersten Ergebnisdatensatz RDn1 an die zweite Steuereinheit MLS sendet. Die zweite Steuereinheit MLS generiert mittels eines Machine-Learning-Algorithmus und dem ersten Ergebnisdatensatz RDn1 einen ersten ML-Datensatz MLDn1, der an die Endgeräte EDn über die Gateways G1, G2, Gn versandt wird. Der erste ML-Datensatz MLDn1 ersetzt den bisher im Endgerät EDn gespeicherten ML-Datensatz.The first control device of a terminal EDn generates a first result data record RDn1. This first result data record RDn1 is sent wirelessly from each terminal EDn as a data packet using a single-hop connection via LoRa (chirping frequency spread modulation) or frequency modulation to one or more gateways G1, G2, Gn. A gateway Gn sends the first result data record RDn1 to the network server NS, which sends the first result data record RDn1 to the second control unit MLS. The second control unit MLS uses a machine learning algorithm and the first result data set RDn1 to generate a first ML data set MLDn1, which is sent to the terminals EDn via the gateways G1, G2, Gn. The first ML data record MLDn1 replaces the ML data record previously stored in the terminal EDn.

Zu einem späteren zweiten Zeitpunkt werden weitere Messdaten durch die Sensorvorrichtung des Endgerätes EDn des Waldbrandfrüherkennungssystems 1 erfasst. Die erste Steuervorrichtung eines Endgerätes EDn generiert einen zweiten Ergebnisdatensatz RDn2. Dieser zweite Ergebnisdatensatz RDn2 wird von jedem Endgerät EDn als Datenpaket drahtlos mittels einer Single-Hop-Verbindung an ein oder mehrere Gateways G1, G2, Gn versandt. Ein Gateway Gn sendet den zweiten Ergebnisdatensatz RDn2 an den Netzwerkserver NS, der den zweiten Ergebnisdatensatz RDn2 an die zweite Steuereinheit MLS sendet. Die zweite Steuereinheit MLS generiert mittels eines Machine-Learning-Algorithmus und dem zweiten Ergebnisdatensatz RDn2 einen zweiten ML-Datensatz MLDn2, der an die Endgeräte EDn über die Gateways G1, G2, Gn versandt wird. Der zweite ML-Datensatz MLDn2 ersetzt den bisher im Endgerät EDn gespeicherten ersten ML-Datensatz MLDn1.At a later second point in time, further measurement data are recorded by the sensor device of the terminal EDn of the early forest fire detection system 1 . The first control device of a terminal EDn generates a second result data set RDn2. This second result data record RDn2 is sent wirelessly from each terminal EDn as a data packet by means of a single-hop connection to one or more gateways G1, G2, Gn. A gateway Gn sends the second result data record RDn2 to the network server NS, which sends the second result data record RDn2 to the second control unit MLS. The second control unit MLS uses a machine learning algorithm and the second result data set RDn2 to generate a second ML data set MLDn2, which is sent to the terminals EDn via the gateways G1, G2, Gn. The second ML data record MLDn2 replaces the first ML data record MLDn1 previously stored in the terminal EDn.

In analoger Weise wird dieses geschilderte Verfahren zur Erkennung eines Waldbrandes zu weiteren späteren Zeitpunkten ad infinitum derart durchgeführt, dass in festlegbaren Intervallen sowohl Ergebnisdatensätze RDnn an den Netzwerkserver NS und die zweite Steuervorrichtung MLS gesandt werden, als auch ML-Datensätze MLDnn an die Endgeräte EDn versandt werden. Die Intervalle können zeitbasiert und/oder datenvolumenbasiert sein.In an analogous manner, this described method for detecting a forest fire is carried out ad infinitum at further later times in such a way that both result data records RDnn are sent to the network server NS and the second control device MLS at definable intervals, and ML data records MLDnn are sent to the terminals EDn will. The intervals can be time based and/or data volume based.

