EP4634894A1 - Verfahren und vorrichtung zur detektion von waldbränden - Google Patents

Verfahren und vorrichtung zur detektion von waldbränden

Info

Publication number
EP4634894A1
EP4634894A1 EP23822254.1A EP23822254A EP4634894A1 EP 4634894 A1 EP4634894 A1 EP 4634894A1 EP 23822254 A EP23822254 A EP 23822254A EP 4634894 A1 EP4634894 A1 EP 4634894A1
Authority
EP
European Patent Office
Prior art keywords
data
forest
forest fire
early detection
implementing
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
Application number
EP23822254.1A
Other languages
English (en)
French (fr)
Inventor
Daniel Hollos
Carsten Brinkschulte
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dryad Networks GmbH
Original Assignee
Dryad Networks GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dryad Networks GmbH filed Critical Dryad Networks GmbH
Publication of EP4634894A1 publication Critical patent/EP4634894A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning

Definitions

  • the invention relates to a method for implementing ML data (machine learning data) in a system for early detection of forest fires, comprising the method steps of collecting tn measurement data from measurements of tn (true negative) parameters of the forest under tn conditions, creating tn ML data from the tn measurement data and implementing tn ML data for detecting forest fires in a forest fire early detection system.
  • the invention further relates to a forest fire early detection system with a LoRaWAN network having a terminal, the terminal 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, as well as a network server, the first control device being suitable and intended to access a memory that has data from the adaptation and application of a machine learning model, and the machine learning model comprising tn ML data.
  • the complex thermal decomposition processes (distillation, pyrolysis, carbonization and the oxidation of the gas products produced during flame combustion) occur simultaneously and often in close proximity to one another.
  • the thermal decomposition of fuels takes place in front of and along the fire line, while Enclaves with intermittent open flame often persist far behind the flame front.
  • Flame combustion is generally between 800°C - 1200°C.
  • Smoldering ground fires are between 300°C - 600°C.
  • Combustible gases especially volatile organic compounds (VOCs)
  • 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 are also formed, e.g. methanol, carbon dioxide, carbon monoxide and molecular hydrogen. Flaming combustion only begins at 425°C to 480°C. Flame temperatures of 700°C to 1300°C are the most common.
  • VSCs volatile sulfur-containing compounds
  • Earth observation data can be a possible aid in detecting a forest fire.
  • the sharp increase in available earth observation data, particularly aerial and satellite imagery, enables forest fires to be recorded over a wide area.
  • satellite data is for detecting and fighting fires, it has one disadvantage: it usually only reaches the emergency services with a delay because geostationary satellites only provide low image resolutions due to their great distance, and non-geostationary satellites have to orbit the earth before they can provide new images.
  • Another way to detect forest fires is to install a network of gas sensors directly in the forest that detect gases that occur when forest fires start, making it possible to detect forest fires very early on, before they can be seen from a distance using optical systems.
  • the method according to the invention for implementing ML data in a system for early forest fire detection has three method steps: In the first method step, tn measurement data are collected from measurements of tn parameters of a forest under tn conditions.
  • tn-parameters are parameters recorded from a forest that has not experienced a forest fire. Such parameters are, for example, temperature, humidity, wind direction and strength and/or the composition of Gases.
  • the tn measurement data (true negative measurement data) recorded with these tn parameters are therefore measurement data that were measured from a forest that also did not have a forest fire.
  • the recorded tn measurement data therefore represent measurement data from a forest that did not have a forest fire.
  • the baseline and long-term deviations of the measured values are compensated.
  • design-related deviations of the sensors installed in the end device are recorded, averaged and compensated.
  • tn-ML data is created from the tn measurement data.
  • tn-ML data is data that is created from the tn measurement data using the algorithm of a machine learning model.
  • tn-ML data for detecting forest fires is implemented in a forest fire early warning system.
  • the tn-ML data is integrated into a machine learning model to create models for detecting forest fires.
  • the data for detecting forest fires is made available via APIs and graphical tools.
  • the machine learning model is used in this invention to improve the efficiency of the sensor device of the terminal device.
  • the algorithm of the model enables improved application-related detection of the gases to be detected.
  • the sensitivity of a forest fire early detection system is increased.
  • the accuracy is increased, i.e. false positives are reduced or excluded.
  • Forest fire detection based on threshold values is prone to errors and generates many false positives.
  • the ML algorithm enables improved application-related detection of recorded measured values.
  • the algorithm corrects the recorded measured values in relation to the air humidity.
  • the baseline and long-term deviations of the measured values are compensated.
  • ML data in the sense of this invention is data to which a machine learning algorithm has been applied.
  • the ML data contains measurement data on the type and concentrations of different gases as well as their type and concentrations at different temperatures in the different phases of the forest fire formation.
  • data on volatile organic compounds (VOCs), volatile sulfur-containing compounds (VSCs) as well as carbon dioxide, carbon monoxide and molecular hydrogen are included, preferably in the ppb range.
  • data on air humidity, ambient temperature and air pressure are optionally included, also recorded at different temperatures in the different phases of the forest fire formation and created by the machine learning algorithm.
  • the forest fire early detection system is able to recognize patterns and regularities based on existing data sets and algorithms.
  • the findings can be generalized and used for new problem solutions or for the analysis of previously unknown data.
  • Reinforcement learning is preferably used for this.
  • the algorithm learns a tactic on how to act in potentially occurring situations in order to maximize the benefit of the system.
  • the machine learning algorithm interacts with the environment and is evaluated by a cost function or a reward system.
  • the machine learning algorithm is not shown which action or act is the right one in which situation, but rather it receives positive or negative feedback through the cost function.
  • the cost function is then used to assess which action is the right one at which time. The system thus learns to maximize the reward function by "reinforcing" it through praise or punishment.
  • a neural network can also be used. These networks are able to automatically learn crucial features that are relevant for solving a problem from the data. In contrast to classic machine learning methods, in which the features are laboriously designed and defined by humans, The neural networks independently learn the correlations and features from the data.
  • a forest fire is detected based on the determined result data.
  • a forest fire early detection system uses sensors to record different measurement data from an area to be monitored.
  • the result data is determined using a terminal device.
  • the result data can include the result of the comparison of the measurement data with the ML data, or just an evaluation of the comparison of the measurement data with the ML data and/or a simple warning signal. In any case, the result data shows whether a forest fire was detected by the sensor of the terminal device.
  • the measurement data are recorded by a terminal device.
  • the terminal device has one or more suitable sensor devices for gas analysis, for example, and/or is connected to such sensor devices.
  • the result data is determined by a terminal device.
  • the terminal device has an evaluation device for this purpose.
  • the result data is determined by applying ML data to the measurement data recorded by the terminal device.
  • the tn-ML data is implemented in the terminal device.
  • the ML data is implemented in the terminal device instead of in a central unit, e.g. a network server.
  • a forest fire early detection system usually has a large number of terminal devices that are widely distributed and have self-sufficient energy supply systems.
  • the implementation of the ML data i.e. the storage of the ML data on the terminal device and the application of the ML data to measurement data recorded by the terminal device in the terminal device enables the machine learning model to be adapted and applied to the local conditions of the respective terminal device, at the same time the energy consumption of an individual terminal device is reduced because only a reduced amount of data needs to be transmitted.
  • the ML algorithm is also installed on the terminal device.
  • “Edge computing" is used to evaluate the data locally in the end device. This is important and advantageous because it eliminates the need to transfer the data to a central cloud application, thus relieving the load on the (very narrowband) LoRaWAN network, for example.
  • the result data is transmitted to a network server.
  • the result data is available to other applications that detect and record a forest fire.
  • models for detecting forest fires are also created using the network server.
  • the result data can include the result of the comparison of the measurement data with the ML data, or just an evaluation of the comparison of the measurement data with the ML data and/or a simple warning signal.
  • the transmission takes place using a protocol such as LoRa, LoRaWAN and/or IP.
  • LoRa requires particularly low energy and is based on a chirp frequency spread modulation according to US patent US 7791415 B2. Licenses for use are granted by a founding member of the industry consortium, the company Semtech.
  • LoRa uses license- and approval-free radio frequencies in the range below 1GHz, such as 433MHz and 868MHz in Europe or 915MHz in Australia and North America, and thus allows a range of more than 10 kilometers in rural areas with minimal 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 industry 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
  • the radio 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.
  • 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.
  • LoRaWAN like other wireless protocols for IoT applications, uses spread spectrum modulation. It differs in that it uses an adaptive technique based on chirp signals, as opposed to conventional DSSS (direct sequence spread spectrum signaling). 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 can be implemented cost-effectively because it does not rely on a precise clock source. LoRa's ranges extend up to 40 kilometers in rural areas. In the city, the advantage is good building penetration, as basements can also be reached. The power requirement is very low at around 10 nA and 100 nA in idle mode. This means that a battery life of up to 15 years can be achieved.
  • LoRaWAN defines and uses a star topology network architecture in which all the leaf nodes communicate via the most suitable gateway. These gateways handle the routing and can also redirect communication to an alternative if there is more than one gateway within range of a leaf node and the local network is overloaded.
  • Some other loT protocols use so-called mesh network architectures to increase the maximum distance of a leaf node end device from a gateway.
  • the end devices of the mesh network forward the messages to each other until they reach a gateway, which Messages are passed on to the Internet.
  • Mesh networks program themselves and adapt dynamically to the environmental conditions without the need for a master controller or hierarchy. In order 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 put into sleep mode for long periods of time. The result is a higher energy requirement of the node end devices for forwarding messages to and from the gateways and a resulting shortening of the battery life.
