İnsansız Hava Araçları ile Orman Yangınlarının Tespitinde Görüntü İşleme ve Yapay Zekâ Tabanlı Otomatik Bir Model-Reference-Cited by-同舟云学术

İnsansız Hava Araçları ile Orman Yangınlarının Tespitinde Görüntü İşleme ve Yapay Zekâ Tabanlı Otomatik Bir Model

Published:2024-04-29 Issue:2 Volume:12 Page:762-775
ISSN:2148-2446
Container-title:Düzce Üniversitesi Bilim ve Teknoloji Dergisi
language:
Short-container-title:

Author:

Engin Mustafa Alptekin¹^ORCID,Kökhan Serhan²^ORCID

Affiliation:

1. BAYBURT ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ

2. BAYBURT ÜNİVERSİTESİ, UYGULAMALI BİLİMLER FAKÜLTESİ

Abstract

Nefes almak için gereksinim duyduğumuz oksijenin büyük bir kısmı, hayatta kalabilmemiz için hayati öneme sahip olan ormanlar tarafından üretilir. Bu yüzden ormanları korumak, içinde yaşadığımız yüzyılın en önemli konu başlıklarından bir tanesidir. Dünyanın farklı coğrafyalarında (ABD, Avustralya vb.) her yıl meydana gelen orman yangınları ciddi ekonomik kayba neden olmakta ve ekosistemi olumsuz olarak etkilemektedir. Ateşin çeşitli renk, şekil ve doku özelliklerine sahip olması orman yangınlarının uzaktan algılanmasını zorlaştırmaktadır. Yapılan bu çalışmada orman yangınlarının tespitinde insansız hava araçları vasıtasıyla tamamen otomatik bir sistem önerilmiştir. Ormanlık arazinin tespitinde uydu görüntüleri üzerine görüntü bölütleme yöntemi kullanılmış, insansız hava aracının tespit edilen bölgeyi en kısa zamanda ve en az görüntü ile kontrol edebilmesi için de küme kaplama yöntemi kullanılmıştır. Daha sonra elde edilen imgeler üretilen yapay zekâya dayalı ateş algılama modeline göre değerlendirilip başlangıç ve ileri aşamadaki yangınlar tespit edilmiş ve konumları elde edilmiştir. Sonuç olarak, yapılan çalışmada yaklaşık %97,51 değerinde doğrulukla yangın tespit eden bir erken uyarı modeli önerilmektedir.

Publisher

Duzce Universitesi Bilim ve Teknoloji Dergisi

Reference49 articles.

1. [1] A. Dhall, A. Dhasade, A. Nalwade, M. Raj, and V. Kulkarni, “A survey on systematic approaches in managing forest fires,” Appl. Geogr., vol. 121, no. 102266, p. 102266, 2020.

2. [2] A. Bouguettaya, H. Zarzour, A. M. Taberkit, and A. Kechida, “A review on early wildfire detection from unmanned aerial vehicles using deep learning-based computer vision algorithms,” Signal Processing, vol. 190, no. 108309, p. 108309, 2022.

3. [3] M. A. Enoh, U. C. Okeke, and N. Y. Narinua, “Identification and modelling of forest fire severity and risk zones in the Cross – Niger transition forest with remotely sensed satellite data,” Egypt. J. Remote Sens. Space Sci., vol. 24, no. 3, pp. 879–887, 2021.

4. [4] F. Sivrikaya and Ö. Küçük, “Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean region,” Ecol. Inform., vol. 68, no. 101537, p. 101537, 2022.

5. [5] M. Naderpour, H. M. Rizeei, N. Khakzad, and B. Pradhan, “Forest fire induced Natech risk assessment: A survey of geospatial technologies,” Reliab. Eng. Syst. Saf., vol. 191, no. 106558, p. 106558, 2019.