Der ML-Algorithmus der zweiten Steuervorrichtung MLS verwendet bevorzugt reinforcement learning, der ML-Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Waldbrandüberwachungssystems 1 zu maximieren. Die Ergebnisdatensätze RDnn der Endgeräte EDn sind Trainingsdatensätze zur Optimierung des ML-Algorithmus.The ML algorithm of the second control device MLS preferably uses reinforcement learning, the ML algorithm learns a tactic through rewards and punishments, as in potentially occurring situations actions to be taken to maximize the benefit of the forest fire surveillance system 1 . The result data sets RDnn of the terminals EDn are training data sets for optimizing the ML algorithm.

6 zeigt ein Sequenzdiagramm eines Waldbrandfrüherkennungssystem 1 des vorherstehenden Ausführungsbeispiels (s. 5). Aus den Messdaten erzeugt zu einem ersten Zeitpunkt das Endgerät ED1 einen ersten Satz von Ergebnisdaten RD1n mittels des im Speicher des Endgerätes ED1 gespeicherten ML-Datensatzes. Der Satz von Ergebnisdaten RD1n wird von einem Endgerät ED1 an ein Gateway G1 versendet e-s. Das Gateway G1 leitet diese erste Ergebnisdaten RD1n weiter g-f an den Netzwerkserver NS, der die Ergebnisdaten RD1n an die zweite Steuereinheit MLS weiterleitet. Auf der zweiten Steuereinheit MLS wird der Machine-Learning-Algorithmus auf die Ergebnisdaten RD1n angewandt und so ein erster ML-Datensatz MLD1 erzeugt. Die zweite Steuereinheit MLS sendet a-s den ML-Datensatz MLD1 an den Netzwerkserver NS, der den ML-Datensatz MLD1 zurück an das Gateway G1 sendet n-s. Das Gateway G1 leitet den ML-Datensatz MLD1 wiederum weiter g-f an das Endgerät ED1. Der ML-Datensatz MLD1 wird von dem Endgerät ED1 empfangen e-r und derart im Speicher des Endgerätes ED1 gespeichert, dass der von der zweiten Steuereinheit MLS gesendete ML-Datensatz MLD1 den bisher im Speicher des Endgerätes ED1 gespeicherten ML-Datensatz ersetzt. 6 shows a sequence diagram of a forest fire early detection system 1 of the previous embodiment (see 5 ). At a first point in time, the terminal ED1 uses the measurement data to generate a first set of result data RD1n using the ML data set stored in the memory of the terminal ED1. The set of result data RD1n is sent from a terminal ED1 to a gateway G1. The gateway G1 forwards this first result data RD1n on to the network server NS, which forwards the result data RD1n to the second control unit MLS. The machine learning algorithm is applied to the result data RD1n on the second control unit MLS, and a first ML data record MLD1 is thus generated. The second control unit MLS sends the ML data record MLD1 to the network server NS, which sends the ML data record MLD1 back to the gateway G1 ns. The gateway G1 in turn forwards the ML data record MLD1 to the terminal ED1. The ML data record MLD1 is received by the terminal ED1 and stored in the memory of the terminal ED1 in such a way that the ML data record MLD1 sent by the second control unit MLS replaces the ML data record previously stored in the memory of the terminal ED1.

BezugszeichenlisteReference List

11: WaldbrandfrüherkennungssystemForest fire early detection system
ED, EDnED, EDn: Endgeräteterminals
G, GnG, Gn: Gatewaysgateways
NSNS: InternetnetzwerkserverInternet network server
MLSMLS: Machine Learning Server / ML-Server aufweisend ML-Algorithmus / Zweite SteuereinheitMachine Learning Server / ML Server having ML Algorithm / Second Control Unit
MGD1, MGDnMGD1, MGDn: Mesh-Gatewaysmesh gateways
e-sit: Mitteilungsversand vom EndgerätSending messages from the end device
e-rhe: Mitteilungsempfang vom EndgerätMessage reception from terminal
g-f, g1-f, g2-f, gn-fg-f, g1-f, g2-f, gn-f: Mitteilungsweiterleiten vom GatewayMessage forwarding from gateway
n-rNo: Mitteilungsempfang auf dem NetzwerkserverMessage reception on the network server
n-sn-s: Mitteilungsversand vom NetzwerkserverMessage delivery from the network server
a-ra-r: Mitteilungsempfang der zweiten SteuereinheitMessage reception of the second control unit
a-sa-s: Mitteilungsversand der zweiten SteuereinheitMessage dispatch of the second control unit
RD1, RDnRD1, RDn: Ergebnisdatenresults data
RD1n, RDnnRD1n, RDnn: Ergebnisdaten des n-ten ZyklusResult data of the nth cycle
MLD, MLDnMLD, MLDn: ML-DatenML data
MLD1n, MLDnnMLD1n, MLDnn: ML-Daten des n-ten ZyklusML data of the nth cycle

