WALDRÄN DEN Die Erfindung betrifft ein Verfahren zur Waldbrandfrüherkennung mit den Verfahrensschritten Implementation von Machine-Learning-Daten (ML-Daten) zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem, Erfassung von Messdaten durch ein Endgerät des Waldbrandfrüherkennungssystems und Ermitteln von Ergebnisdaten durch Anwendung der ML-Daten auf die von dem Endgerät erfassten Messdaten, wobei die ML-Daten in dem Endgerät implementiert sind, sowie ein Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk.

Stand der Technik

Je größer ein Waldbrand ist, desto schwieriger ist dessen Ausbreitungsrichtung und Ausbreitungsgeschwindigkeit bestimmbar. Wetter, Wind, die Bodenbeschaffenheit und die Vegetation bestimmen dessen Weg und Ausbreitungsgeschwindigkeit, die sich innerhalb kurzer Zeit wieder ändern kann. Es ist daher sehr wichtig, einen Waldbrand sehr früh zu erkennen, um Schäden gering und den Waldbrand kontrollierbar zu halten bzw. der Feuerwehr einen entscheidenden Zeitvorteil zu gegeben.

Während eines Waldbrandes laufen die komplexen thermischen Abbauprozesse (Destillation, Pyrolyse, Verkohlung und die Oxidation der entstehenden Gasprodukte bei der Flammenverbrennung) gleichzeitig und oft in unmittelbarer Nähe zueinander ab. Der thermische Abbau von Brennstoffen erfolgt vor und entlang der Feuerlinie, während Enklaven mit intermittierender offener Flamme oft weit hinter der Flammenfront bestehen bleiben.

Die Flammenverbrennung liegt im Allgemeinen zwischen 800°C - 1200°C. Schwelende Bodenbrände liegen zwischen 300°C - 600°C. Brennbare Gase, insbesondere flüchtige organische Verbindungen (englisch volatile organic compounds, kurz VOC) werden bei Temperaturen über 200°C schneller gebildet und erreichen ihren Höhepunkt bei 320°C. VOC ist die Sammelbezeichnung für organische, kohlenstoffhaltige Stoffe, die bei Raumtemperatur oder höheren Temperaturen durch Verdampfen in die Gasphase übergehen, insbesondere Terpene. Außerdem werden verschiedene organische Verbindungen, z.B. Methanol, und Kohlendioxid sowie Kohlenmonoxid und molekularer Wasserstoff gebildet. Die flammende Verbrennung beginnt erst bei 425°C bis 480°C. Flammentemperaturen von 700°C bis 1300°C sind am häufigsten. In diesem Temperaturbereich werden vor allem Kohlendioxid, Stickoxide und flüchtige schwefelhaltige Verbindungen (VSC), insbesondere Schwefeldioxid, gebildet. Schwelbrände breiten sich langsam aus, ca. 3 cm/h, sie können für mehrere Stunden Bodentemperaturen über 300°C mit Spitzentemperaturen von 600°C erzeugen.

Die folgende Tabelle zeigt die bei einem Waldbrand gebildeten Gase, gestaffelt nach der Temperatur:

Eine mögliche Hilfe bei der Erfassung eines Waldbrandes bieten Erdbeobachtungsdaten, insbesondere in Form von Luft- und Satellitenbildern. Der starke Anstieg an verfügbaren Erdbeobachtungsdaten, insbesondere durch Luft- und Satellitenbilddaten, ermöglicht eine weiträumige Erfassung der Waldbrände. So nützlich die Satellitendaten für die Erkennung und Bekämpfung von Bränden sind, weisen sie einen Nachteil auf: Sie erreichen die Einsatzkräfte meist nur mit Verzögerung, weil geostationäre Satelliten aufgrund ihrer großen Entfernung nur geringe Bildauflösungen liefern und nicht-geostationäre Satelliten einen Erdumlauf durchführen müssen, bevor sie neue Aufnahmen bereitstellen können. Eine weitere Möglichkeit zur Detektion von Waldbränden besteht darin, ein Netz aus Gassensoren direkt im Wald zu installieren, die bei der Entstehung von Waldbränden auftretende Gase detektieren und so sehr frühzeitig Waldbrände erkennen zu können, bevor diese durch optische Systeme aus der Entfernung erkennbar werden. Aufgrund des unterschiedlichen Bewuchses von Wäldern und der unterschiedlichen Beschaffenheit von Böden entstehen aber auch unterschiedliche Gase und Gaskonzentrationen, sodass eine fehlerfreie Detektion sehr schwierig ist. Darüber hinaus entstehen schon allein durch die in den unterschiedlichen Phasen der Waldbrandentstehung anwachsenden Temperaturen unterschiedliche Gase und Gaskonzentrationen. Da das Ausrücken von Einsatzkräften aber sehr teuer ist, soll die Detektionsgenauigkeit verbessert werden.

