Orman Yangını Tespit Projeleri, Veri Setleri ve Akademik Çalışmalar

Orman Yangını Tespit Projeleri, Veri Setleri ve Akademik Çalışmalar

Projeniz için derlenmiş kapsamlı bir literatür araştırması ve veri seti analizi aşağıda sunulmaktadır.

1. Termal ve RGB Görüntüleme İçin Veri Setleri

FLAME Veri Seti Serisi

FLAME 1 ve FLAME 2​

• İçerik: RGB ve kızılötesi (IR) görüntü çiftleri içeren çok modaliteli veri seti

• Boyut: 53,451 RGB/IR çerçeve çifti, 7 RGB ve IR video dizisi

• Çözünürlük: RGB için 3840×2160p'ye kadar, IR için 640×512p

• Konumu: Arizona, Kaibab Ulusal Ormanı'nda çekilmiş

• Etiketleme: "Yangın/yangın yok" ve "duman/duman yok" için sınırlayıcı kutular ve segmentasyon maskeleri

• Özellik: Pinyon-ardıç ormanları ve ponderosa çam ormanlarını kapsayan açık kanopi ortamı

• Erişim: IEEE Dataport üzerinden erişilebilir, Creative Commons Attribution (CC BY) lisansı altında

FLAME 3​

• İçerik: Görsel spektrum ve radyometrik termal görüntüleme (radiometric TIFF formatı)

• Yenilik: İlk kapsamlı radyometrik termal UAV görüntüleme veri seti

• Özellik: Piksel başına sıcaklık tahminleri sağlar

• Kullanım: Yangın tespiti, segmentasyonu ve değerlendirme görevleri için

• Erişim: Kaggle'da bilgisayar görme alt kümesi mevcut, tam 6 yanma seti istek üzerine

WIT-UAS (Wildland-fire Infrared Thermal Dataset)​

• İçerik: Uzun dalga kızılötesi (LWIR) termal görüntüler

• Boyut: 6,951 görüntü, bunlardan 2,062'si etiketlenmiş

• Etiketler: İnsanlar (1,542 etiket) ve araçlar (5,030 etiket)

• Sensörler: FLIR Boson 640 (640×512) ve Seek S304SP (320×240)

• Ortam: Pennsylvania'daki kontrollü öngörülen yangınlar

• Format: Pascal VOC formatında sınırlayıcı kutular

• Bölünme: %70 eğitim, %15 doğrulama, %15 test

• Erişim: GitHub'da açık kaynak (https://github.com/castacks/WIT-UAS-Dataset)

• Özellik: ROS bag dosyaları ile tam sensör ve robot verisi içerir

FireMan-UAV-RGBT​

• İçerik: UAV'den toplanan RGB ve termal video verisi

• Ortam: Finlandiya'nın boreal ormanları

• Özellik: Manuel ve yarı-otomatik etiketleme (termal bilgi kullanılarak RGB segmentasyonu geliştirilmiş)

• Model Testleri: ResNet50 ve YOLOv8 ile değerlendirilmiş

• Erişim: Zenodo üzerinden halka açık (https://zenodo.org/records/13732947)

D-Fire Dataset​

• İçerik: Yangın ve duman görüntüleri

• Boyut: 21,000'den fazla görüntü

• Kategoriler:

  • Sadece yangın: 1,164 görüntü

  • Sadece duman: 5,867 görüntü

  • Yangın ve duman: 4,658 görüntü

  • Hiçbiri: 9,838 görüntü

• Sınırlayıcı Kutular: Yangın için 14,692, duman için 11,865

• Format: YOLO formatında normalize edilmiş koordinatlar

• Erişim: GitHub üzerinden açık kaynak

• Ek Kaynaklar: Eğitilmiş modeller ve gözetim videoları mevcut

2. Uydu Görüntüleme İçin Veri Setleri

Sen2Fire Dataset​

• İçerik: Sentinel-2 çok spektral veri ve Sentinel-5P aerosol ürünü füzyonu

• Boyut: 2,466 görüntü yaması (512×512 piksel)

• Bantlar: 13 bant (12 Sentinel-2 + 1 aerosol indeksi)

• Konum: Yeni Güney Galler, Avustralya (2019-2020 yangın sezonu)

• Etiketler: MOD14A1 V6.1 küresel günlük yangın ürününden alınmış

• Bölünme: 1,458 eğitim, 504 doğrulama, 504 test yaması

• Erişim: Zenodo'da mevcut (https://zenodo.org/records/10881058)

