Publication
INTELLIGENT MULTISPECTRAL UAV IMAGERY FOR FIRE MANAGEMENT AND PREVENTION
| datacite.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | |
| dc.contributor.advisor | Frazão, Luís Alexandre Lopes | |
| dc.contributor.advisor | Ramos, João Pedro Ferreira | |
| dc.contributor.author | Cruz, Mário Rui Santos | |
| dc.date.accessioned | 2025-05-27T13:23:45Z | |
| dc.date.available | 2025-05-27T13:23:45Z | |
| dc.date.issued | 2024-12-23 | |
| dc.description.abstract | A crescente ameaça de incêndios florestais na Europa Mediterrânica, particularmente em Portugal, destaca a necessidade urgente de abordagens inovadoras para a previsão de incêndios e a vigilância florestal. O risco de incêndio ainda é predominantemente avaliado com base nas condições atmosféricas, o que limita a precisão das mesmas. Leaf Water Content (LWC) é fundamental para entender a saúde da vegetação, o stress hídrico e a irrigação, o que impacta diretamente a estimativa do risco de incêndio. Esta dissertação apresenta o ForestML, uma arquitetura em tempo real que utiliza Unmanned Aerial Vehicle (UAVs) equipados com câmeras multiespectrais e algoritmos de inteligência artificial para prever e analisar florestas a partir de uma perspectiva aérea. Esta solução, o ForestML, é composta pela Ground Station, a Backstation e uma aplicação de gestão e monitoramento, que facilita a avaliação em tempo real de incêndios e riscos associados, apoiando as tomadas de decisões de especialistas. As principais vantagens desta arquitetura incluem a capacidade de processar dados em tempo real numa máquina externa, em vez de depender de modelos no dispositivo, limitados e menos confiáveis, que comprometeriam o desempenho do UAV, como o tempo de voo e a capacidade de armazenamento. Adicionalmente, um conjunto de dados exclusivo foi produzido especificamente para este trabalho. Anteriormente, não havia nenhum Dataset disponível com essas bandas e com alta precisão, pois inclui valores de LWC validados em laboratório. Além disso, é apresentada uma nova métrica de risco de incêndio baseada nos níveis de humidade no interior das folhas da vegetação, permitindo uma avaliação precisa do risco de incêndio. Criámos também um novo modelo a partir do modelo de segmentação YOLOv8 para lidar com dados multiespectrais com 5 ou 8 canais, permitindo uma extração de características melhorada e maior precisão na análise de imagens multiespectrais. O nosso modelo personalizado com 8 canais superou os modelos comuns de 3 canais. O modelo de 8 canais mostrou um desempenho superior na previsão do teor de água nas folhas, atingindo um box mAP50 e mask mAP50-95 de 90,5% e 58,5%, respetivamente. | por |
| dc.description.abstract | The escalating threat of wildfires in Mediterranean Europe, particularly in Portugal, highlights the urgent need for innovative fire prediction and forest surveillance approaches. Fire risk is still predominantly assessed based on atmospheric conditions, which limits accuracy. Leaf Water Content (LWC) is crucial in understanding vegetation health, drought stress, and irrigation, directly impacting fire risk estimation. This thesis presents ForestML, a real-time architecture leveraging Unmanned Aerial Vehicles equipped with multispectral cameras and machine learning algorithms to forecast and analyze forests from an aerial perspective. This solution, ForestML, comprises a Ground Station, a Backstation, and a Monitoring and Management Application, which facilitates real-time wildfire and fire-related risk assessment, supporting expert decision-making. The key advantages of this architecture include its ability to process data in real-time on a powerful external machine rather than relying on on-device, less reliable models, which would compromise UAV performance, such as flight time and storage capacity. Additionally, a unique dataset was produced specifically for this work. There was previously no dataset available with such spectral bands and high precision, as it includes laboratory-validated leaf water content values. Furthermore, a new fire risk metric based on humidity levels inside the leaves of the vegetation is presented, enabling acurate assessment of wildfire risk. We also created a new model from the YOLOv8 segmentation model to handle multispectral data with 5 or 8 input channels, allowing for enhanced feature extraction and improved accuracy in analyzing multispectral images. Our customized 8-channel model outperformed common 3-channel models. The model with 8 channels showed superior performance in predicting leaf water content, achieving a box mAP50 and mask mAP50-95 of 90.5% and 58.5%, respectively. | eng |
| dc.identifier.tid | 203947967 | |
| dc.identifier.uri | http://hdl.handle.net/10400.8/13001 | |
| dc.language.iso | eng | |
| dc.relation | DBoidS - Digital twin Boids fire prevention System | |
| dc.relation | Research Center in Informatics and Communications | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Engenharia informática | |
| dc.subject | Computação móvel | |
| dc.subject | Prevenção de incêndios | |
| dc.subject | Veículos aéreos não tripulados | |
| dc.subject | Incêndio florestal | |
| dc.subject | ForestML | |
| dc.subject | Inteligência artificial | |
| dc.title | INTELLIGENT MULTISPECTRAL UAV IMAGERY FOR FIRE MANAGEMENT AND PREVENTION | |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.awardTitle | DBoidS - Digital twin Boids fire prevention System | |
| oaire.awardTitle | Research Center in Informatics and Communications | |
| oaire.awardURI | info:eu-repo/grantAgreement/FCT/Concurso de Projetos IC&DT em Todos os Domínios Científicos/PTDC%2FCCI-COM%2F2416%2F2021/PT | |
| oaire.awardURI | info:eu-repo/grantAgreement/FCT/6817 - DCRRNI ID/UIDB%2F04524%2F2020/PT | |
| oaire.fundingStream | Concurso de Projetos IC&DT em Todos os Domínios Científicos | |
| oaire.fundingStream | 6817 - DCRRNI ID | |
| project.funder.identifier | http://doi.org/10.13039/501100001871 | |
| project.funder.identifier | http://doi.org/10.13039/501100001871 | |
| project.funder.name | Fundação para a Ciência e a Tecnologia | |
| project.funder.name | Fundação para a Ciência e a Tecnologia | |
| relation.isProjectOfPublication | 6ad11ec6-79a0-4e65-8dc6-a5215e236377 | |
| relation.isProjectOfPublication | 67435020-fe0d-4b46-be85-59ee3c6138c7 | |
| relation.isProjectOfPublication.latestForDiscovery | 6ad11ec6-79a0-4e65-8dc6-a5215e236377 | |
| thesis.degree.name | Mestrado em Engenharia Informática -Computação Móvel |