DOI: https://doi.org/10.1038/s41598-026-40378-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41703291
تاريخ النشر: 2026-02-18
المؤلف: Abdennabi Morchid وآخرون
الموضوع الرئيسي: أنظمة الكشف عن الحرائق والسلامة
نظرة عامة
تقدم هذه الدراسة نظام كشف حرائق مستقل يستخدم Raspberry Pi 3 B+ بالتعاون مع حساسات الدخان والنار، بهدف تعزيز المراقبة الفورية والاستجابة لمخاطر الحرائق، خاصة في البيئات الزراعية الريفية ذات الوصول المحدود إلى الإنترنت. يستخدم النظام خوارزميات التعلم الآلي (ML)، وتحديداً Random Forest والانحدار الخطي، لتصنيف مستويات خطر الحرائق والتنبؤ بالمواقف الحرجة، مما يسهل التنبيهات في الوقت المناسب واتخاذ القرارات المستنيرة. بالإضافة إلى ذلك، تضمن تقنيات كشف الشذوذ المدمجة مع نموذج Random Forest موثوقية بيانات الحساسات من خلال تحديد السلوكيات غير العادية وتصحيح أخطاء القياس.
تظهر الدراسة نتائج مهمة، بما في ذلك الدقة العالية لنماذج التعلم الآلي، حيث حقق نموذج Random Forest دقة متوسطة تبلغ 0.9860 ودرجة F1 تبلغ 0.9740، مما يشير إلى قدرات تصنيف قوية. إن قدرة النظام على التكيف مع البيئات النائية لا تعزز فقط سلامة الزراعة ولكن تساهم أيضاً في إدارة الأراضي المستدامة والأمن الغذائي. ستركز الأعمال المستقبلية على تحسين خوارزميات التعلم الآلي، وإدخال حساسات إضافية لتحسين تقييم المخاطر، واستكشاف نماذج التعلم العميق لعلاقات البيانات الأكثر تعقيداً. كما تقترح تحسينات مثل قدرات الاتصال ذات النطاق الترددي المنخفض والتكامل مع مصادر الطاقة المتجددة لضمان جدوى النظام وملاءمته من حيث التكلفة في سياقات زراعية متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للإنتاج الزراعي في الاقتصاد العالمي و vulnerabilit إلى التحديات التي تطرحها تغيرات المناخ، والتحولات السكانية، والكوارث الطبيعية، وخاصة حرائق الغابات. هذه الحرائق، التي تفاقمت بسبب تغير المناخ وظروف الطقس القاسية، تهدد الأمن الغذائي والممارسات الزراعية المستدامة من خلال التسبب في تدمير المحاصيل، وتدهور التربة، وفقدان التنوع البيولوجي. لمعالجة هذه القضايا، تدعو الورقة إلى اعتماد تقنيات الزراعة الذكية، التي تستفيد من إنترنت الأشياء (IoT) والذكاء الاصطناعي (AI) لتعزيز إدارة الموارد، ومرونة الكوارث، والاستدامة في الزراعة.
تركز الدراسة على تطوير نظام كشف حرائق مستقل مصمم للبيئات الزراعية، باستخدام Raspberry Pi 3 B+، وحساسات الدخان والنار، وخوارزميات التعلم الآلي للتنبؤ بمخاطر الحرائق في الوقت الحقيقي. يهدف هذا النظام إلى تحسين سلامة المحاصيل وإدارة الموارد، خاصة في المناطق الريفية ذات الاتصال المحدود. تسهل بنية IoT المقترحة الكشف المبكر عن الحرائق وتدمج تقنيات متقدمة لتعزيز سلامة الزراعة واستدامتها. تشير النتائج إلى أن النظام يمكنه الكشف بدقة عن الحرائق، مما يساهم في تحسين الأمن الغذائي والممارسات الزراعية المستدامة في مواجهة التهديدات البيئية المتزايدة.