Es ist daher Aufgabe der vorliegenden Erfindung, ein Verfahren zur Waldbrandfrüherkennung bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist, sowie eine Erfassung und Vorhersage der Ausbreitungsrichtung und -geschwindigkeit eines Waldbrandes ermöglicht. Es ist ebenfalls Aufgabe der Erfindung, ein Waldbrandfrüherkennungssystem bereitzustellen, das zuverlässig arbeitet, beliebig erweiterbar und kostengünstig in Installation und Unterhalt ist, sowie eine Erfassung und Vorhersage der Ausbreitungsrichtung und -geschwindigkeit eines Waldbrandes ermöglicht.

Die Aufgabe wird mittels des Verfahrens zur Waldbrandfrüherkennung gemäß Anspruch 1 gelöst. Vorteilhafte Ausführungen der Erfindung sind in den Unteransprüchen 2 bis 14 dargelegt.

Das erfindungsgemäße Verfahren zur Waldbrandfrüherkennung weist drei Verfahrensschritte auf: Im ersten Verfahrensschritt werden ML-Daten zur Detektion von Waldbränden in ein Waldbrandfrüherkennungssystem implementiert. ML-Daten sind im Rahmen dieser Schrift Daten, die mittels des Algorithmus eines Machine-Learning-Modells erstellt werden. Im zweiten Verfahrensschritt werden Messdaten durch ein Endgerät des Waldbrandfrüherkennungssystems erfasst. Das Endgerät verfügt dazu über eine oder mehrere geeignete Sensorvorrichtungen zur z.B. Gasanalyse und/oder ist mit derartigen Sensorvorrichtungen verbunden. Im dritten Verfahrensschritt werden Ergebnisdaten durch Anwendung der ML-Daten auf die von dem Endgerät erfassten Messdaten ermittelt. Das Machine-Learning-Modell wird in dieser Erfindung zur Verbesserung der Effizienz der Sensorvorrichtung des Endgerätes genutzt. Der Algorithmus des Modells ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Endgerät Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von der Sensorvorrichtung ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.

Die von dem Endgerät erfassten und übermittelten Messwerte werden in ein Machine- Learning-Modell eingebunden zur Erstellung von Modellen zur Detektion von Waldbränden. Die Daten zur Detektion von Waldbränden werden über APIs und grafische Tools verfügbar gemacht. Mit derartigen Modellen kann die Detektion eines Brandes auch in entlegenen Gebieten erfolgen. Durch die Auswertung dieser Daten können Aussagen überdas aktuelle Lagebild nach Waldbränden getroffen werden.

Erfindungsgemäß sind die ML-Daten in dem Endgerät implementiert anstatt in einer zentralen Einheit, z.B. einem Netzwerkserver. Ein Waldbrandfrüherkennungssystem weist üblicherweise über eine Vielzahl von Endgeräten auf, die weiträumig verteilt sind und über autarke Energieversorgungssysteme verfügen. Die Implementation der ML-Daten in dem Endgerät ermöglicht eine Anpassung und Anwendung des Machine-Learning-Modells auf die Gegebenheiten vor Ort des jeweiligen Endgerätes, gleichzeitig ist der Energieverbrauch eines einzelnen Endgerätes verringert, da nur eine reduzierte Datenmenge übertragen werden muss.. In einer weiteren Ausführung der Erfindung werden die Ergebnisdaten auf dem Endgerät ermittelt. Das Endgerät verfügt dazu über eine Auswertevorrichtung. Die Ergebnisdaten werden ermittelt, indem auf die von dem Endgerät erfassten Messdaten ML-Daten angewendet werden.