  • the star network architecture of LoRaWAN allows the end devices to go into a power-saving sleep mode for long periods of time, thereby ensuring that the battery of the end devices is put under as little strain as possible and can therefore be operated for several years without changing the battery.
  • the gateway acts as a bridge between simple protocols optimized for battery life (LoRa / LoRaWAN), which are better suited to resource-limited end devices, and the Internet Protocol (IP), which is used to provide IoT services and applications.
  • IP Internet Protocol
  • the result data is collected on the terminal device.
  • the result data is collected in the memory of the terminal device until it is transmitted to the network server as a data packet via one or more gateways within a download-receive window.
  • the terminal device does not have to have a permanently active download-receive window and therefore be permanently active, as with a class C terminal device, but can also be a class A or class B terminal device according to the LoRaWAN specification, for example. The energy requirement of a terminal device is thus minimized.
  • the collected result data are transmitted to the network server at fixed intervals.
  • the terminals are divided into three different bidirectional variants: Class A includes communication according to the ALOHA access method. In this method, the device sends the data packets it has generated 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 terminal device with a new upload.
  • Class B terminal devices on the other hand, open download-receive windows at set times. The terminal device receives a time-controlled beacon signal from the gateway. This lets a network server know when the terminal device is ready to receive data.
  • Class C terminal devices have a permanently open download-receive window and are therefore permanently active, but also have an increased power consumption. To minimize the energy requirements of the terminal devices, only class A and B terminal devices are usually used to carry out the method according to the invention.
  • the intervals are defined based on time or data volume.
  • Class B terminals transmit the result data at set times.
  • Class A terminals can also send the result data to the network server at set times. However, they can also have the option of transmitting the result data when the result data has a set data volume. This prevents the data volume from being too large for the memory of the terminal.
  • the terminal has a communication unit, wherein the communication unit is deactivated after the result data has been transmitted.
  • the result data is transmitted from the terminal 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 terminal.
  • an ML algorithm is applied to the result data.
  • the ML algorithm enables improved application-related detection of the gases to be detected.
  • the algorithm corrects the detected gas concentration in relation to the detected air humidity.
  • the baseline and long-term deviations of the measured values are compensated.
  • Data on different gas compositions and their concentrations are made available to the terminal device, which is compared with the gas compositions and their concentrations determined by the sensor device.
  • 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 mounted within a forest fire monitoring system. Reinforcement learning is preferably used for this.
  • the algorithm learns a tactic through reward and punishment on how to act in potentially occurring situations in order to maximize the benefit of the forest fire monitoring system.
  • the ML algorithm is applied after the software has been installed on the terminal device and/or after the sensor device has been mounted within a forest fire monitoring system.
  • This procedure has the advantage that the adaptation and application of the machine learning model can be adapted to the conditions on site.
  • the adaptation and application of the machine learning model is carried out via a wireless network.
  • the adaptation and application of the machine learning model of the terminal device is updated via the control unit, preferably at regular intervals.
  • the tn measurement data are obtained from true-negative events, whereby the tn measurement data are obtained from a laboratory test and/or in a natural environment.
  • the recorded tn measurement data are measurement data that are measured from a forest that has not experienced a forest fire. Under laboratory conditions, the tn measurement data are recorded under idealized conditions and are reproducible.
  • the baseline and long-term deviations of the measured values of a terminal device are compensated.
  • design-related deviations of the sensors installed in the terminal device are recorded, averaged and compensated.
  • the tn measurement data are obtained from the natural environment in which the forest fire early detection system is intended to be used.
  • the recorded tn measurement data are therefore specific to the corresponding forest in which the system is used and can therefore only be transferred to other environments to a limited extent.
  • the recorded tn measurement data provide a better baseline and correction of the long-term deviations in the measured values of a terminal device.
  • tp measurement data is also recorded, from which tp-ML data is determined.
  • baseline and long-term deviations are compensated.
  • the forest fire early detection system can trigger a false alarm if the recorded measurement data and the result data created from it by a terminal device deviate from these tn-ML data, even if there is no forest fire in the area to be monitored.
  • Collecting tp (true-positive) measurement data - i.e. events whose measurement data represent a forest fire - and then generating a tp-ML data set increases the reliability of the measurement values recorded by a terminal device and the resulting result data, to which both the tn-ML data set and the tp-ML data set are applied. The rate of false alarms is thereby significantly reduced.
  • true-positive events are events whose measurement data depict a fire, in particular a forest fire.
  • the true-positive events are recreated in the laboratory. Under laboratory conditions, a simulation of the true-positive events is possible safely and reproducibly.
  • tp-ML data and tn-ML data are combined to form ML data.
  • the ML data thus comprise tp-ML data and tn-ML data, which stored in the end device and applied to the device's measurement data. This significantly reduces the rate of false alarms.
  • the result data is determined from the measurement data and the ML data.
  • Recording tp measurement data - i.e. events whose measurement data represent a forest fire - and the subsequent generation of a tp-ML data set increases the reliability of the measurement values recorded by a terminal device and the result data generated from them, to which both the tn-ML data set and the tp-ML data set are applied. The rate of false alarms is thereby significantly reduced.
  • the tn measurement data are obtained from different regions of the natural environment for which the forest fire early detection system is intended to be used. Depending on the extent of the forest to be monitored, the tn measurement data for different regions of the forest to be monitored are also different. Using different tn measurement data for different regions, a regionally spatially resolved correction of the baseline and long-term deviations can therefore be carried out.
  • different tn-ML data are created from the tn measurement data obtained from different regions of the natural environment.
  • the tn measurement data for different regions and the tn-ML data generated from the tn measurement data for the forest to be monitored are different.
  • different regions of the forest to be monitored are assigned to different tn-ML data.
  • tn-ML data for different regions and the corresponding location information of the tn-ML data
  • a regionally resolved correction of the baseline and long-term deviations of measured values from a terminal device can therefore be carried out.
  • the measured values recorded from a specific region of the forest to be monitored are compared with the tn-ML data assigned to this region in order to determine the result data.
  • a regionally spatially resolved correction of the baseline and long-term deviations can therefore be carried out.
  • measurement data is recorded by the forest fire early detection system, with the result data being determined by applying the tn-ML data to the recorded measurement data.
  • tn measurement data from different regions of the natural environment is also recorded. From these tn measurement data recorded in this way, regionally different tn-ML data are then created, with the tn-ML data differing from region to region. The different tn-ML data are therefore assigned to different regions of the forest W to be monitored and applied to the measurement data of the forest fire early detection system with spatial resolution.
  • the forest fire early detection system according to the invention with a LoRaWAN network has a terminal.
  • the terminal has a sensor device that has one or a plurality of sensors, e.g. for gas analysis.
  • the forest fire early 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 power supply.
  • the device for power supply enables autonomous operation of the terminal, for example by charging a battery using solar cells.
  • the forest fire early 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 spread of a forest fire can be determined.
  • the first control device is suitable and intended to access a memory that has data from the adaptation and application of a machine learning model.
  • the algorithm of the model enables improved application-related detection of the gases to be detected.
  • the algorithm corrects the detected gas concentration in relation to the detected air humidity.
  • the baseline and long-term deviations of the measured values are compensated.
  • 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.
  • the machine learning model comprises tn-ML data.
  • tn-ML data is data that is created from tn measurement data using the algorithm of a machine learning model.
  • the tn measurement data (true negative measurement data) recorded with these tn parameters are measurement data that are measured from a forest that also has no forest fire.
  • the recorded tn measurement data therefore represent measurement data from a forest that has no forest fire.
  • the machine learning model comprises tp-ML data.
  • the recording of tp measurement data - i.e. events whose measurement data represent a forest fire - and the subsequent generation of a tp-ML data set increases the reliability of the measurement values recorded by a terminal device and the result data generated from them, to which both the tn-ML data set and the tp-ML data set are applied. The rate of false alarms is thereby significantly reduced.
  • the memory is part of the terminal device.
  • the terminal device has a housing to protect the components from the effects of the weather.
  • the memory is also arranged in the housing and connected to the first control device.
  • the network server is coupled to a second control device that is suitable and intended to execute 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.
  • the second control device has access to the measurement signals recorded by the terminal.
  • the measurement signals recorded by the terminal are training data with which a machine learning algorithm of the second control device is trained.
  • the second control device is connected to the terminal via two different networks.
  • the terminal device has a humidity sensor for detecting the air humidity.
  • the air humidity in particular the relative air humidity, is an indicator of the risk of forest fires.
  • the terminal device has a temperature sensor for detecting the ambient temperature.
  • One indicator of the presence of a forest fire is the temperature of the air.
  • the terminal device has a pressure sensor for detecting the air pressure. By detecting the air pressure, predictions of the wind direction and wind speed and thus also of the propagation speed and direction can be made.
  • Embodiments of the method according to the invention for implementing ML data in a system for early detection of forest fires and of the forest fire early detection system according to the invention are shown in a simplified schematic form in the drawings and are explained in more detail in the following description. Show it:
  • Fig. 1 Structure of a forest fire early detection system comprising a LoRa radio network with transmission of result data and ML data, ML units arranged in a fixed location
  • Fig. 2 Structure of a forest fire early detection system comprising a LoRa radio network with transmission of result data and ML data, mobile ML units
  • Fig. 3 Detailed view of a forest fire early detection system with a LoRa
  • Fig. 4 Mobile forest fire detection unit with an ML unit
  • Fig. 5 a Structure of an ML unit with a forest fire detection sensor
  • Fig. 5 b Structure of an ML unit with two different forest fire detection sensors
  • Fig. 5 c Structure of an embodiment of an ML unit with three different forest fire detection sensors
  • Fig. 1 and Fig. 2 each show an early detection system 1 for forest fires according to the invention.
  • the early detection system 1 for forest fires has a plurality of terminal devices ED.
  • a single terminal device ED has a sensor unit for detecting a forest fire, which has sensors for determining the air humidity, the air pressure and a temperature sensor.
  • a terminal device ED has sensors for gas analysis and for detecting the prevailing wind direction, with which the composition and concentration of gases as well as their direction of propagation are determined.
  • a terminal device has a communication unit, a control unit and a memory on which a set of ML data is stored.
  • a gateway G has a communication interface both to a terminal device ED for data exchange and to a border gateway BGD.
  • the connection to the border gateway BGD can be established in particular via a meshed multi-hop network MHF while the connection to the terminal ED is a single-hop connection FSK.
  • the two communication interfaces of the gateway G use different communication channels so that the sender can be assigned via the communication channel used.
  • a border gateway BGD has a communication interface to a gateway G and to the network server NS.
  • the border gateway BGD then sends the data of a terminal device ED, which was sent to the border gateway BGD via a single-hop and multi-hop connection, directly to the network server NS using an Internet protocol IP.
  • IP Internet protocol
  • the communication between the border gateway BGD and the network server NS can be wired (WN) or wireless (IP).
  • Each communication interface of the border gateway BGD uses its own communication channel, which is different from the other communication interfaces.
  • the network server NS is connected to a second control unit that is suitable and intended to execute a machine learning program.
  • the ML data set of the terminal device ED is updated via the second control unit, preferably at regular intervals.
  • the method according to the invention for implementing ML data in a system for early forest fire detection has three method steps: In the first method step, tn measurement data are collected from measurements of tn parameters of the forest W under tn conditions.
  • the tn parameters are recorded using the ML units ML arranged in the forest fire early detection system 1 (see Fig. 5). These ML units ML are connected to gateways G like a terminal device ED via a single-hop connection FSK. A gateway G is connected to the network server NS via border gateways BGD via a multi-hop connection MHF.
  • the first control unit C of an ML unit ML collects the measured values of the sensor device of the ML unit ML and stores them in the memory.
  • the first Controller C of the ML unit ML creates tn-ML data from the acquired tn parameters by applying ML data to the acquired tn measurement data.
  • tn-ML data for detecting forest fires are implemented in a forest fire early detection system 1.
  • the memory of a terminal device has a tn-ML data set that was stored in the memory before the installation of the software of the sensor device and/or in particular before the assembly of the terminal devices ED within a forest fire monitoring system 1.
  • the ML unit ML records tn parameters from the forest W to be monitored, which does not have a forest fire. Such parameters are, for example, ambient temperature, air humidity, wind direction and strength and/or the composition of gases, depending on the sensors arranged in the terminal ED. From these tn parameters, tn measurement data of the forest Win to be monitored are generated in a second process step. The recorded tn measurement data are therefore generated from a forest W that also does not have a forest fire. The tn measurement data are preferably recorded and generated from the natural forest W for which the use of the forest fire early detection system 1 is intended. Depending on the extent of the forest W to be monitored, tn measurement data from different regions of the natural environment are also recorded.
  • a plurality of forest fire detection devices 100 are arranged distributed in and around the forest W.
  • Each forest fire detection device 100 has a forest fire detection station 200 and a mobile forest fire detection unit 300 with an ML unit ML (see Fig. 4).
  • the collection of tn measurement data can also be carried out in a defined and standardized Laboratory environment.
  • the baseline and long-term deviations of the measured values are compensated.
  • design-related deviations of the sensors installed in the ED terminal are recorded, averaged and compensated.
  • tn parameters and tn measurement data are advantageously recorded and generated from true negative events, but tn measurement data are also recorded from true positive events.
  • a true positive event is a forest fire.
  • forest components such as the fauna found in forests, forest floor components and/or loose material on the forest floor are heated and/or burned at different temperatures in a laboratory and the resulting gases are detected. This can optionally be done specifically for a forest W to be equipped with a forest fire early detection system 1.
  • the tp-ML data set is determined from these measurement data determined experimentally in the laboratory.
  • An ML data set is therefore generated with data on true-positive events - i.e. events whose measurement data represent a forest fire.
  • the measured values recorded from a specific region of the forest W to be monitored are compared with the tn-ML data assigned to this region.
  • the first ML data set is played on the terminal ED before the forest fire early detection system is installed.
  • measurement data is recorded by the sensor device of the terminal device ED of the forest fire early detection system 1.
  • the measurement data is usually not recorded continuously, but at adjustable intervals. This reduces the power consumption of the terminal device ED.
  • the terminal device ED From this measurement data, the terminal device ED generates a set of result data using an ML data set stored in the memory of the terminal device ED.
  • the set of result data is sent from a terminal device ED to a gateway G at specified time intervals (time-based or data volume-based).
  • the gateway G forwards this result data to the network server NS, which forwards the result data to the second control unit.
  • a machine learning Algorithm is applied to the result data and thus an ML data set is generated.
  • the second control unit sends the ML data set to the network server NS, which sends the ML data set back to the gateway G.
  • the gateway G in turn forwards the ML data set to the terminal ED.
  • the ML data set is received by the terminal ED and stored in the memory of the terminal ED in such a way that the ML data set sent by the second control unit replaces the ML data set previously stored in the memory of the terminal ED.
  • Fig. 3 shows a detailed view of an early forest fire detection system 1 according to the invention.
  • the early forest fire detection system 1 has a LoRaWAN mesh gateway network 10 with a plurality of forest fire detection sensors ED, with eight forest fire detection sensors ED communicating with a gateway G via a single-hop connection FSK.
  • the gateways G are connected to each other and to border gateways BGD.
  • the border gateways BGD are connected to the Internet network server NS, either via a wired connection WN or via a wireless connection using the Internet protocol IP.
  • a plurality of forest fire detection devices 100 are arranged around the forest W to be monitored.
  • Each forest fire detection device 100 has a forest fire detection station 200 and a mobile forest fire detection unit 300 (see Fig. 4).
  • Fig. 4 shows an embodiment of a forest fire detection unit 300, which, like a terminal device, has ED sensors 330, 340 for detecting a forest fire and an ML unit 310.
  • the forest fire detection unit 300 is designed as a flight-capable drone that is autonomous, automatic and/or remotely controllable.
  • the forest fire detection unit 300 has a drive unit 320 with a plurality of rotors 322 driven by motors 321.
  • the motors 321 are usually electric motors and are supplied with energy by a rechargeable energy storage device (battery).
  • the forest fire detection unit 300 can be controlled by pivoting the rotors 322 and varying the speed of the individual motors 321.
  • the forest fire detection unit 300 has the second forest fire detection sensor 330, which in this embodiment is an infrared camera.
  • the forest fire detection unit 300 in this embodiment has a further forest fire detection sensor 340, which is designed as a pressure sensor.
  • the forest fire detection unit 300 has the ML unit 310, which is detachably connected to the forest fire detection unit 300 via the connection 312 in the receptacle 311.
  • the forest fire detection unit 300 also has a navigation sensor 350 that detects objects in the surroundings of the forest fire detection unit 300.
  • the navigation sensor 350 has one or a plurality of cameras and/or time-of-flight-based sensors (e.g. radar, ultrasound, lidar) that detect obstacles on the flight of the forest fire detection unit 300.
  • the obstacles are detected, recognized and analyzed by the control unit arranged in the forest fire detection unit 300 in such a way that the forest fire detection unit 300 automatically avoids the obstacles during its flight.
  • Fig. 5 shows three variants of an embodiment of an ML unit ML, which is arranged within a system 1 for early forest fire detection (see Fig. 1, Fig. 3).
  • the ML unit ML like a terminal device ED, is also a sensor for detecting a forest fire.
  • the ML unit ML is equipped with a self-sufficient energy supply E.
  • the energy supply E is a battery, which can also be designed to be rechargeable.
  • capacitors in particular supercapacitors, is also possible.
  • the use of solar cells is somewhat more complex and costly, but an energy supply E that offers the ML unit ML a very long service life.
  • an ML unit ML has the actual sensor unit, which has one or more sensors S1.1, S1.2, S2.1, S2.2, S3.1, S3.2 for detecting a forest fire.
  • the sensors S1.1, S1.2, S2.1, S2.2, S3.1, S3.2 are connected to the computing unit C.
  • the ML unit ML has a first temperature sensor S1.1 and an identical second temperature sensor S1.2 (Fig. 5 a).
  • a first S2.1 and identical second humidity sensor S2.2 (Fig. 5 b) as well as a first S3.1 and identical second pressure sensor S3.2 (Fig. 5 c) are arranged in the ML unit.
  • Sensors for gas analysis can be arranged in the ML unit.
  • ML data packets from the ML unit ML are sent wirelessly as a data packet to a gateway G using a single-hop connection FSK via LoRa (chirp frequency spread modulation) or frequency modulation.
  • the ML unit is connected to one or more gateways G via the output interface A using a single-hop connection FSK. All of the above components are arranged in a housing to protect them from the effects of the weather.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)
  • Fire Alarms (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung mit den Verfahrensschritte Erfassung von tn-Messdaten aus Messungen von tn (true negative) - Parametern des Waldes unter tn-Bedingungen, Erstellen von tn-ML-Daten aus den tn-Messdaten sowie Implementieren von tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem. Die Erfindung betrifft weiterhin ein Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk aufweisend ein Endgerät, wobei das Endgerät eine Sensorvorrichtung, eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung von der Sensorvorrichtung gelieferten Messsignale und eine Vorrichtung zur Energieversorgung aufweist, sowie einen Netzwerkserver, wobei die erste Steuervorrichtung geeignet und dafür vorgesehen ist, auf einen Speicherzuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist, und wobei das Machine-Learning-Modell tn-ML-Daten umfasst.