• Özellik: Spektral indeksler (NBR, NDVI) ile kombinasyon çalışmaları

Landsat ve Sentinel Tabanlı Veri Setleri​

• Google Earth Engine (GEE) üzerinden erişilebilir

• Landsat 8: 11 spektral bant, 30m çözünürlük

• Sentinel-2: 13 spektral bant, 10m çözünürlük

• Kullanım: NBR (Normalized Burn Ratio) ve dNBR hesaplamaları için

• Avantaj: Uzun vadeli arşiv verisi ve ücretsiz erişim

MODIS ve VIIRS Aktif Yangın Verileri​

• MODIS (MCD14ML): 1km çözünürlük, günlük yangın/sıcak nokta verisi

• VIIRS (VNP14IMG): 375m çözünürlük, gelişmiş mekansal hassasiyet

• Erişim: NASA FIRMS (Fire Information for Resource Management System)

• Format: CSV dosyaları, koordinatlar ve güven değerleri içerir

• Sınırlama: Küçük yangınlarda (<1 ha) düşük tespit oranı (%0.6-25.6)​

• Avantaj: Küresel kapsama, gerçek zamanlı güncellemeler

3. Öne Çıkan Akademik Çalışmalar ve Yöntemler

YOLO Tabanlı Yangın Tespiti

YOLOv8 ile Yangın Tespiti​

• Model: YOLOv8 nesne tespit algoritması

• Performans: mAP 0.6, kesinlik 0.7, geri çağırma 0.57

• Özellik: Gerçek zamanlı tespit için optimize edilmiş

YOLOv5 ile Çok Modlu Yangın Tespiti​

• Yaklaşım: 4 kanallı tek akışlı tespit yöntemi

• Girdi: RGB ve termal görüntüleri birleştirme

• Gelişmeler: C3CBAM modülü (CBAM dikkat mekanizması entegrasyonu), SIoU kayıp fonksiyonu

• Avantaj: Düşük hesaplama yükü ile yüksek doğruluk

YOLOv7 ile İyileştirilmiş Yangın Tespiti​

• Geliştirmeler: CBAM dikkat mekanizması, SIoU kayıp fonksiyonu, görüntü iyileştirme

• Performans: Kesinlik %78.8, geri çağırma %65.4, mAP %75.9

• Özellik: Hem alev hem de duman tespiti için optimize edilmiş

FCMI-YOLO (Edge Cihazlar İçin)​

• Hedef: Edge cihazlarda gerçek zamanlı yangın tespiti

• Performans: mAP@50%88.0, 91.2 FPS (PC'de), 23.4 FPS (edge cihazında)

• Optimizasyonlar: FasterNext modülü, CCFM ve MLCA mekanizmaları, Inner-DIoU kayıp fonksiyonu

• Avantaj: %40 parametre azaltma, YOLOv5s'e kıyasla %28.9 GFLOP

U-Net Tabanlı Yanmış Alan Segmentasyonu

U-Net ile Yanmış Alan Haritalama​

• Yaklaşım: Sentinel-2 ve Landsat görüntülerinden segmentasyon

• Girdi Stratejileri: RGB, SWIR, NBR ve NDVI kombinasyonları

• Performans: Dice Katsayısı 0.86-0.93

• Transfer Öğrenme: Landsat-8'den PlanetScope'a transfer öğrenme​

Burned Area Mapping with U-Net​

• Veri: PlanetScope yüksek çözünürlüklü görüntüleme

• Yöntem: Semantik segmentasyon

• Performans: F1 skorları 0.883-0.939, genel doğruluk 0.990-0.997

• Ek Veri: NDVI, GLCM dissimilarity, arazi örtüsü haritaları

Çok Modlu Füzyon Yöntemleri

RGB-Thermal Adaptive Modality Learning​

• Yaklaşım: Modality-spesifik ve paylaşılan özelliklerin adaptif öğrenimi

• Mimari: Paralel encoder'lar, üç bağımsız etiket gözetimi

• Veri Seti: Yeni RGB-T eşlenmiş yangın segmentasyon veri seti

• Avantaj: Gece ve gündüz yangın tespiti

Multi-Modal Fire Detection (RGB + IR)​

• Veri Seti: FLAME2 üzerinde test edilmiş

• Sınıflandırma: Duman içermeyen yangın, duman içeren yangın, yangın içermeyen duman

