Einsatz IoT-basierter Technologien zur Bekämpfung von Waldbränden

Ein perfekter Sturm aus Klimawandel, menschlichen Aktivitäten und schlechter Landbewirtschaftung hat zu Waldbränden von rekordverdächtiger Größe und Häufigkeit geführt. Allein im Jahr 2021 verbrannten in den USA mehr als 4 Millionen Hektar Land, Tausende von Gebäuden und zahllose Lebensräume von Tieren durch Waldbrände. Abgesehen von den Verwüstungen am Boden sind Waldbrände für erstaunliche 20 % der weltweiten Emissionen verantwortlich. Bis vor kurzem lag der Schwerpunkt auf der Bekämpfung aktiver Brände. Jetzt nutzen die US-Forstbehörde, Forschungskonsortien und Privatunternehmen die gleiche Art von IoT-Technologien (IoT: Internet der Dinge), die in der Fabrikautomatisierung eingesetzt werden, um Brände so früh wie möglich zu erkennen.

Abbildung 1: Der Caldor-Brand von 2021, gesehen durch eine Wärmebildkamera von Teledyne FLIR. (Quelle: Teledyne FLIR)

Architektur von Brandfrüherkennungssystemen

Die frühzeitige Erkennung von Waldbränden erfordert ein Situationsbewusstsein in Echtzeit, und das oft in weiten und bergigen Landschaften. Der Aufbau dieser Systeme ist relativ einfach (Abbildung 2). Sensoren sammeln kontinuierlich Luftqualitäts- und Wetterdaten. Wenn ein voreingestellter Schwellenwert erreicht wird, werden diese Daten in die Cloud übertragen, wo künstliche Intelligenz (KI) und Algorithmen für maschinelles Lernen angewendet werden. Die Warnungen werden sofort an eine Basisstation weitergeleitet, wo Brandwächter mit Hilfe eines Netzes von Infrarotkameras die Situation überprüfen.

Abbildung 2: Erkennung von Waldbränden mithilfe von IoT-basierten Sensoren, Netzwerk-Gateways und der Cloud. (Quelle: PsiBorg.com)

Unternehmen wie Bosch Sensortec, Ericsson und Acti haben Komponenten entwickelt, die extremen Bedingungen standhalten. Silvanet, das Ultrafrüherkennungssystem von Dryad, ist eine End-to-End-Lösung, die solarbetriebene Sensoren, eine proprietäre LoRaWAN-basierte Mesh-Netzwerkinfrastruktur und eine Cloud-Analyseplattform integriert.

Drahtlose Sensornetzwerke

Drahtlose Sensornetzwerke (WSN) sind zuverlässig, kostengünstig und einfach zu skalieren, wodurch sie sich gut für Brandmeldeanwendungen eignen. Die Knoten werden strategisch in einem Wildnisgebiet verteilt, und zwar auf allen Arten von tragbaren Masten, Baumstämmen und Versorgungsmasten. Die Reichweite dieser Geräte reicht von einigen zehn Metern bis zu 15 km.

Silvanet-Waldbrandsensoren (Abbildung 3) sind so konzipiert, dass sie Feuer innerhalb von 1 bis 60 Minuten erkennen. Der eingebaute BME688-Sensor von Bosch erkennt Wasserstoff, Kohlenmonoxid und andere Gase im Bereich von Teilen pro Million (ppm). Der BME688 ist der erste Gassensor mit KI und integrierten hochlinearen und hochgenauen Druck-, Feuchte- und Temperatursensoren.

Abbildung 3: Der Gassensor BME688 von Bosch, der in den solarbetriebenen Silvanet-Waldbrandsensor eingebaut ist. (Quelle: Bosch Sensortec)

IoT-Maschennetzwerke

IoT-Maschennetzwerke umgehen die infrastrukturellen Herausforderungen von Mobilfunknetzen, indem sie jeden Knoten direkt und dezentral mit jedem anderen Knoten verbinden. Die Signale werden zwischen den Knoten weitergeleitet, um Ziele zu erreichen, die sich nicht in der Reichweite eines einzelnen Sensors befinden. Die Daten werden über Netzwerke wie LoRaWAN, das sich durch eine außergewöhnliche Reichweite und einen geringen Stromverbrauch auszeichnet und damit für weitreichende IoT-Anwendungen geeignet ist, an einen Cloud-Server übertragen.