Description

VE RFA H R E N U N D VO RR I C H TU N G Z U R D ET E KTI O N VO N WA L D B RÄ N D E N
Die Erfindung betrifft ein Verfahren zur Implementation von ML-Daten (Machine-Learning- Daten) in einem System zur Waldbrandfrüherkennung mit den Verfahrensschritte Erfassung von tn- Messdaten aus Messungen von tn (true negative) - Parametern des Waldes unter tn-Bedingungen, Erstellen von tn-ML-Daten aus den tn-Messdaten sowie Implementieren von tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem. Die Erfindung betrifft weiterhin ein Waldbrandfrüherkennungssystem mit einem LoRaWAN- Netzwerk aufweisend ein Endgerät, wobei das Endgerät eine Sensorvorrichtung, eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung von der Sensorvorrichtung gelieferten Messsignale und eine Vorrichtung zur Energieversorgung aufweist, sowie einen Netzwerkserver, wobei die erste Steuervorrichtung geeignet und dafür vorgesehen ist, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning- Modells aufweist, und wobei das Machine-Learning-Modell tn-ML-Daten umfasst.
Stand der Technik
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.
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.
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.
Die folgende Tabelle zeigt die bei einem Waldbrand gebildeten Gase, gestaffelt nach der Temperatur:
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. 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.
Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung und/oder zur Waldbrandfrüherkennung bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist.
Es ist ebenfalls Aufgabe der Erfindung, ein Waldbrandfrüherkennungssystem bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist.
Die Aufgabe wird mittels des Verfahrens zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung gemäß Anspruch 1 gelöst. Vorteilhafte Ausführungen der Erfindung sind in den Unteransprüchen dargelegt.
Das erfindungsgemäße Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung weist drei Verfahrensschritte auf: Im ersten Verfahrensschritt werden tn-Messdaten aus Messungen von tn-Parametern eines Waldes unter tn- Bedingungen erfasst.
Im Sinne dieser Schrift sind tn-Parameter (true negative-Parameter) Parameter, die von einem Wald erfasst sind, der nicht einen Waldbrand aufweist. Derartige Parameter sind z.B. Temperatur, Luftfeuchte, Windrichtung und -stärke und/oder die Zusammensetzung von Gasen. Die mit diesen tn-Parametern erfassten tn-Messdaten (true negative-Messdaten) sind dementsprechend Messdaten, die von einem Wald gemessen sind, der ebenfalls keinen Waldbrand aufweist. Die erfassten tn-Messdaten bilden daher Messdaten eines Waldes ab, der keinen Waldbrand aufweist. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät verbauten Sensoren erfasst, gemittelt und kompensiert.
Im zweiten Verfahrensschritt werden tn-ML-Daten aus den tn-Messdaten erstellt. tn-ML- Daten sind Daten, die mittels des Algorithmus eines Machine-Learning-Modells aus den tn- Messdaten erstellt werden.
Im dritten Verfahrensschritt werden tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem implementiert. Die tn-ML-Daten 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.
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. Insbesondere wird die Sensitivität eines Waldbrandfrüherkennungssystems erhöht. Zudem wird insbesondere die Treffsicherheit erhöht, d.h. falsche positive Ergebnisse (False Positives) reduziert bzw. ausgeschlossen. Eine Waldbranderkennung auf der Basis von Schwellenwerten ist Fehleranfällig und generiert viele False Positives. Mit Machine Learning Modellen, insbesondere Modelle die auf der Basis von lokal gewonnenen Daten erstellt werden, kann die Treffsicherheit enorm erhöht werden, da sich das Modell an die Realität anpasst. Der ML-Algorithmus ermöglicht eine verbesserte anwendungsbezogene Erfassung erfassten Messwerte. Außerdem korrigiert der Algorithmus die erfassten Messwerte in Bezug auf die Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Durch die Auswertung dieser Daten können Aussagen über das aktuelle Lagebild während Waldbränden getroffen werden. ML-Daten im Sinne dieser Erfindung sind Daten, auf die ein Machine Learning-Algorithmus angewandt wurde. Die ML-Daten enthalten Messdaten von Art und Konzentrationen unterschiedlicher Gase sowie deren Art und Konzentrationen bei unterschiedlichen Temperaturen in den unterschiedlichen Phasen der Waldbrandentstehung. Insbesondere sind Daten zu z.B. flüchtige organische Verbindungen (VOC), flüchtige schwefelhaltige Verbindungen (VSC) sowie Kohlendioxid, Kohlenmonoxid und molekularen Wasserstoff vorzugsweise im ppb-Bereich enthalten. Weiterhin sind optional enthalten Daten zur Luftfeuchte, Umgebungstemperatur und Luftdrucks enthalten, ebenfalls bei unterschiedlichen Temperaturen in den unterschiedlichen Phasen der Waldbrandentstehung erfasst und durch den Machine Learning-Algorithmus erstellt.
Mithilfe des Machine Learning-Algorithmus wird das Waldbrandfrüherkennungssystem in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen. Die Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden. Dafür wird bevorzugt das verstärkende Lernen (reinforcement learning) verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Systems zu maximieren. Der Machine Learning-Algorithmus interagiert mit der Umgebung und wird durch eine Kostenfunktion oder ein Belohnungssystem bewertet. Bei verstärkendem Lernen wird dem Machine Learning-Algorithmus nicht gezeigt, welche Aktion oder Handlung in welcher Situation die richtige ist, sondern dieser erhält durch die Kostenfunktion eine positive oder negative Rückmeldung (Feedback). Anhand der Kostenfunktion wird dann eingeschätzt, welche Aktion zu welchem Zeitpunkt, die Richtige ist. Somit lernt das System „bestärkend“ durch Lob oder Bestrafung die Belohnungsfunktion zu maximieren.
Zur Anwendung kann auch ein neuronales Netz kommen. Diese Netze sind in der Lage, entscheidende Merkmale, die für die Lösung eines Problems relevant sind, automatisch aus den Daten zu lernen. Im Gegensatz zu klassischen Verfahren des maschinellen Lernens, bei dem die Merkmale von dem Menschen aufwendig entworfen und definiert werden müssen, lernen die neuronalen Netze selbstständig die Korrelationen und Merkmale aus den Daten.
In einer Weiterbildung der Erfindung wird ein Waldbrand anhand der ermittelten Ergebnisdaten erkannt. Ein Waldbrandfrüherkennungssystem erfasst mittels Sensoren unterschiedliche Messdaten eines zu überwachenden Areals. Die Ergebnisdaten werden mittels eines Endgerätes ermittelt. Die Ergebnisdaten können hierbei das Ergebnis des Vergleichs der Messdaten mit den ML-Daten umfassen, auch nur eine Bewertung des Vergleichs der Messdaten mit den ML-Daten und/oder ein einfaches Warnsignal. In jedem Fall ist den Ergebnisdaten zu entnehmen, ob ein Waldbrand durch den Sensor des Endgerätes detektiert wurde.
In einer weiteren Ausführung der Erfindung werden die Messdaten von einem Endgerät erfasst. Das Endgerät verfügt dazu über eine oder mehrere geeignete Sensorvorrichtungen zur z.B. Gasanalyse und/oder ist mit derartigen Sensorvorrichtungen verbunden.
In einer weiteren Gestaltung der Erfindung werden die Ergebnisdaten durch ein Endgerät ermittelt. Das Endgerät verfügt dazu über eine Auswertevorrichtung. Die Ergebnisdaten werden ermittelt, indem auf die von dem Endgerät erfassten Messdaten ML-Daten angewendet werden.
In einer weiteren Ausbildung der Erfindung sind die tn-ML-Daten in dem Endgerät implementiert. Die ML-Daten sind 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, d.h. die Speicherung der ML-Daten auf dem Endgerät und die Anwendung der ML-Daten auf vom Endgerät erfassten Messdaten 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, da nur eine reduzierte Datenmenge übertragen werden muss. In einer optionalen Ausgestaltung der Erfindung ist auch der ML- Algorithmus auf dem Endgerät installiert. Hier wird also "Edge Computing" eingesetzt, um die Daten lokal im Endgerät auszuwerten. Dies ist wichtig und von Vorteil, weil so auf die Übertragung der Daten zu einer zentralen Cloud- Anwendung verzichtet werden kann, und so beispielsweise das (sehr schmalbandige) LoRaWAN-Netzwerk entlastet wird.
