使用物聯網技術對抗野火

氣候變遷、人類活動和土地管理不良所形成的完美風暴，引發了破記錄的野火規模與頻率。單就 2021 年，美國的野火就燒燬超過 1000 萬英畝的土地、數千座建築物和無數的動物棲息地。除了破壞地表之外，森林火災在全球碳排放的佔比更達到驚人的 20%。以往的焦點往往擺在對抗當下的燃燒，但最近開始有所轉變。現在，美國林業局、研究協會和私人企業正運用與工廠自動化中相同類型的物聯網 (IoT) 技術，儘早偵測火災的發生。

圖 1：透過 Teledyne FLIR 熱像保全攝影機看到的 2021 年加州卡爾多大火。(資料來源： Teledyne FLIR)

火災早期偵測系統的架構

野火早期偵測仰賴即時的情境感知，通常會涵蓋遼闊的山區景觀。這些系統的結構相當簡單 (圖 2)。感測器會持續收集空氣品質和天氣資料。當達到預設臨界值時，資料會傳送到雲端，以人工智慧 (AI) 和機器學習演算法進行偵測。警示會立即傳送到基地台，以便火災觀測員利用紅外線攝影機網路確認情況。

圖 2：使用 IoT 架構的感測器、網路閘道器和雲端偵測森林火災。(資料來源： PsiBorg.com)

包括 Bosch Sensortec、Ericsson 和 Acti 公司在內的諸多公司皆已開發可耐受極端條件的元件。Silvanet 是 Dryad 的超早期偵測系統，屬於一種端對端解決方案，整合了太陽能感測器、專有的遠距廣域網路(LoRaWAN) 架構網狀網路基礎設施，以及雲端分析平台。

無線感測器網路

無線感測器網路 (WSN) 不僅可靠、低成本，而且容易擴充，非常適合火災偵測應用。節點會以策略式方法在廣大的範圍內的各種物件上部署，從可攜式天線杆到樹幹再到電線杆。裝置的偵測範圍從十幾公尺到最遠 15 公里。

Silvanet 野火感測器 (圖 3) 可在 1 至60 分鐘內偵測到火災。內建的 Bosch BME688 感測器可偵測 ppm 程度的氫氣、一氧化碳和其他氣體。BME688 氣體感測器是第一款搭載 AI，並整合高線性度且高準確度壓力、濕度與溫度感測器的氣體感測器。

圖 3：Silvanet 的太陽能野火感測器內建 Bosch BME688 氣體感測器。(資料來源： Bosch Sensortec)

網狀 IoT 網路

網狀 IoT 網路會以分散方式將每個節點直接連接到其他各個節點，進而避開蜂巢網路的基礎設施難題。訊號會在節點之間跳躍，以抵達在單獨感測器範圍以外的目的地。資料會透過 LoRaWAN 等網路傳輸到雲端伺服器，這類網路具有出色的距離能力而且具有低功耗，因此適合多種 IoT 應用。

紅外線熱成像

高畫質的 PTZ (橫搖／直搖／變焦) 紅外線攝影機使用熱成像來偵測熱訊號和溫度變化。基地台的人員可以直接指揮和控制攝影機，因此能即時監測景觀、火災動態和天氣。AEM 的野火 PTZ 攝影機具有 360° 橫搖角度、90° 直搖角度與 40X 光學變焦，可將 25 英里半徑內的環境條件繪製成 3D 地圖。野火管理團隊可使用該公司的 FTS360 軟體平台，查看具有天氣資料的即時影像。

圖 4：AEM 的野火 PTZ 攝影機。(資料來源： AEM)

火災早期偵測研究

美國國土安全部和俄勒岡危險實驗室 (OHAZ) 在 2023 年的一項合作計畫中，將針對感測技術進行評估，瞭解其在 ALERTWildfire 攝影機系統發出警報下的作用。ALERTWildfire 的 HD 攝影機具有近紅外線功能，白天可達 40 英里，夜晚可達 60 至 80 英里。這是一套大頻寬系統，因此任何具有網際網路連線的人，都可取用其公開影片。這些感測裝置由德國漢堡的 Breeze Technologies 公司和美國洛克維爾的N Sensors 公司開發。這項研究正在俄勒岡州的威拉米特谷進行。

圖 5：由 Breeze Technologies (左) 和 N5 Sensors (右) 設計的感測器安裝在俄勒岡州威拉米特谷。(資料來源：Breeze Technologies 與 N5 Sensors)

即時資訊有助於消防管理人員進行資源分配和公共安全的決策。一致的數據有助於火災科學家依據環境變數判定模式。儘管有這些令人振奮的發展，但事實上超過 80% 的森林火災都是因為無人看守的營火、隨手丟棄的煙蒂、燃燒碎屑和設備故障等人為疏忽造成的。2020 年 9 月 5 日，一部煙火裝置在公布嬰兒性別的派對中引爆，並在加州艾爾杜拉多郡引發致命大火。火災蔓延 22,000 多英畝，並導致一名消防員死亡。舉辦該場派對的夫婦被指控 30 項罪行和過失致死。隨著各州開始要求個人對此類不負責任的行為承擔法律責任，要偵測的火災就會減少。

資料來源

Dampage, U., et al. (2022).Forest fire detection system using wireless sensor networks and machine learning. Sci Rep 12, 46.

Gupta, V. (2023, February 1).Forest Fire Protection Using Sensor Network and IoT.PsiBorg.

Peruzzi, G., & Pozzebon, A. (2023).Fight Fire with Fire: Detecting Forest Fires with Embedded Machine Learning Models Dealing with Audio and Images on Low Power IoT Devices.Sensors, 23(2), 783.

Stoking Wildfire Resilience in Oregon | Homeland Security. (2023, February 9).

Wildfire Causes and Evaluations (US National Park Service).(n.d.)