الطرق
توضح الدراسة تطوير نظام كشف حرائق ذكي مصمم للبيئات الزراعية، باستخدام Raspberry Pi 3 B+ جنباً إلى جنب مع حساسات الدخان والنار. يستخدم النظام خوارزميات التعلم الآلي (ML)، وتحديداً Random Forest، والانحدار الخطي، والانحدار اللوجستي، لتقييم مخاطر الحرائق في الوقت الحقيقي بناءً على بيانات الحساسات المجمعة محلياً. تتيح هذه الطريقة التنبيهات والاستجابات الفورية دون الاعتماد على الاتصال السحابي، مما يعزز كفاءة النظام وموثوقيته. كما أن دمج وحدة كشف الشذوذ يعزز من متانة النظام من خلال تحديد سلوك الحساسات غير المعتاد.
تتكون مجموعة البيانات المستخدمة لتدريب نماذج التعلم الآلي من 144 عينة مصنفة إلى تشغيل طبيعي، ومخاطر حرائق محتملة، وحرائق فعلية، مع توزيع يعكس ندرة حوادث الحرائق في الزراعة. يتفوق نموذج Random Forest في التعامل مع البيانات المعقدة والصاخبة وتصنيف مخاطر الحرائق إلى ثلاثة مستويات: منخفض، معتدل، وعالي، بينما يوفر الانحدار الخطي درجة مستمرة لمخاطر الحرائق. يعمل الانحدار اللوجستي كنموذج مرجعي بسبب قابليته للتفسير وقدرات العلاقة الخطية. تؤكد الدراسة على ملاءمة نماذج التعلم الآلي الخفيفة بدلاً من التعلم العميق بسبب القيود الحاسوبية، مما يضمن الأداء في الوقت الحقيقي وكفاءة الطاقة في كشف مخاطر الحرائق.
النتائج
تبحث الدراسة مستويات مخاطر الحرائق من خلال تحليل مستويات اللهب والدخان، باستخدام نماذج التعلم الآلي (ML) للتنبؤ وكشف الشذوذ. باستخدام نظام مستقل مع Raspberry Pi 3 B+ والحساسات ذات الصلة، تطبق الدراسة خوارزميات مثل Random Forest والانحدار الخطي للتنبؤ بمخاطر الحرائق بناءً على مجموعة بيانات تتكون من مستويات مخاطر الحرائق، وبيانات اللهب والدخان. كشفت استكشاف البيانات عن ارتباطات مهمة، مما يشير إلى أن زيادة مستويات اللهب والدخان تتوافق مع تصنيفات مخاطر حرائق أعلى. تؤكد النتائج على أهمية المراقبة المتزامنة لهذه المعلمات، حيث أنها مترابطة في تقييم مخاطر الحرائق.
تظهر النتائج فعالية نموذج Random Forest، حيث حقق دقة تصنيف مثالية (100%) عبر جميع فئات مخاطر الحرائق، تم التحقق منها من خلال مصفوفة الالتباس. في المقابل، أظهر نموذج الانحدار الخطي، على الرغم من إظهار ارتباط إيجابي بين مستويات اللهب/الدخان ومخاطر الحرائق، بعض التباين غير المفسر، مما يشير إلى الحاجة إلى عوامل إضافية في النماذج المستقبلية. كشف كشف الشذوذ باستخدام خوارزمية Isolation Forest عن نقاط بيانات غير عادية، مما يبرز ضرورة الحفاظ على سلامة البيانات في مراقبة مخاطر الحرائق. أشار التحليل الزمني لحوادث الحرائق إلى حدوث ارتفاعات أعلى خلال أوقات معينة، مما يشير إلى أن المراقبة المستهدفة خلال هذه الفترات يمكن أن تعزز استراتيجيات الكشف المبكر والاستجابة. بشكل عام، تدعو الدراسة إلى نهج متعدد الحساسات وتبرز الأداء المتفوق لنموذج Random Forest في تقييم مخاطر الحرائق ضمن السياقات الزراعية.