In einer weiteren Ausgestaltung der Erfindung werden die Ergebnisdaten an einen 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. Die Ergebnisdaten können hierbei das Ergebnis des Vergleichs der Messdaten mit den ML- Daten umfassen, auch nur eine Bewertung des Vergleichs der Messdaten mit den ML- Daten und/oder ein einfaches Warnsignal.
In einem weiteren Aspekt der Erfindung wird nur ein Teil der Ergebnisdaten an den Netzwerkserver übermittelt.
In einer Weiterbildung der Erfindung erfolgt die die Übermittlung mittels eines Protokolls 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-Internet-Protokoll 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 Internetweiterleiten. 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.
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.
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.
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.
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.
In einer weiteren Gestaltung 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 einer weiteren Ausbildung der Erfindung werden die gesammelten 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 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 einerweiteren Ausführung der Erfindung weist das Endgerät eine Kommunikationseinheit auf, wobei die Kommunikationseinheit nach der Übermittlung der Ergebnisdaten deaktiviert wird. 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 einer vorteilhaften Ausgestaltung der Erfindung wird auf die Ergebnisdaten ein ML- Algorithmus angewendet. 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 einer weiteren Ausbildung 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 einer Weiterbildung 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. Diese Vorgehensweise weist den Vorteil auf, 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 einer vorteilhaften Gestaltung der Erfindung werden die tn-Messdaten aus true-negative Ereignissen gewonnen, wobei die tn-Messdaten aus einem Laborversuch und/oder in natürlicher Umgebung gewonnen werden. Die erfassten tn-Messdaten sind Messdaten, die von einem Wald gemessen sind, der keinen Waldbrand aufweist. Unter Laborbedingungen werden die tn-Messdaten unter idealisierten Bedingungen erfasst und reproduzierbar. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte eines Endgerätes kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät verbauten Sensoren erfasst, gemittelt und kompensiert. In einer Weiterbildung der Erfindung werden die tn-Messdaten aus der natürlichen Umgebung gewonnen, für die der Einsatz des Waldbrandfrüherkennungssystems vorgesehen ist. Die erfassten tn-Messdaten sind daher spezifisch für den entsprechenden Wald, in dem das System eingesetzt wird, und daher nur bedingt auf andere Umgebungen übertragbar. Für die Umgebung, in der das Waldbrandfrüherkennungssystem eingesetzt wird, liefern die erfassten tn-Messdaten allerdings eine bessere Grundlinie und Korrektur der Langzeitabweichungen der Messwerte eines Endgerätes.
In einer besonders vorteilhaften Ausgestaltung der Erfindung werden zusätzlich tp- Messdaten erfasst, aus denen tp-ML-Daten ermittelt werden Bei der Verwendung von ausschließlich tn-Messdaten und der Erstellung von tn-ML-Daten werden Grundlinie sowie Langzeitabweichungen kompensiert. Allerdings kann das Waldbrandfrüherkennungssystem einen Fehlalarm auslösen, wenn die erfassten Messdaten und daraus erstellten Ergebnisdaten eines Endgerätes von diesen tn-ML-Daten abweichen, auch wenn kein Waldbrand in dem zu überwachenden Areal vorhanden ist.
Eine Erfassung von tp (true-positive) -Messdaten - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen - und der anschließenden Erzeugung eines tp-ML- Datensatzes erhöht die Zuverlässigkeit der von einem Endgerät erfassten Messwerte und der daraus generierten Ergebnisdaten, auf die sowohl der tn-ML- Datensatz als auch der tp-ML- Datensatz angewandt wird. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer Weiterbildung der Erfindung werden die tp-Messdaten aus true-positive Ereignissen erfasst. True-positive Ereignisse sind im Rahmen dieser Schrift Ereignisse, deren Messdaten einen Brand, insbesondere einen Waldbrand, abbilden.
In einem weiteren Aspekt der Erfindung werden die true-positive Ereignisse im Labor nachgestellt. Unter Laborbedingungen ist eine Simulation der true-positive Ereignisse gefahrlos und reproduzierbar möglich.
In einer weiteren Ausführung der Erfindung werden tp-ML-Daten und tn-ML-Daten zu ML- Daten zusammengefasst. Die ML-Daten weisen also tp-ML-Daten und tn-ML-Daten auf, die im Endgerät gespeichert und auf Messdaten des Endgerätes angewandt werden. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer Weiterbildung der Erfindung werden die Ergebnisdaten aus den Messdaten und der ML-Daten ermittelt. Eine Erfassung von tp -Messdaten - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen - und der anschließenden Erzeugung eines tp-ML- Datensatzes erhöht die Zuverlässigkeit der von einem Endgerät erfassten Messwerte und der daraus generierten Ergebnisdaten, auf die sowohl der tn-ML-Datensatz als auch der tp- ML-Datensatz angewandt wird. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
In einer weiteren Ausgestaltung der Erfindung werden die tn-Messdaten aus unterschiedlichen Regionen der natürlichen Umgebung gewonnen, für die der Einsatz des Waldbrandfrüherkennungssystems vorgesehen ist. Je nach Ausdehnung des zu überwachenden Waldes sind die tn-Messdaten für unterschiedliche Regionen des zu überwachenden Waldes ebenfalls unterschiedlich. Mittels unterschiedlicher tn-Messdaten für jeweils unterschiedliche Regionen kann daher eine regional ortsaufgelöste Korrektur der Grundlinie sowie Langzeitabweichungen erfolgen.
In einer weiteren Ausbildung der Erfindung werden aus den aus unterschiedlichen Regionen der natürlichen Umgebung gewonnenen tn-Messdaten unterschiedliche tn-ML- Daten erstellt. Je nach Ausdehnung des zu überwachenden Waldes sind die tn-Messdaten für unterschiedliche Regionen und die aus den tn-Messdaten generierten tn-ML-Daten des zu überwachenden Waldes unterschiedlich.
In einer weiteren Gestaltung der Erfindung werden unterschiedlichen tn-ML-Daten unterschiedliche Regionen des zu überwachenden Waldes zugeordnet. Mittels unterschiedlicher tn-ML-Daten für jeweils unterschiedliche Regionen und den entsprechenden Ortsinformationen der tn-ML-Daten kann daher eine regional ortsaufgelöste Korrektur der Grundlinie sowie Langzeitabweichungen von Messwerten eines Endgerätes erfolgen. In einer weiteren Ausführung der Erfindung werden zur Ermittlung der Ergebnisdaten die aus einer spezifischen Region des zu überwachenden Waldes erfassten Messwerte mit den dieser Region zugeordneten tn-ML-Daten abgeglichen. Mittels unterschiedlicher tn- Messdaten für jeweils unterschiedliche Regionen kann daher eine regional ortsaufgelöste Korrektur der Grundlinie sowie Langzeitabweichungen erfolgen.
In einer weiteren vorteilhaften Ausgestaltung der Erfindung werden Messdaten vom Waldbrandfrüherkennungssystems erfasst, wobei die Ergebnisdaten durch Anwendung der tn-ML-Daten auf die erfassten Messdaten ermittelt werden. Je nach Ausdehnung des zu überwachenden Waldes W werden außerdem tn-Messdaten von unterschiedlichen Regionen der natürlichen Umgebung erfasst. Aus diesen derart erfassten tn-Messdaten werden dann jeweils regional unterschiedliche tn-ML-Daten erstellt, wobei sich die tn-ML- Daten von Region zu Region unterscheiden. Die unterschiedlichen tn-ML-Daten sind daher unterschiedlichen Regionen des zu überwachenden Waldes W zugeordnet und auf die Messdaten des Waldbrandfrüherkennungssystems ortsaufgelöst angewandt.
Die Aufgabe wird ebenfalls mittels eines Waldbrandfrüherkennungssystems mit einem LoRaWAN-Netzwerk gelöst. Vorteilhafte Ausführungen sind in den nachfolgenden Unteransprüchen dargelegt.
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.
Das Machine-Learning-Modell umfasst erfindungsgemäß tn-ML-Daten. tn-ML-Daten sind Daten, die mittels des Algorithmus eines Machine-Learning-Modells aus tn-Messdaten erstellt werden. Die mit diesen tn-Parametern erfassten tn-Messdaten (true negative- Messdaten) sind Messdaten, die von einem Wald gemessen sind, der ebenfalls keinen Waldbrand aufweist. Die erfassten tn-Messdaten bilden daher Messdaten eines Waldes ab, der keinen Waldbrand aufweist. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät verbauten Sensoren erfasst, gemittelt und kompensiert.