In einer weiteren Gestaltung der Erfindung werden die Ergebnisdaten an den Netzwerkserver übermittelt. Auf dem Netzwerkserver stehen die Ergebnisdaten weiteren Anwendungen zur Verfügung, mit denen ein Waldbrand detektiert und erfasst wird. Durch die Einbindung der Messdaten in ein Machine-Learning-Modell werden mittels des Netzwerkservers außerdem Modelle zur Detektion von Waldbränden erstellt. Die Ergebnisdaten können hierbei das Ergebnis des Vergleichs der Messdaten mit den ML- Daten umfassen, auch nur eine Bewertung des Vergleichs der Messdaten mit den ML- Daten und/oder ein einfaches Warnsignal. In jedem Fall ist den Ergebnisdaten zu entnehmen, ob ein Waldbrand durch den Sensor des Endgerätes detektiert wurde.

In einer Weiterbildung der Erfindung wird nur ein Teil der Ergebnisdaten und/oder eine Bewertung der Ergebnisdaten an den Netzwerkserver übermittelt.

In einer vorteilhaften Ausbildung der Erfindung erfolgt die Übermittlung mittels Protokollen wie LoRa, LoRaWAN und/oder IP. LoRa kommt mit besonders geringer Energie aus und basiert auf einer Zirpenfrequenzspreizungsmodulation entsprechend dem US-Patent US 7791415 B2. Lizenzen zur Nutzung werden durch ein Gründungsmitglied des Industriekonsortiums, die Firma Semtech vergeben. LoRa verwendet lizenz- und genehmigungsfreie Funkfrequenzen im Bereich unter 1 GHz, wie zum Beispiel 433MHz und 868MHz in Europa oder 915MHz in Australien und Nordamerika und erlaubt damit eine Reichweite von mehr als 10 Kilometer in ländlichen Gebieten bei geringstem Energieverbrauch. Die LoRa-Technik besteht einerseits aus dem physikalischen LoRa- Protokoll und dem LoRaWAN-Protokoll, das als obere Netzwerkschicht von dem Industriekonsortium LoRa Alliance definiert und verwaltet wird. LoRaWAN-Netzwerke setzen eine sternförmige Architektur mittels Gateways-Nachrichtenpakete zwischen den Endgeräten und dem zentralen Netzwerkserver um. Die Gateways (auch Konzentratoren oder Basisstationen genannt) sind an den Netzwerkserver über das Standard-Internet- Protokoll angebunden, während die Endgeräte per Funk über LoRa (Zirpenfrequenzspreizungsmodulation) oder FSK (Frequenzmodulation) mit dem jeweiligen Gateway kommunizieren. Die Funkanbindung ist somit ein Single-Hop-Netzwerk, bei dem die Endgeräte direkt mit einem oder mehreren Gateways kommunizieren, die den Datenverkehr dann ans Internet weiterleiten. Umgekehrt wird der Datenverkehr vom Netzwerk-Server zu einem Endgerät nur über ein Gateway geführt. Die Datenkommunikation funktioniert grundsätzlich in beide Richtungen, allerdings ist der Datenverkehr vom Endgerät zum Netzwerk-Server die typische Anwendung und die vorherrschende Betriebsart. Durch die Überbrückung größerer Entfernungen bei einem sehr niedrigen Energieverbrauch ist LoRaWAN insbesondere für loT-Anwendungen außerhalb von Siedlungen geeignet.

Auf der physikalischen Ebene nutzt LoRaWAN, wie andere Funkprotokolle für loT- Anwendungen, die Streu-Spektrum-Modulation. Sie unterscheidet sich durch die Verwendung einer adaptiven Technik, die auf Chirp-Signalen basiert, im Gegensatz zu herkömmlicher DSSS (Direktsequenz-Streu-Spektrum-Signalisierung). Die Chirp-Signale bieten einen Kompromiss zwischen Empfangsempfindlichkeit und maximaler Datenrate. Ein Chirp-Signal ist ein Signal, dessen Frequenz im Laufe der Zeit variiert. Die LoRaWAN- Technik lässt sich kostengünstig implementieren, da sie nicht auf eine präzise Taktquelle angewiesen ist. Die Reichweiten von LoRa erstrecken sich bis zu 40 Kilometer in ländlichen Gebieten. In der Stadt liegt der Vorteil in einer guten Gebäudedurchdringung, da auch Keller erreichbar sind. Der Strombedarf liegt mit rund 10 nA und 100 nA im Ruhemodus sehr niedrig. Somit ist eine Batterie-Lebensdauer von bis zu 15 Jahren erreichbar.