المناقشة
تقدم الدراسة نظام كشف حرائق مستقل مبتكر مصمم للبيئات الزراعية، باستخدام Raspberry Pi 3 B+ المدمج مع حساسات الدخان والنار. يستخدم هذا النظام خوارزميات التعلم الآلي (ML)، وتحديداً Random Forest والانحدار الخطي، للتنبؤ وتصنيف مستويات مخاطر الحرائق في الوقت الحقيقي. تؤكد الدراسة على أهمية الكشف المبكر عن الحرائق للتخفيف من المخاطر المرتبطة بتغير المناخ، والتي يمكن أن تؤدي إلى آثار مدمرة على المحاصيل والأمن الغذائي. يعمل النظام بشكل مستقل عن البنية التحتية السحابية، مما يجعله مناسباً للمناطق النائية ذات الاتصال المحدود.
تشير تقييمات الأداء إلى أن نموذج Random Forest حقق دقة متوسطة مثيرة للإعجاب تبلغ $0.9860 \pm 0.0172$، بينما أظهر نموذج الانحدار اللوجستي دقة تبلغ $0.9446 \pm 0.0600$. كلا النموذجين يصنفان مستويات مخاطر الحرائق ويكتشفان الشذوذ في بيانات الحساسات، مما يعزز موثوقية المراقبة. لا يهدف النظام المقترح فقط إلى تحسين ممارسات إدارة الحرائق ولكن يساهم أيضاً في الممارسات الزراعية المستدامة من خلال تقليل الأثر البيئي للحرائق وتعزيز استخدام الموارد بكفاءة. ستركز الأعمال المستقبلية على التطبيقات الواقعية والتجارب طويلة الأجل للتحقق من فعالية النظام عبر بيئات وظروف زراعية متنوعة.
DOI: https://doi.org/10.1038/s41598-026-40378-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41703291
Publication Date: 2026-02-18
Author(s): Abdennabi Morchid et al.
Primary Topic: Fire Detection and Safety Systems
Overview
This research presents an autonomous fire detection system utilizing a Raspberry Pi 3 B+ in conjunction with smoke and flame sensors, aimed at enhancing real-time monitoring and responsiveness to fire hazards, particularly in rural agricultural settings with limited Internet access. The system employs Machine Learning (ML) algorithms, specifically Random Forest and Linear Regression, to classify fire risk levels and predict critical situations, thereby facilitating timely alerts and informed decision-making. Additionally, anomaly detection techniques integrated with the Random Forest model ensure the reliability of sensor data by identifying unusual behaviors and correcting measurement errors.
The study demonstrates significant findings, including the high accuracy of the ML models, with the Random Forest model achieving an average accuracy of 0.9860 and an F1 score of 0.9740, indicating robust classification capabilities. The system’s adaptability to remote environments not only enhances agricultural safety but also contributes to sustainable land management and food security. Future work will focus on refining the ML algorithms, incorporating additional sensors for improved risk assessment, and exploring deep learning models for more complex data relationships. Enhancements such as low-bandwidth communication capabilities and integration with renewable energy sources are also proposed to ensure the system’s practicality and affordability in diverse agricultural contexts.
Introduction
The introduction of this research paper highlights the critical role of agricultural production in the global economy and its vulnerability to challenges posed by climate change, demographic shifts, and natural disasters, particularly forest fires. These fires, exacerbated by climate change and extreme weather conditions, threaten food security and sustainable agricultural practices by causing crop destruction, soil degradation, and biodiversity loss. To address these issues, the paper advocates for the adoption of smart agricultural technologies, which leverage the Internet of Things (IoT) and artificial intelligence (AI) to enhance resource management, disaster resilience, and sustainability in agriculture.