In einer Weiterbildung der Erfindung umfasst das Machine-Learning-Modell tp-ML-Daten. Eine Erfassung von tp -Messdaten - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen - und der anschließenden Erzeugung eines tp-ML-Datensatzes erhöht die Zuverlässigkeit der von einem Endgerät erfassten Messwerte und der daraus generierten Ergebnisdaten, auf die sowohl der tn-ML-Datensatz als auch der tp-ML- Datensatz angewandt wird. Die Quote von Fehlalarmen wird dadurch signifikant verringert.
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 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 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 einer weiteren Ausführung der Erfindung ist die zweite Steuervorrichtung über zwei unterschiedliche Netzwerke mit dem Endgerät verbunden.
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 einer Weiterbildung der Erfindung weist das Endgerät einen Temperatursensor zur Erfassung der Umgebungstemperatur auf. Ein Indikator für das Vorhandensein eines Waldbrandes ist die Temperatur der Luft.
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.
Ausführungsbeispiele des erfindungsgemäßen Verfahrens zur Implementation von ML- Daten in einem System zur Waldbrandfrüherkennung und des erfindungsgemäßen Waldbrandfrüherkennungssystems sind in den Zeichnungen schematisch vereinfacht dargestellt und werden in der nachfolgenden Beschreibung näher erläutert. Es zeigen:
Fig. 1 : Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRa- Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten, ML-Einheiten fest angeordnet
Fig. 2: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRa- Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten, mobile ML- Einheiten
Fig. 3: Detailansicht eines Waldbrandfrüherkennungssystems aufweisend ein LoRa-
Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten, mobile und fest angeordnete ML-Einheiten
Fig. 4: Mobile Waldbranddetektionseinheit mit einer ML-Einheit
Fig. 5 a: Aufbau einer ML-Einheit mit einem Waldbranddetektionssensor
Fig. 5 b: Aufbau einer ML-Einheit mit zwei unterschiedlichen Waldbranddetektionssensoren
Fig. 5 c: Aufbau eines Ausführungsbeispiels einer ML-Einheit mit drei unterschiedlichen Waldbranddetektionssensoren
Fig. 1 und Fig. 2 zeigen jeweils 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. Weiterhin verfügt ein Endgerät über eine Kommunikationseinheit, eine Steuereinheit und einen Speicher, auf dem ein Satz ML-Daten abgelegt ist.
Ein Gateway G weist jeweils eine Kommunikationsschnittstelle sowohl zu einem Endgerät ED zum Datenaustausch, als auch zu einem Grenz-Gateway BGD auf. Die Verbindung zum Grenz-Gateway BGD kann insbesondere über ein vermaschtes Multi-Hop-Netzwerk MHF erfolgen, während die Verbindung zum Endgerät ED eine Single-Hop-Verbindung FSK ist. Die beiden Kommunikationsschnittstellen des Gateways G verwenden unterschiedliche Kommunikationskanäle, sodass über den verwendeten Kommunikationskanal der Absender zugeordnet werden kann.
Ein Grenz-Gateway BGD weist jeweils eine Kommunikationsschnittstelle zu einem Gateway G und zu dem Netzwerkserver NS auf. Das Grenz-Gateway BGD sendet dann die Daten eines Endgerätes ED, das über Single-Hop- und Multi-Hop-Verbindung an das Grenz-Gateway BGD versandt wurde, direkt mittels eines Internetprotokolls IP an den Netzwerkserver NS. Die Kommunikation des Grenz-Gateways BGD mit dem Netzwerkserver NS kann drahtgebunden WN oder auch drahtlos IP erfolgen. Jede Kommunikationsschnittstelle des Grenz-Gateways BGD verwendet einen eigenen zu dem von den jeweils anderen Kommunikationsschnittstellen unterschiedlichen Kommunikationskanal.
Der Netzwerkserver NS ist mit einer zweiten Steuereinheit verbunden, die geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Insbesondere wird der ML-Datensatz des Endgerätes ED über die zweite Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert.
Das erfindungsgemäße Verfahren zur Implementation von ML-Daten in einem System zur Waldbrandfrüherkennung weist drei Verfahrensschritte auf: Im ersten Verfahrensschritt werden tn-Messdaten aus Messungen von tn-Parametern des Waldes W unter tn- Bedingungen erfasst.
Die tn-Parameter werden mittels dem in dem Waldbrandfrüherkennungssystem 1 angeordneten MLEinheiten ML erfasst (s. Fig. 5). Diese ML-Einheiten ML sind wie ein Endgerät ED über eine Single-Hop-Verbindung FSK mit Gateways G verbunden. Über Multi-Hop-Verbindung MHF ist ein Gateway G über Grenz-Gateways BGD mit dem Netzwerkserver NS verbunden.
Die erste Steuereinheit C einer ML-Einheit ML sammelt die Messwerte der Sensorvorrichtung der ML-Einheit ML und speichert diese in dem Speicher. Die erste Steuervorrichtung C der ML-Einheit ML erstellt aus den erfassten tn-Parametern tn-ML- Daten, indem ML-Daten auf die erfassten tn-Messdaten angewandt werden.
Im dritten Verfahrensschritt werden tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem 1 implementiert. Dazu weist der Speicher eines Endgerätes einen tn-ML- Datensatz auf, der zeitlich vor der Installation der Software der Sensorvorrichtung und/oder insbesondere vor der Montage der Endgeräte ED innerhalb eines Waldbrandüberwachungssystems 1 in dem Speicher abgelegt wurde.
Die ML-Einheit ML erfasst tn-Parameter von dem zu überwachenden Wald W, der keinen Waldbrand aufweist. Derartige Parameter sind z.B. Umgebungstemperatur, Luftfeuchte, Windrichtung und stärke und/oder die Zusammensetzung von Gasen, abhängig von den in dem Endgerät ED angeordneten Sensoren. Aus diesen tn-Parametern werden tn- Messdaten des zu überwachenden Waldes Win einem zweiten Verfahrensschritt generiert. Die erfassten tn-Messdaten sind daher von einem Wald W generiert, der ebenfalls keinen Waldbrand aufweist. Die tn-Messdaten werden vorzugsweise von dem natürlichen Wald W erfasst und generiert, für den der Einsatz des Waldbrandfrüherkennungssystems 1 vorgesehen ist. Je nach Ausdehnung des zu überwachenden Waldes W werden außerdem tn-Messdaten von unterschiedlichen Regionen der natürlichen Umgebung erfasst. Aus diesen derart erfassten tn-Messdaten werden dann jeweils regional unterschiedliche tn-ML- Daten erstellt, wobei sich die tn-ML-Daten von Region zu Region unterscheiden. Die unterschiedlichen tn-ML-Daten sind daher unterschiedlichen Regionen des zu überwachenden Waldes W zugeordnet und werden mit den vom Endgerät ED erfassten Messdaten abgeglichen.
Zur Erfassung der tn- Messdaten können alternativ oder zusätzlich zu den fest angeordneten ML-Einheiten ML bewegliche, insbesondere flugfähige ML-Einheiten ML (s. Fig. 2, Fig. 4) eingesetzt werden. Im und um den Wald W herum verteilt sind eine Mehrzahl von Waldbranddetektionsvorrichtungen 100 angeordnet. Jede Waldbranddetektionsvorrichtung 100 weist jeweils eine Waldbranddetektionsstation 200 sowie eine bewegliche Waldbranddetektionseinheit 300 mit einer ML-Einheit ML auf (s. Fig. 4).
Alternativ oder zusätzlich zur Erfassung von tn-Messdaten aus natürlicher Umgebung kann die Erfassung von tn-Messdaten auch in einer definierten und standardisierten Laborumgebung durchgeführt werden. Durch die Erfassung von tn-Messdaten werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Außerdem werden bauartbedingte Abweichungen der in dem Endgerät ED verbauten Sensoren erfasst, gemittelt und kompensiert.
Vorteilhafterweise werden wie dargelegt nicht nur tn-Parameter und tn-Messdaten aus true- negative-Ereignissen erfasst und erzeugt, sondern zusätzlich werden aus true-positive- Ereignissen tn-Messdaten erfasst. Ein true-positive-Ereignis ist im einfachsten Fall ein Waldbrand. Hierzu wird beispielsweise in einem Labor Waldbestandteile, wie beispielsweise die in Wäldern vorkommende Fauna, Waldbodenbestandteile und/oder auf dem Waldboden befindliches Lockermaterial bei verschiedenen Temperaturen erhitzt und/oder verbrannt und die entstehenden Gase detektiert. Dies kann optional für einen mit einem Waldbrandfrüherkennungssystem 1 auszustattenden Wald W spezifisch erfolgen.