• Performans: %99 doğruluk

• Yöntem: Ensemble öğrenme ve K-fold validasyon

Edge AI ve Gömülü Sistemler

Compressed Deep Learning for Edge AI​

• Platform: NVIDIA Jetson Xavier

• Performans: %98 test doğruluğu, gerçek zamanlı işleme

• Optimizasyon: 3-18× hızlanma, 38-106× bellek azaltma, 35-63× enerji tasarrufu

• Özellik: Açıklanabilir AI (XAI) entegrasyonu

UAV-Based Real-Time Detection​

• Model: YOLOv8 ve YOLOv5 ile karşılaştırma

• Platform: NVIDIA Jetson Nano

• Özellik: Otomatik gözetleme ve ground station arayüzü

• Performans: YOLOv8 sınıflandırma %96, YOLOv8n nesne tespiti %89

4. Önerilen Metodolojiler ve Bulgular

Literatür Tabanlı Öneriler

Veri Füzyonu Stratejileri​

• Multi-sensor füzyon: BP sinir ağları ile veri entegrasyonu

• Karar mekanizmaları: Kural tabanlı güvenilirlik puanlama

• Avantaj: Yanlış alarm oranını düşürme

Spektral İndeksler ve Bant Seçimi​

• NBR (Normalized Burn Ratio): NIR ve SWIR bantları kullanarak yanmış alan tespiti

• NDVI: Bitki örtüsü sağlığı ve yangın etkisi değerlendirmesi

• Bulgular: Tüm bantlar yerine seçici bant kombinasyonları daha iyi performans gösterir

GIS Entegrasyonu​

• Fire Weather Index (FWI): Kanada Orman Yangını Hava İndeksi Sistemi

• Dinamik risk haritalama: Coğrafi verilerle yangın tehlikesi tahmini (72 saate kadar)

• Kullanım: Kaynak tahsisi, tahliye planlaması, erken uyarı sistemleri

5. Projeniz İçin Öneriler

Veri Seti Seçimi

1. Termal+RGB İçin: FLAME 2/3 veya FireMan-UAV-RGBT veri setlerini kullanın

2. Uydu Verisi İçin: Sen2Fire veya Google Earth Engine üzerinden Sentinel-2/Landsat erişimi

3. Aktif Yangın Tespiti: NASA FIRMS'den MODIS/VIIRS verilerini entegre edin

4. Eğitim Augmentasyonu: D-Fire veri setini ek eğitim verisi olarak kullanabilirsiniz

Model Mimarisi

• YOLO: YOLOv8 veya YOLOv11 kullanarak termal ve RGB görüntülerde gerçek zamanlı tespit​

• U-Net: Sentinel-2/Landsat görüntülerinden yanmış alan segmentasyonu​

• Füzyon: 4 kanallı YOLOv5 mimarisi ile RGB-Thermal füzyonu​

Performans Metrikleri

• Tespit: mAP@0.5 > %85, Precision > %75, Recall > %65

• Segmentasyon: Dice Coefficient > 0.85, IoU > 0.80

• Edge Deployment: >20 FPS (Jetson Nano/Xavier)

Önemli Bulgular

1. Thermal + RGB füzyonu tekil modalitelere göre yanlış pozitifleri önemli ölçüde azaltır​

2. Transfer learning Landsat verisiyle eğitim sonrası yüksek çözünürlüklü veri üzerinde ince ayar yapılması başarılı​

3. Aerosol verisi entegrasyonu Sentinel-5P ile yangın tespitini iyileştirir​

4. SWIR bantları yüksek sıcaklık kaynakları için en hassas tespit sağlar​

5. NBR ve dNBR yanma şiddeti haritalama için altın standart​

6. Erişim Linkleri ve Kaynaklar

GitHub Repoları:

• WIT-UAS: https://github.com/castacks/WIT-UAS-Dataset

• FLAME-2: https://github.com/XiwenChen-Clemson/Flame_2_dataset

• D-Fire: https://github.com/gaia-solutions-on-demand/DFireDataset

Veri Platformları:

• IEEE Dataport (FLAME 2)

• Zenodo (Sen2Fire, FireMan-UAV-RGBT, FLAME 3)

• NASA FIRMS: https://firms.modaps.eosdis.nasa.gov

• Google Earth Engine: https://earthengine.google.com

Kaggle Veri Setleri:

• FLAME 3 Computer Vision Subset

• NASA FIRMS Active Fire Data

• Forest Fire Detection datasets​