Détection des feux de forêt à l'aide d'un réseau de capteurs IoT

Thèmes abordés

Informatique, réseau de capteurs, IoT, internet des objets, technologie, feux de forêt, analyse des données, systèmes informatiques, LoRaWAN, détection, données environnementales, capteur de température, capteur d'humidité, intelligence artificielle

Résumé du document

Au cours des dernières semaines, les provinces canadiennes ont été confrontées à une série de feux de forêt d'une ampleur sans précédent, ce qui a entraîné l'évacuation de milliers de personnes face à une propagation rapide des flammes. Dans ce contexte alarmant, la prévention et la détection des incendies de forêt sont devenus des enjeux critiques pour la préservation de la biodiversité et la sécurité des populations. Ainsi, dans le cadre de notre projet, nous nous sommes engagés à développer une solution innovante reposant sur l'Internet des objets (IoT).

Notre solution repose sur l'utilisation de la technologie LoRaWAN, qui permet une communication à longue portée et à faible consommation d'énergie. Cette approche offre plusieurs avantages pour la détection des feux de forêt. Nous avons mis en place des boîtiers équipés de capteurs qui sont en mesure de détecter les signes précurseurs d'un incendie. Ces boitiers fonctionnent sans fil et sont constamment en communication avec une centrale de surveillance basée sur le cloud. Dès qu'un feu est détecté, une alerte est instantanément transmise, permettant ainsi une réaction rapide des équipes d'intervention.
L'importance de l'utilisation de LoRaWAN dans notre solution IoT réside dans sa capacité à fournir une connectivité fiable et étendue, couvrant de vastes zones forestières. Contrairement aux réseaux cellulaires traditionnels, LoRaWAN permet une transmission de données à faible débit, mais sur de longues distances, ce qui est particulièrement adapté aux environnements forestiers. De plus, cette technologie offre une faible consommation d'énergie, ce qui prolonge considérablement la durée de vie des capteurs alimentés par des batteries. Ainsi, notre solution IoT basée sur LoRaWAN offre une approche complète et efficace pour la détection précoce des feux de forêt, contribuant ainsi à la protection des écosystèmes forestiers et à la sécurité des communautés qui en dépendent.

Ce rapport détaille notre projet de détection des feux de forêt.

Extraits

[...] Il s'agit d'une plateforme IoT basée sur le protocole LoRaWAN. Elle permet de déployer et de gérer des réseaux LoRaWAN, de connecter des capteurs et des appareils IoT, de collecter des données et de les transmettre de manière fiable vers des serveurs cloud. LORIOT fournit des fonctionnalités telles que la gestion des appareils, la configuration de la passerelle LoRaWAN, la surveillance des connexions, la gestion des données collectées et des outils de visualisation. Après avoir créer un compte LORIOT, nous avons ajouté la passerelle sur LORIOT en sélectionnant le modèle approprié : Figure 14 : Tableau de bord de la passerelle Une fois la passerelle connectée à notre réseau, nous avons configuré les paramètres sur LORIOT pour finalement l'enregistrer sur la plateforme en fournissant l'identifiant EUI et l'adresse MAC de la passerelle. [...]

[...] La configuration de ces connexions et des couches de perceptrons définit l'architecture du réseau. La première couche est généralement la couche d'entrée, où les données sont introduites dans le réseau. Les couches suivantes sont appelées couches cachées et peuvent varier en nombre et en taille. La dernière couche est la couche de sortie, qui produit les résultats finaux du modèle. Pour construire un réseau de neurones, il est nécessaire de suivre plusieurs étapes. Tout d'abord, il faut définir l'architecture du réseau en spécifiant le nombre de couches, le nombre de neurones par couche, les fonctions d'activation et les paramètres d'apprentissage. [...]

[...] En ce qui concerne l'acquisition des données, nous enregistrons le temps total d'acquisition. Figure 8 : Découpage du dataset Ce découpage du dataset est le plus préférable pour notre modèle après essais sur plusieurs autres configurations. Au passage, voici un menu récapitulatif des différentes propriétés du modèle (la configuration du jeu de donnée, le type de modèle et l'analyse des données) : Figure 9 : Menu récapitulatif du modèle Déploiement et utilisation du modèle Pour exporter notre modèle pour Arduino, Edge Impulse prend en charge plusieurs formats d'exportation, y compris les bibliothèques Arduino compatibles. [...]

[...] La combinaison de ces avantages a convaincu notre équipe en instrumentation que LoRaWAN était la meilleure option pour notre projet de détection des feux de forêt avec l'IoT. Architecture en 4 couches pour la détection des feux de forêt Figure 2 : Schéma du projet Nous avons imaginé l'architecture du projet de détection des feux de forêt comme une structure en 4 couches, chacune ayant un rôle spécifique dans le système. Ces couches sont la couche de perception, la couche réseau, la couche middleware et la couche application. [...]

[...] En utilisant cette bibliothèque, nous avons pu obtenir des lectures précises de pression et de température. Quant à la bibliothèque HTS221.h, elle est utilisée pour le capteur de température et d'humidité HTS221, qui mesure la température ambiante et l'humidité relative de l'air. Cette bibliothèque a facilité la communication avec le capteur et l'acquisition des données de température et d'humidité. Edge Impulse Pour la création du modèle d'intelligence artificielle, nous avons utilisé un réseau de neurones profonds qui a été entraîné sur l'outil Edge Impulse. [...]