Der tp-ML-Datensatz wird aus diesen experimentell im Labor ermittelten Messdaten ermittelt. Es wird daher ein ML-Datensatz mit Daten zu true-positive-Ereignissen erzeugt - also zu Ereignissen, deren Messdaten einen Waldbrand darstellen. Zur Ermittlung der Ergebnisdaten werden die aus einer spezifischen Region des zu überwachenden Waldes W erfassten Messwerte mit den dieser Region zugeordneten tn-ML-Daten abgeglichen. Dadurch wird das Endgerät ED in die Lage versetzt, mit Hilfe seiner Steuereinheit die erfassten Messdaten mit den tn-ML-Daten und tp-ML-Daten zu vergleichen und bei Übereinstimmung der erfassten Ergebnisdaten mit den gespeicherten tp-ML-Daten über die Kommunikationsschnittstelle des Endgerätes ED eine entsprechende Nachricht an der Netzwerkserver NS zu senden. Der erste ML-Datensatz wird auf das Endgerät ED vor der Installation des Waldbrandfrüherkennungssystems gespielt.
Zur Erkennung eines Waldbrandes werden Messdaten durch die Sensorvorrichtung des Endgerätes ED des Waldbrandfrüherkennungssystems 1 erfasst. Die Erfassung der Messdaten erfolgt üblicherweise nicht kontinuierlich, sondern in einstellbaren Intervallen. Dadurch wird der Stromverbrauch des Endgerätes ED verringert. Aus diesen Messdaten erzeugt das Endgerät ED einen Satz von Ergebnisdaten mittels eines im Speicher des Endgerätes ED gespeicherten ML-Datensatzes. Der Satz von Ergebnisdaten wird von einem Endgerät ED in festgelegten zeitlichen Intervallen (zeitbasiert oder datenvolumenbasiert) an ein Gateway G versendet. Das Gateway G leitet diese Ergebnisdaten weiter an den Netzwerkserver NS, der die Ergebnisdaten an die zweite Steuereinheit weiterleitet. Auf der zweiten Steuereinheit wird ein Machine-Learning- Algorithmus auf die Ergebnisdaten angewandt und so einen ML-Datensatz erzeugt. Die zweite Steuereinheit sendet den ML-Datensatz an den Netzwerkserver NS, der den ML- Datensatz zurück an das Gateway G sendet. Das Gateway G leitet den ML-Datensatz wiederum weiter an das Endgerät ED. Der ML-Datensatz wird von dem Endgerät ED empfangen und derart im Speicher des Endgerätes ED gespeichert, dass der von der zweiten Steuereinheit gesendete ML-Datensatz den bisher im Speicher des Endgerätes ED gespeicherten ML-Datensatz ersetzt.
Mit derartigen Machine-Learning-Algorithmen kann die Detektion eines Brandes zuverlässig auch in entlegenen Gebieten erfolgen. Durch die Auswertung dieser Daten können Aussagen über das aktuelle Lagebild nach Waldbränden getroffen werden.
Eine Detailansicht eines erfindungsgemäßen Waldbrandfrüherkennungssystems 1 zeigt Fig. 3. Das Waldbrandfrüherkennungssystem 1 weist ein LoRaWAN-Mesh-Gateway- Netzwerk 10 mit einer Mehrzahl von Waldbranddetektionssensoren ED auf, wobei jeweils acht Waldbranddetektionssensoren ED über eine Single-Hop-Verbindung FSK mit einem Gateway G kommunizieren. Die Gateways G sind untereinander sowie mit Grenz- Gateways BGD verbunden. Die Grenz-Gateways BGD sind mit dem Internetnetzwerkserver NS verbunden, entweder über eine drahtgebundene Verbindung WN oder über eine drahtlose Verbindung mittels Internetprotokoll IP. Eine Mehrzahl von Waldbranddetektionsvorrichtungen 100 ist um den zu überwachenden Wald Wangeordnet.
Zur Erfassung von tn-ML-Daten sind in dem zu überwachenden Wald W fest intallierte ML- Einheiten ML sowie eine Mehrzahl von Waldbranddetektionsvorrichtungen 100 angeordnet. Jede Waldbranddetektionsvorrichtung 100 weist jeweils eine Waldbranddetektionsstation 200 sowie eine bewegliche Waldbranddetektionseinheit 300 auf (s. Fig. 4).
Fig. 4 zeigt ein Ausführungsbeispiel einer Waldbranddetektionseinheit 300, die wie ein Endgerät ED Sensoren 330, 340 zur Erkennung eines Waldbrandes sowie einer ML-Einheit 310 aufweist. Die Waldbranddetektionseinheit 300 ist als flugfähige Drohne ausgeführt, die autonom, automatisch und/oder fernsteuerbar ausgeführt ist. Die Waldbranddetektionseinheit 300 weist eine Antriebseinheit 320 mit einer Mehrzahl an von Motoren 321 angetriebenen Rotoren 322 auf. Die Motoren 321 sind üblicherweise Elektromotoren und werden durch einen wiederaufladbaren Energiespeicher (Akku) mit Energie versorgt. Durch Verschwenken der Rotoren 322 und Variation der Drehzahl der die einzelnen Motoren 321 ist die Waldbranddetektionseinheit 300 steuerbar. Die Waldbranddetektionseinheit 300 weist den zweiten Waldbranddetektionssensor 330 auf, der in diesem Ausführungsbeispiel eine Infrarot-Kamera ist. Zusätzlich weist die Waldbranddetektionseinheit 300 in diesem Ausführungsbeispiel einen weiteren Waldbranddetektionssensor 340 auf, der als Drucksensor ausgebildet ist. Zur Erfassung von tn- ML- Messdaten weist die Waldbranddetektionseinheit 300 die ML-Einheit 310 auf, die lösbar mit der Waldbranddetektionseinheit 300 über die Verbindung 312 in der Aufnahme 311 verbunden ist.
Die erfindungsgemäße Waldbranddetektionseinheit 300 weist außerdem einen Navigationssensor 350 auf, der Objekte in der Umgebung der Waldbranddetektionseinheit 300 erfasst. Der Navigationssensor 350 weist einen oder eine Mehrzahl von Kameras und/oder auf Laufzeitmessung basierende Sensoren (z.B. Radar, Ultraschall, Lidar) auf, die Hindernisse auf dem Flug der Waldbranddetektionseinheit 300 erkennt. Die Hindernisse werden von der in der Waldbranddetektionseinheit 300 angeordneten Steuereinheit derart erfasst, erkannt und analysiert, dass die Waldbranddetektionseinheit 300 während ihres Fluges den Hindernissen automatisch ausweicht.
Fig. 5 zeigt drei Varianten eines Ausführungsbeispiels einer ML-Einheit ML, die innerhalb eines Systems 1 zur Waldbrandfrüherkennung angeordnet ist (s. Fig. 1 , Fig. 3). Die ML- Einheit ML ist wie ein Endgerät ED ebenfalls ein Sensor zur Erkennung eines Waldbrandes. Um die ML-Einheit ML auch in unwirtlichen und insbesondere ruralen Gegenden fernab von Energieversorgung installieren und betreiben zu können, ist die ML-Einheit ML mit einer autarken Energieversorgung E ausgestattet. Die Energieversorgung E ist im einfachsten Fall eine Batterie, die auch wiederaufladbar gestaltet sein kann. Möglich ist aber auch der Einsatz von Kondensatoren, insbesondere Superkondensatoren. Etwas aufwändiger und kostenintensiver, aber eine sehr lange Lebensdauer der ML-Einheit ML bietende Energieversorgung E ist der Einsatz von Solarzellen.
Außerdem weist eine ML-Einheit ML die eigentliche Sensoreinheit auf, die ein oder mehrere Sensoren S1.1 , S1.2, S2.1 , S2.2, S3.1 , S3.2 zur Detektion eines Waldbrandes aufweist. Die Sensoren S1.1 , S1.2, S2.1 , S2.2, S3.1 , S3.2 sind mit der Recheneinheit C verbunden. Dabei weist die ML-Einheit ML einen ersten Temperatursensor S1.1 sowie einen baugleichen zweiten Temperatursensor S1.2 auf (Fig. 5 a). Außerdem oder zusätzlich ist in der ML-Einheit ein erster S2.1 und baugleicher zweiter Feuchtesensor S2.2 (Fig. 5 b) sowie ein erster S3.1 und baugleicher zweiter Drucksensor S3.2 (Fig. 5 c) angeordnet. Weiterhin können Sensoren zur Gasanalyse in der ML-Einheit angeordnet werden. Durch die Anordnung von jeweils zwei (oder mehr) zueinander baugleichen Sensoren S1.1 , S1.2, S2.1 , S2.2, S3.1 , S3.2 zur Detektion eines Waldbrandes in der ML-Einheit werden bei der Erfassung von Messdaten bauartbedingte Abweichungen und Ungenauigkeiten der in dem Endgerät verbauten Sensoren S1.1 , S1.2, S2.1 , S2.2, S3.1 , S3.2 erfasst, gemittelt und kompensiert.
Mittels der Kommunikationsschnittstelle K1 werden ML-Datenpakete der ML-Einheit ML als Datenpaket drahtlos mittels einer Single-Hop-Verbindung FSK über LoRa (Zirpenfrequenzspreizungsmodulation) oder Frequenzmodulation an ein Gateway G versendet sowie Über die Ausgangsschnittstelle A ist die ML-Einheit mit einem oder mehreren Gateways G über eine Single-Hop-Verbindung FSK verbunden. Alle genannten Komponenten sind in einem Gehäuse zum Schutz vor Witterungseinflüssen angeordnet.
B EZ U G SZ E I C H E N L I S TE
1 Waldbranddetektionssystem
10 LoRaWAN-Mesh-Gateway-Netzwerk
ED Endgerät / Erster Waldbranddetektionssensor
G Gateway
NS Internet-Netzwerk-Server
IP Internetprotokoll
MHF Multi-Hop-Funknetzwerk
MDG Mesh-Gateways
BGD Grenz-Gateway
FSK FSK-Modulation
WN Drahtgebundene Verbindung
W Wald
100 Waldbranddetektionsvorrichtung
200 Waldbranddetektionsstation
300 Waldbranddetektionseinheit
310 ML-Einheit
311 Aufnahme
312 Lösbare Verbindung
320 Flugantrieb/Antriebseinheit
321 Motor
322 Rotor
330 Zweiter Waldbranddetektionssensor / IR-Kamera
340 Waldbranddetektionssensor
350 Navigationssensor
A Ausgang
C Recheneinheit
E Energieversorgung
K1 Kommunikationsschnittstelle ML ML-Einheit
51.1, S1.2 Temperatursensor
52.1, S2.2 Feuchtesensor
53.1, S3.2 Drucksensor
W Wald