LoRaWAN definiert und verwendet eine Stern-Topologie Netzwerkarchitektur, bei der alle die Blattknoten über das jeweils am besten geeignete Gateway kommunizieren. Diese Gateways übernehmen das Routing und können, wenn sich mehr als ein Gateway in der Reichweite eines Blattknotens befindet, und das lokale Netzwerk überlastet ist, die Kommunikation auch auf eine Alternative umleiten. Einige andere loT-Protokolle (beispielsweise ZigBee oder Z-Wave) verwenden hingegen sogenannte Mesh-Netzwerkearchitekturen, um die maximale Entfernung eines Endgeräts Blattknotens von einem Gateway zu erhöhen. Die Endgeräte des Mesh-Netzwerks leiten dabei die Nachrichten untereinander weiter, bis diese ein Gateway erreichen, welche die Nachrichten an das Internet übergibt. Mesh-Netzwerke programmieren sich selbst und passen sich dynamisch an die Umgebungsbedingungen an, ohne einen Master-Controller oder eine Hierarchie zu benötigen. Um Nachrichten weiterleiten zu können, müssen die Endgeräte eines Mesh-Netzwerks jedoch entweder ständig oder in regelmäßigen Abständen empfangsbereit sein und können nicht über lange Zeiträume in den Ruhezustand versetzt werden. Die Folge ist ein höherer Energiebedarf der Knoten- Endgeräte für das Weiterleiten von Nachrichten zu und von den Gateways sowie eine die daraus resultierende Verkürzung der Batterielebensdauer.

Die Stern-Netzwerkarchitektur von LoRaWAN erlaubt hingegen den Endgeräten, sich über lange Zeiträume in den stromsparenden Ruhezustand zu versetzen und stellt dadurch sicher, dass die Batterie der Endgeräte so wenig wie möglich belastet wird und somit über mehrere Jahre ohne Batteriewechsel betrieben werden kann. Das Gateway fungiert dabei als Brücke zwischen einfachen und für die Batterielebensdauer optimierten Protokollen (LoRa / LoRaWAN), welche sich besser für ressourcenbeschränkte Endgeräte eignen, und dem Internetprotokoll (IP), das zur Bereitstellung von loT-Diensten und Anwendungen eingesetzt wird. Nachdem das Gateway die Datenpakete vom Endgerät über LoRa / LoRaWAN empfangen hat, sendet es diese über das Internetprotokoll (IP) an einen Netzwerkserver, der wiederum über Schnittstellen zu loT-Plattformen und Applikationen verfügt.

