Forest Fires Prevention Employing Artificial Intelligence

Abstract

Forest fires are a global concern with severe implications for ecosystems and communities. This thesis addresses the pressing issue of forest fire prevention using artificial intelligence, specifically deep learning techniques. The research explores various aspects related to forest fires, including their patterns, triggers, effects, and existing prevention approaches. The challenges encountered during the research process, such as acquiring a comprehensive dataset and designing a lightweight yet accurate model, are discussed. The proposed system utilizes supervised machine learning, with a focus on the Light-Fire Model (LF-Model), to detect and classify forest fires. Results demonstrate the effectiveness of the system in accurately predicting fire occurrences in real-time. The limitations and trade-offs of the models are also discussed, highlighting the need for optimization and deployment considerations. By continuously refining and improving the system, this thesis contributes to the preservation of natural ecosystems and the mitigation of the devastating impact of forest fires. Les incendies de forêt sont un problème mondial qui a de graves répercussions sur les écosystèmes et les communautés. Cette thèse aborde la question urgente de la prévention des incendies de forêt en utilisant l'intelligence artificielle, en particulier les techniques d'apprentissage profond. La recherche explore divers aspects liés aux incendies de forêt, y compris leurs modèles, leurs déclencheurs, leurs effets et les approches de prévention existantes. Les défis rencontrés au cours du processus de recherche, tels que l'acquisition d'un ensemble complet de données et la conception d'un modèle léger mais précis, sont discutés. Le système proposé utilise l'apprentissage automatique supervisé, en mettant l'accent sur le modèle d'incendie léger (modèle LF), pour détecter et classer les incendies de forêt. Les résultats démontrent l'efficacité du système pour classifier avec précision les incendies en temps réel. Les limites et les compromis des modèles sont également discutés, soulignant le besoin d'optimisation et les considérations de déploiement. En affinant et en améliorant continuellement le système, cette thèse contribue à la préservation des écosystèmes naturels et à l'atténuation de l'impact dévastateur des incendies de forêt.