The study focuses on developing an autonomous fire detection system tailored for agricultural environments, utilizing a Raspberry Pi 3 B+, smoke and flame sensors, and machine learning algorithms for real-time fire risk prediction. This system aims to improve crop safety and resource management, particularly in rural areas with limited connectivity. The proposed IoT architecture facilitates early fire detection and integrates advanced technologies to enhance agricultural safety and sustainability. The findings indicate that the system can accurately detect fires, thereby contributing to improved food security and sustainable agricultural practices in the face of increasing environmental threats.
Methods
The research outlines the development of an intelligent fire detection system tailored for agricultural environments, utilizing a Raspberry Pi 3 B+ alongside smoke and flame sensors. The system employs machine learning (ML) algorithms, specifically Random Forest, Linear Regression, and Logistic Regression, to assess fire risk in real-time based on locally collected sensor data. This approach enables immediate alerts and responses without reliance on cloud connectivity, enhancing the system’s efficiency and reliability. The integration of an anomaly detection module further improves system robustness by identifying atypical sensor behavior.
The dataset used for training the ML models consists of 144 samples categorized into normal operation, potential fire hazards, and actual fires, with a distribution reflecting the rarity of fire incidents in agriculture. The Random Forest model excels in handling complex, noisy data and classifying fire risk into three levels: low, moderate, and high, while Linear Regression provides a continuous fire risk score. Logistic Regression serves as a reference model due to its interpretability and linear relationship capabilities. The study emphasizes the appropriateness of lightweight ML models over deep learning due to computational constraints, ensuring real-time performance and energy efficiency in fire risk detection.
Results
The research investigates fire risk levels through the analysis of flame and smoke levels, employing machine learning (ML) models for prediction and anomaly detection. Utilizing an autonomous system with Raspberry Pi 3 B+ and relevant sensors, the study applies algorithms such as Random Forest and Linear Regression to predict fire risks based on a dataset comprising fire risk levels, flame, and smoke data. Data exploration revealed significant correlations, indicating that increased flame and smoke levels correspond to higher fire risk classifications. The findings underscore the importance of simultaneous monitoring of these parameters, as they are interrelated in assessing fire risk.
The results demonstrate the efficacy of the Random Forest model, achieving perfect classification accuracy (100%) across all fire risk categories, validated through a confusion matrix. In contrast, the Linear Regression model, while showing a positive correlation between flame/smoke levels and fire risk, revealed some unexplained variability, suggesting the need for additional factors in future models. Anomaly detection using the Isolation Forest algorithm identified unusual data points, emphasizing the necessity of maintaining data integrity in fire risk monitoring. Temporal analysis of fire incidents indicated higher occurrences during specific times, suggesting that targeted monitoring during these periods could enhance early detection and response strategies. Overall, the study advocates for a multi-sensor approach and highlights the Random Forest model’s superior performance in fire risk assessment within agricultural contexts.
Discussion
The research presents an innovative autonomous fire detection system tailored for agricultural environments, utilizing a Raspberry Pi 3 B+ integrated with smoke and flame sensors. This system employs machine learning (ML) algorithms, specifically Random Forest and Linear Regression, to predict and classify fire risk levels in real time. The study emphasizes the importance of early fire detection to mitigate risks associated with climate change, which can lead to devastating impacts on crops and food security. The system operates independently of cloud infrastructure, making it suitable for remote areas with limited connectivity.
Performance evaluations indicate that the Random Forest model achieved an impressive average accuracy of $0.9860 \pm 0.0172$, while the Logistic Regression model demonstrated an accuracy of $0.9446 \pm 0.0600$. Both models effectively classify fire risk levels and detect anomalies in sensor data, enhancing the reliability of monitoring. The proposed system not only aims to improve fire management practices but also contributes to sustainable agricultural practices by reducing the environmental impact of fires and promoting efficient resource use. Future work will focus on real-world applications and long-term trials to validate the system’s effectiveness across diverse agricultural settings and conditions.