Infrarot-Thermografie

Hochauflösende PTZ-Infrarotkameras (PTZ: Schwenken/Neigen/Zoomen) verwenden Wärmebilder, um Wärmesignaturen und Temperaturschwankungen zu erkennen. Das Personal an den Basisstationen hat direkte Kontrolle über die Kameras und kann so die Landschaft, das Brandverhalten und das Wetter in Echtzeit überwachen. Mit einem Schwenkbereich von 360°, einem Neigungsbereich von 90° und einem 40-fachen optischen Zoom erstellt die Wildfire-PTZ-Kamera von AEM eine 3D-Karte der Umgebungsbedingungen in einem Radius von 25 Meilen. Die Teams für das Management von Waldbränden nutzen die Softwareplattform FTS360 des Unternehmens, um Live-Bilder mit überlagerten Wetterdaten anzuzeigen.

Abbildung 4: Die Wildfire-PTZ-Kamera von AEM. (Quelle: AEM)

Forschung zur Brandfrüherkennung

Im Rahmen einer Partnerschaft zwischen dem Department of Homeland Security und dem Oregon Hazard Lab (OHAZ) werden 2023 Sensortechnologien anhand der vom ALERTWildfire-Kamerasystem generierten Warnungen bewertet. Die HD-Kameras von ALERTWildfire können im Nahinfrarotbereich mit Reichweiten von bis zu 40 Meilen am Tag und 60 bis 80 Meilen in der Nacht arbeiten. Es handelt sich um ein System mit hoher Bandbreite, so dass jeder, der einen Internetanschluss hat, auf die öffentlichen Videoübertragungen zugreifen kann. Die Sensoren wurden von Breeze Technologies (Hamburg, Deutschland) und N Sensors (Rockville, Md) entwickelt. Die Forschung findet im Willamette Valley in Oregon statt.

Abbildung 5: Sensoren von Breeze Technologies (links) und N5 Sensors (rechts), installiert im Willamette Valley, Oregon. (Quelle: Breeze Technologies und N5 Sensors)

Echtzeit-Informationen helfen Brandmanagern, Entscheidungen über die Zuweisung von Ressourcen und die öffentliche Sicherheit zu treffen. Konsistente Daten ermöglichen es Brandforschern, Muster auf der Grundlage von Umweltvariablen zu erkennen. Trotz dieser vielversprechenden Entwicklungen ist es eine Tatsache, dass mehr als 80 % der Waldbrände durch menschliche Unachtsamkeit wie unbeaufsichtigte Lagerfeuer, weggeworfene Zigaretten, brennende Abfälle und Fehlfunktionen von Geräten verursacht werden. Am 5. September 2020 löste ein pyrotechnischer Artikel, der auf einer Babyparty gezündet wurde, das tödliche El-Dorado-Feuer in Kalifornien aus. Das Feuer verbrannte etwa 9000 Hektar Land und forderte den Tod eines Feuerwehrmanns. Das für die Party verantwortliche Paar wurde wegen 30 Straftaten und fahrlässiger Tötung angeklagt. Wenn die Staaten beginnen, Einzelpersonen für unverantwortliches Verhalten wie dieses rechtlich zur Verantwortung zu ziehen, wird es vielleicht weniger Brände zu entdecken geben.

Quellen

Dampage, U., et al. (2022). System zur Erkennung von Waldbränden mithilfe von drahtlosen Sensornetzen und maschinellem Lernen. Sci Rep 12, 46.

Gupta, V. (2023, 1. Februar). Waldbrandschutz mit Sensornetzwerk und IoT. PsiBorg.

Peruzzi, G., & Pozzebon, A. (2023). Feuer mit Feuer bekämpfen: Erkennung von Waldbränden mit eingebetteten maschinellen Lernmodellen, die mit Audio und Bildern auf IoT-Geräten mit geringem Stromverbrauch arbeiten. Sensoren, 23(2), 783.

Stärkung der Widerstandsfähigkeit bei Waldbränden in Oregon | Homeland Security. (2023, 9. Februar).

Waldbrandursachen und Bewertungen (US National Park Service). (n.d.)