Claims

PA TE N TA N S P R Ü C H E Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung mit den Verfahrensschritten
• Ermitteln von tn-Messdaten aus Messungen von tn-Parametern eines Waldes (W) unter tn-Bedingungen
• Erstellen von tn-ML-Daten aus den tn-Messdaten
• Implementation von tn-ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem (1). Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 1, dadurch gekennzeichnet, dass ein Waldbrand anhand der ermittelten Ergebnisdaten erkannt wird. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Messdaten von einem Endgerät (ED) erfasst werden. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ergebnisdaten durch ein Endgerät (ED) ermittelt werden. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die tn-ML-Daten in dem Endgerät (ED) implementiert sind. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Ergebnisdaten an einen Netzwerkserver (NS) übermittelt werden. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 6, dadurch gekennzeichnet, dass nur ein Teil der Ergebnisdaten an den Netzwerkserver (NS) übermittelt wird. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 6 oder 7, dadurch gekennzeichnet, dass die Übermittlung mittels eines Protokolls wie LoRa, LoRaWAN und/oder IP erfolgt. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der Ansprüche 6 bis 8, dadurch gekennzeichnet, dass die Ergebnisdaten auf dem Endgerät (ED) gesammelt werden. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 9, dadurch gekennzeichnet, dass die gesammelten Ergebnisdaten in festgelegten Intervallen an den Netzwerkserver (NS) übermittelt werden. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 10, dadurch gekennzeichnet, dass die Intervalle zeitbasiert oder datenvolumenbasiert festgelegt sind. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der Ansprüche 6 bis 11, dadurch gekennzeichnet, dass das Endgerät (ED) eine Kommunikationseinheit aufweist, wobei die Kommunikationseinheit nach der Übermittlung der Ergebnisdaten deaktiviert wird. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass auf die Ergebnisdaten ein ML-Algorithmus angewendet wird. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche dadurch gekennzeichnet, dass die erste Anwendung des ML-Algorithmus zeitlich vor der Installation der Software auf dem Endgerät (ED) und/oder vor der Montage der Sensorvorrichtung innerhalb eines Waldbrandfrüherkennungssystems (1) erfolgt.
15. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine Anwendung des ML-Algorithmus zeitlich nach der Installation der Software auf dem Endgerät (ED) und/oder nach der Montage der Sensorvorrichtung innerhalb eines Waldbrandfrüherkennungssystems (1) erfolgt.
16. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach Anspruch 15, dadurch gekennzeichnet, dass die neu ermittelten ML-Daten über ein kabelloses Netzwerk an die Endgeräte (ED) übermittelt werden.
17. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die tn-Messdaten aus true-negative Ereignissen gewonnen werden, wobei die tn-Messdaten aus einem Laborversuch und/oder in natürlicher Umgebung gewonnen werden.
18. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach Anspruch 17, dadurch gekennzeichnet, dass die tn-Messdaten aus der natürlichen Umgebung gewonnen werden, für die der Einsatz des Waldbrandfrüherkennungssystems (1) vorgesehen ist.
19. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zusätzlich tp-Messdaten erfasst werden, aus denen tp-ML-Daten ermittelt werden.
20. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach Anspruch 19, dadurch gekennzeichnet, dass die tp-Messdaten aus true-positive Ereignissen erfasst werden.
21. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach Anspruch 20, dadurch gekennzeichnet, dass die true-positive Ereignisse im Labor nachgestellt werden.
22. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach einen oder mehreren der Ansprüche 17 bis 21, dadurch gekennzeichnet, dass tp-ML-Daten und tn-ML-Daten zu ML-Daten zusammengefasst werden.
23. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach Anspruch 22, dadurch gekennzeichnet, dass die Ergebnisdaten aus den Messdaten und der ML-Daten ermittelt werden.
24. Verfahren zur Implementation von ML-Daten in einem System (1) zur
Waldbrandfrüherkennung nach einem oder mehreren der Ansprüche 17 bis 23, dadurch gekennzeichnet, dass die tn-Messdaten aus unterschiedlichen Regionen der natürlichen Umgebung gewonnen werden, für die der Einsatz des Waldbrandfrüherkennungssystems (1) vorgesehen ist.
25. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 24, dadurch gekennzeichnet, dass aus den aus unterschiedlichen Regionen der natürlichen Umgebung gewonnenen tn-Messdaten unterschiedliche tn-ML-Daten erstellt werden.
26. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass unterschiedlichen tn-ML-Daten unterschiedliche Regionen des zu überwachenden Waldes (W) zugeordnet werden.
27. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach Anspruch 26, dadurch gekennzeichnet, dass zur Ermittlung der Ergebnisdaten die aus einer spezifischen Region des zu überwachenden Waldes (W) erfassten Messwerte mit den dieser Region zugeordneten tn-ML-Daten abgeglichen werden.
28. Verfahren zur Implementation von ML-Daten in einem System (1) zur Waldbrandfrüherkennung nach einem oder mehreren der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass
Messdaten vom Waldbrandfrüherkennungssystems (1) erfasst werden, wobei Ergebnisdaten (RDnn) durch Anwendung der tn-ML-Daten auf die erfassten Messdaten ermittelt werden.
29. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) aufweisend
• ein Endgerät (ED), wobei das Endgerät (ED) eine Sensorvorrichtung, eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung von der Sensorvorrichtung gelieferten Messsignale und eine Vorrichtung zur Energieversorgung (E) aufweist,
• einen Netzwerkserver (NS), dadurch gekennzeichnet, dass die erste Steuervorrichtung geeignet und dafür vorgesehen ist, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine- Learning-Modells aufweist, wobei das Machine-Learning-Modell tn-ML-Daten umfasst.
30. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach
Anspruch 29, dadurch gekennzeichnet, dass das Machine-Learning-Modell tp-ML-Daten umfasst.
31. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach
Anspruch 29 oder 30, dadurch gekennzeichnet, dass der Speicher Teil des Endgerätes (ED) ist.
32. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 31 , dadurch gekennzeichnet, dass der Netzwerkserver (NS) mit einer zweiten Steuervorrichtung gekoppelt ist, die geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 32, dadurch gekennzeichnet, dass die zweite Steuervorrichtung Zugriff auf die von dem Endgerät (ED) erfassten Messsignale hat. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 33, dadurch gekennzeichnet, dass die zweite Steuervorrichtung über zwei unterschiedliche Netzwerke mit dem Endgerät (ED) verbunden ist. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 34, dadurch gekennzeichnet, dass das Endgerät (ED) einen Feuchtesensor (S2.1 , S2.2) zur Erfassung der Luftfeuchte aufweist. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 35, dadurch gekennzeichnet, dass das Endgerät (ED) einen Temperatursensor (S1.1, S1.2) zur Erfassung der
Umgebungstemperatur aufweist. Waldbrandfrüherkennungssystem (1) mit einem LoRaWAN-Netzwerk (10) nach einem oder mehreren der Ansprüche 29 bis 36, dadurch gekennzeichnet, dass das Endgerät (ED) einen Drucksensor (S3.1 , S3.2) zur Erfassung des Luftdrucks aufweist.
EP23822254.1A 2022-12-13 2023-12-05 Verfahren und vorrichtung zur detektion von waldbränden Pending EP4634894A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022133169.5A DE102022133169A1 (de) 2022-12-13 2022-12-13 Verfahren und vorrichtung zur detektion von waldbränden
PCT/EP2023/084327 WO2024126164A1 (de) 2022-12-13 2023-12-05 Verfahren und vorrichtung zur detektion von waldbränden

Publications (1)

Publication Number Publication Date
EP4634894A1 true EP4634894A1 (de) 2025-10-22

Family

ID=89222332

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23822254.1A Pending EP4634894A1 (de) 2022-12-13 2023-12-05 Verfahren und vorrichtung zur detektion von waldbränden

Country Status (3)

Country Link
EP (1) EP4634894A1 (de)
DE (1) DE102022133169A1 (de)
WO (1) WO2024126164A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119992733A (zh) * 2025-01-16 2025-05-13 福建农林大学 一种基于边缘智能的森林火灾监控方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008144579A2 (en) 2007-05-18 2008-11-27 Sierra Monolithics, Inc. Fractional-n synthesized chirp generator
US12443902B2 (en) * 2016-06-12 2025-10-14 Green Grid Inc. Method and system for utility infrastructure condition monitoring, detection and response
US11202926B2 (en) * 2018-11-21 2021-12-21 One Concern, Inc. Fire monitoring
US11620891B2 (en) * 2019-10-10 2023-04-04 Ai4 International Oy Method and system for determining area of fire and estimating progression of fire
CN110929923B (zh) * 2019-11-08 2023-04-07 温州设计集团有限公司 基于数字孪生技术的城市安全风险管控系统
AU2021201122A1 (en) * 2020-02-28 2021-09-16 Mitygo Pty Ltd A telemetry system for automated bush fire detection
US11521479B2 (en) * 2020-05-08 2022-12-06 Qualcomm Incorporated Fire warning system and devices

Also Published As

Publication number Publication date
WO2024126164A1 (de) 2024-06-20
DE102022133169A1 (de) 2024-06-13

Similar Documents

Publication Publication Date Title
WO2023001667A1 (de) Verfahren und vorrichtung zur detektion von waldränden
DE102019107797B4 (de) FAHRZEUGPROGNOSEN UND ABHILFEMAßNAHMEN
Sharma et al. UAV‐based framework for effective data analysis of forest fire detection using 5G networks: An effective approach towards smart cities solutions
DE102021103229A1 (de) Mesh-Gateway-Netzwerk und Verfahren
DE102021120703A1 (de) Lorawan-mesh-gateway-netzwerk und verfahren zur ortung eines waldbrandes
WO2024126164A1 (de) Verfahren und vorrichtung zur detektion von waldbränden
WO2006058618A1 (de) Verfahren zur erkennung von heissen zielen am erdboden
DE202023103484U1 (de) IoT-basiertes Luftgerät zur Erkennung und Überwachung von Kohlendioxid in einer Umgebung
EP4634895A1 (de) Verfahren und vorrichtung zur detektion von waldbränden
DE102024109035A1 (de) Verfahren und vorrichtung zur früherkennung eines waldbrandes
WO2025202388A1 (de) Verfahren und vorrichtung zur früherkennung eines waldbrandes
DE102021128720A1 (de) Verfahren und vorrichtung zur detektion von waldbränden
WO2023180331A1 (de) Vorrichtung und verfahren zur detektion eines waldbrandes
WO2023180334A1 (de) Verfahren und vorrichtung zur waldbrandbekämpfung
DE102022110794A1 (de) Mesh-gateway-netzwerk und verfahren
DE102023132010A1 (de) Verfahren zur evaluierung der ursache eines waldbrandes und waldbrandursachenevaluierungsvorrichtung
WO2023094596A1 (de) Waldbrandfrüherkennungssystem mit piezo/bi-metall-sensor und verfahren zum betrieb eines waldbrandfrüherkennungssystems
DE102023124713A1 (de) System und verfahren zur früherkennung eines waldbrandes
DE102009057508A1 (de) Überwachungsvorrichtung und Verfahren zum flächendeckenden Überwachen eines Gebiets
EP1732349A2 (de) Verfahren und Einrichtung zur Fernauslesung von Daten
Liolis et al. An automated fire detection and alerting application based on satellite and wireless communications
WO2024146737A1 (de) System, verfahren und computerprogrammprodukt zur validierung eines emissionszertifikats
DE102024109040A1 (de) Verfahren und vorrichtung zur waldbrandbekämpfung und / oder waldbrandfrüherkennung
Ma et al. Design and performance evaluation of a UAV-relayed LoRaWAN network for microclimate monitoring of standing live trees in forests
DE102021133218A1 (de) Vorrichtung und Verfahren zur Ermittlung der Bodenfeuchte

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250712

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)