Проект «Прогнозирование лесных пожаров с помощью ИИ»

Авторы:

• Агапов Константин (Тимлид) (AgapovKS)
• Фадеичев Даниил (DaniilFad)
• Баландина Маргарита (SuperMBA)
• Вячин Александр (bababasbebebe)
• Зинкин Сергей (zinkin-s)
• Журавлев Александр (drSever)

Ссылка на презентацию.

О проекте

Ежегодно лесные пожары приносят громадный ущерб природе и экономике. В частности, человеческий фактор играет ключевую роль в возникновении возгораний — от неосторожного обращения с огнём до неконтролируемых сельскохозяйственных палов. Своевременное обнаружение пожара или предсказание его возникновения — важная задача, способная снизить потери и спасти жизни.

Наш проект направлен на применение искусственного интеллекта для автоматической классификации изображений лесных территорий с целью выявления возможных очагов возгорания. В итоге, интеграция этой модели в системы мониторинга и раннего оповещения может оказать существенную помощь в предотвращении катастрофических последствий.

Основные задачи проекта

• Предсказание наличия пожара: Распознавание очагов возгорания по данным аэроснимков и фотографий.
• Поддержка принятия решений: Сокращение времени реакции служб МЧС, лесоохранных органов и волонтёров.
• Сокращение ущерба: Снижение экономических и экологических потерь за счёт более раннего обнаружения и быстрого реагирования на пожар.

Актуальность

• Экономический аспект: Миллионы рублей уходят на тушение, восстановление лесов и покрытие ущерба от огня.
• Экологическая значимость: Леса — это сложные экосистемы, играющие ключевую роль в хранении углерода, регуляции климата и поддержании биоразнообразия.
• Защита населения: Своевременное предупреждение о пожарах снижает риски для жизни и здоровья людей.

Структура репозитория

• flask_server/:

  • Веб-сервер на Flask для классификации изображений.
  • Возможность загрузки изображения с интерфейсом «drag-and-drop» или выбором файла.
  • Возврат результата классификации: «пожар» или «нет пожара» с соответствующей вероятностью.
  • В директории models/ хранится обученная модель .tflite.

• model_train/:

  • Содержит скрипты и ноутбук flame_project.ipynb для обучения модели.
  • Подробное описание используемого датасета FLAME.
  • Шаги предобработки данных, анализ, обучение модели и инференс.
  • Итоговые результаты: сохранённые модели (Keras и TFLite).

• theme_analysis/:

  • Jupyter-ноутбук с анализом проблемы лесных пожаров.
  • Статистика по экономическим потерям, ущербу экосистем, сезонности и распределению пожаров по типам и причинам.
  • Визуализация данных, подтверждающая значимость раннего обнаружения и контроля.

Технологии и инструменты

• Языки и фреймворки:

  • Python 3.8+
  • Flask (серверная часть)
  • TensorFlow/Keras (обучение модели)

• Модель:

  • Глубокая сверточная нейронная сеть (CNN).
  • Использование архитектуры Xception (см. ноутбук в model_train для деталей).
  • Достигнута точность валидации ~0.98, на тестовой выборке результаты варьируются в зависимости от класса (60-90%).

• Аналитика и визуализация:

  • Jupyter Notebook для прототипирования, анализа данных и экспериментов.
  • Matplotlib, Plotly и другие библиотеки для графического представления информации.

• Управление проектом:

  • GitHub для контроля версий.

Установка и использование

1. Клонируйте репозиторий Flame:

   git clone https://github.com/drSever/Flame.git
   cd Flame/flask_server
   

2. Установите необходимые библиотеки:

   pip install -r requirements.txt
   

3. Запустите Flask-приложение из папки flask_server:

   python app.py
   

4. Перейдите по адресу http://127.0.0.1:5000, загрузите изображение и нажмите «Submit» для выполнения классификации.

Дальнейшее развитие

• Улучшение точности: Добавление дополнительных данных, аугментации и подбор гиперпараметров.
• Прогнозирование риска пожара: Интеграция с метеоданными (температура, влажность, скорость ветра) для предиктивного анализа.
• Расширение функционала: Визуализация результатов на карте, предоставление рекомендаций по профилактике.
• Интеграция с реальными системами: Подключение к дроновым патрулям, ЛЭП-мониторингу и пожарно-наблюдательным станциям.

Лицензия

Проект распространяется по лицензии MIT. Подробности в файле LICENSE.