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

US 7791415 B2 [0016]

Claims

Procedure for early detection of forest fires with the procedure steps • Implementation of ML data for the detection of forest fires in a forest fire early warning system (1), • Acquisition of measurement data by a terminal (ED) of the early forest fire detection system (1) and • Determining result data (RDnn) by applying the ML data to the measurement data recorded by the terminal (ED), the ML data being implemented in the terminal (ED).

procedures for early detection of forest fires claim 1 characterized in that the result data (RDnn) are determined on the terminal (ED).

procedures for early detection of forest fires claim 1 or 2 characterized in that the result data (RDnn) are transmitted to a network server (NS).

procedures for early detection of forest fires claim 3 characterized in that only part of the result data (RDnn) is transmitted to the network server (NS).

procedures for early detection of forest fires claim 3 or 4 characterized in that the transmission takes place using protocols such as LoRa, LoRaWAN and/or IP.

Procedure for early detection of forest fires according to one or more of the claims 3 until 5 characterized in that the result data (RDnn) are collected on the terminal (ED).

procedures for early detection of forest fires claim 6 characterized in that the collected result data (RDnn) are transmitted to the network server (NS) at fixed intervals.

procedures for early detection of forest fires claim 7 characterized in that the intervals are fixed based on time or data volume.

Procedure for early detection of forest fires according to one or more of the claims 3 until 8th characterized in that the terminal (ED) has a communication unit, the communication unit being deactivated after the transmission of the result data (RDnn).

Method for early forest fire detection according to one or more of the preceding claims , characterized in that an ML algorithm is applied to the result data (RDnn).

Method for early forest fire detection according to one or more of the preceding claims , characterized in that the first application of the ML algorithm takes place before the software is installed on the terminal (ED) and/or before the sensor device is installed within a forest fire monitoring system (1).

Method for early forest fire detection according to one or more of the preceding claims , characterized in that the ML algorithm is used after the software has been installed on the terminal (ED) and/or after the sensor device has been installed within a forest fire monitoring system (1).

procedures for early detection of forest fires claim 12 characterized in that the newly determined ML data (MLD) are transmitted to the terminals (ED) via a wireless network.

Method for early forest fire detection according to one or more of the preceding claims , characterized in that reinforcement learning is used.

Early forest fire detection system (1) with a LoRaWAN network comprising • a terminal (ED), the terminal (ED) having a sensor device, a first control device, an evaluation device for evaluating measurement signals supplied by the sensor device and a device for supplying energy, • a network server ( NS) characterized in that the first control device is suitable and intended to access a store containing data from the fitting and application of a machine learning model.

Forest fire early detection system (1) with a LoRaWAN network claim 15 characterized in that the memory is part of the terminal (ED).

Forest fire early detection system (1) with a LoRaWAN network claim 15 or 16 characterized in that the network server (NS) is coupled to a second control device (MLS) suitable and intended for executing a machine learning program.

Forest fire early detection system (1) with a LoRaWAN network according to one or more of the Claims 15 until 17 characterized in that the second control device (MLS) has access to the measurement signals detected by the terminal (ED).

Forest fire early detection system (1) with a LoRaWAN network according to one or more of the Claims 15 until 18 characterized in that the second control device (MLS) is connected to the terminal (ED) via two different networks.

Forest fire early detection system (1) with a LoRaWAN network according to one or more of the Claims 15 until 19 characterized in that the terminal (ED) has a humidity sensor for detecting the humidity.

Forest fire early detection system (1) with a LoRaWAN network according to one or more of the Claims 15 until 20 characterized in that the terminal (ED) has a temperature sensor for detecting the ambient temperature.

Forest fire early detection system (1) with a LoRaWAN network according to one or more of the Claims 15 until 21 characterized in that the terminal (ED) has a pressure sensor for detecting the air pressure.