Detección inteligente de incendios en agricultura mediante aprendizaje automático y sistemas embebidos para la...

Área de la Ciencia:

• Ingeniería Agrícola; Ciencias de la Computación; Ciencias Ambientales

Sus antecedentes:

• Los sistemas convencionales de monitoreo de incendios a menudo carecen de eficacia en áreas remotas debido a la conectividad limitada a Internet y la infraestructura.
• El aumento de los riesgos de incendio en entornos agrícolas y rurales requiere soluciones de monitoreo avanzadas e independientes.
• La necesidad de detección de peligros en tiempo real y predicción de riesgos es fundamental para proteger los recursos naturales y la resiliencia de las granjas.

Objetivo del estudio:

• Diseñar e implementar un sistema autónomo de detección de incendios adaptable a zonas con acceso limitado a Internet.
• Mejorar la precisión de la clasificación y predicción de peligros de incendio utilizando algoritmos de aprendizaje automático.
• Garantizar la fiabilidad de los datos mediante la detección de anomalías y validar el rendimiento del sistema.

Principales métodos:

• Desarrollo de un sistema embebido utilizando Raspberry Pi 3 B+ con sensores de humo y llama.
• Aplicación de algoritmos de Aprendizaje Automático (ML), específicamente Random Forest y Regresión Logística, para la clasificación de peligros y la detección de anomalías.
• Evaluación del rendimiento del modelo utilizando matrices de confusión y validación cruzada estratificada de cinco veces.

Principales resultados:

• El modelo Random Forest demostró un rendimiento superior con una precisión promedio de 0.9860 ± 0.0172, una puntuación F1 de 0.9740 ± 0.0319 y una recuperación de 0.9733 ± 0.0327.
• La Regresión Logística logró una precisión promedio de 0.9446 ± 0.0600, una puntuación F1 de 0.9173 ± 0.0744 y una recuperación de 0.9250 ± 0.0608.
• Las técnicas de detección de anomalías identificaron y corrigieron con éxito posibles errores de medición del sensor, garantizando la integridad de los datos.

Conclusiones:

• El sistema autónomo desarrollado proporciona una solución de detección de incendios fiable y eficiente para zonas rurales y agrícolas sin conexión a Internet.
• El modelo Random Forest es muy eficaz para clasificar los niveles de riesgo de incendio y garantizar alertas oportunas, reduciendo significativamente los riesgos de incendios agrícolas.
• Esta investigación contribuye a la transición hacia la agricultura inteligente mejorando la gestión de riesgos, promoviendo la sostenibilidad y aumentando la resiliencia de las granjas a los desastres naturales.