In einerweiteren Ausgestaltung der Erfindung werden die Ergebnisdaten auf dem Endgerät gesammelt. Die Ergebnisdaten werden so lange in dem Speicher des Endgerätes gesammelt, bis sie innerhalb eines Download-Receive-Fensters als Datenpaket über ein oder mehrere Gateways an den Netzwerkserver übermittelt werden. Das Endgerät muss kein permanent aktives Download-Receive-Fenster besitzen und daher permanent aktiv sein, wie bei einem Endgerät der Klasse C, sondern kann beispielsweise auch ein Klasse A oder Klasse B Endgerät gemäß LoRaWAN-Spezifikation sein. Der Energiebedarf eines Endgerätes wird so minimiert. In einer weiteren Ausführung der Erfindung werden die Ergebnisdaten in festgelegten Intervallen an den Netzwerkserver übermittelt. Die Endgeräte werden in drei unterschiedliche bidirektionale Varianten eingeteilt: Klasse A umfasst eine Kommunikation nach dem ALOHA-Zugriffsverfahren. Bei diesem Verfahren sendet das Gerät seine erzeugten Datenpakete an das Gateway, gefolgt von zwei Download-Receive-Fenstern, die für einen Datenempfang genutzt werden können. Ein erneuter Datentransfer kann nur durch das Endgerät bei einem erneuten Upload initiiert werden. Klasse B-Endgeräte öffnen hingegen zu festgelegten Zeiten Download-Receive-Fenster. Dazu empfängt das Endgerät ein zeitgesteuertes Beacon-Signal vom Gateway. Damit weiß ein Netzwerk-Server, wann das Endgerät zum Empfang von Daten bereit ist. Endgeräte der Klasse C besitzen ein permanent geöffnetes Download-Receive-Fenster und sind damit permanent aktiv, weisen aber auch einen erhöhten Stromverbrauch auf. Zur Minimierung des Energiebedarfs der Endgeräte werden zur Ausführung des erfindungsgemäßen Verfahrens üblicherweise nur Endgeräte der Klasse A und B eingesetzt. In einer Weiterbildung der Erfindung sind die Intervalle zeitbasiert oder datenvolumenbasiert festgelegt. Endgeräte der Klasse B übertragen die Ergebnisdaten zu festgelegten Zeiten. Endgeräte der Klasse A können ebenfalls die Ergebnisdaten zu festgelegten Zeiten an den Netzwerkserver senden. Sie können aber auch die Möglichkeit aufweisen, die Ergebnisdaten dann zu übertragen, wenn die Ergebnisdaten ein festgelegtes Datenvolumen aufweisen. Damit wird vermieden, dass das Datenvolumen zu groß für den Speicher des Endgerätes ist.

In einer weiteren Gestaltung der Erfindung weist das Endgerät eine Kommunikationseinheit auf. Mittels der Kommunikationseinheit werden die Ergebnisdaten vom Endgerät an den Netzwerkserver übermittelt. Die Kommunikationseinheit wird nach der Übermittlung der Ergebnisdaten deaktiviert, um den Energiebedarf des Endgerätes zu reduzieren.

In einer vorteilhaften Ausführung der Erfindung wird auf die Ergebnisdaten ein ML- Algorithmus angewandt. Der ML-Algorithmus ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Endgerät Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von der Sensorvorrichtung ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.

In einer weiteren Ausgestaltung der Erfindung erfolgt die erste Anwendung des ML- Algorithmus zeitlich vor der Installation der Software auf dem Endgerät und/oder vor der Montage der Sensorvorrichtung innerhalb eines Waldbrandüberwachungssystems. Dafür wird bevorzugt das reinforcement learning verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Waldbrandüberwachungssystems zu maximieren. In einer vorteilhaften Ausbildung der Erfindung erfolgt eine Anwendung des ML-Algorithmus zeitlich nach der Installation der Software auf dem Endgerät und/oder nach der Montage der Sensorvorrichtung innerhalb eines Waldbrandüberwachungssystems. Dies hat den Vorteil, dass die Anpassung und Anwendung des Machine-Learning-Modells auf die Gegebenheiten Vorort angepasst werden kann. In einer erfindungsgemäßen Weiterbildung wird die Anpassung und Anwendung des Machine-Learning-Modells über ein kabelloses Netzwerk durchgeführt. Insbesondere wird die Anpassung und Anwendung des Machine- Learning-Modells des Endgerätes über die Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert. In einer Weiterbildung der Erfindung werden die neu ermittelten ML-Daten über ein kabelloses Netzwerk an die Endgeräte übermittelt. Vorteilhafterweise werden die neu ermittelten ML-Daten mittels derselben Netzwerkarchitektur an das Endgerät übertragen, mittels der das Endgerät Ergebnisdaten an einen Netzwerkserver sendet. Die Übermittlung erfolgt mittels Protokollen wie LoRa, LoRaWAN und/oder IP. Dabei sendet der Netzwerkserver die neu ermittelten ML-Daten mittels IP an ein Gateway, das Gateway über LoRa / LoRaWAN an ein Endgerät.

In einer weiteren Ausbildung der Erfindung wird Bestärkendes Lernen (englisch reinforcement learning) verwendet. Der Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Agenten (d.h. des Systems, zu dem die Lernkomponente gehört) zu maximieren. Der Algorithmus lernt eine Funktion aus gegebenen Paaren von Ein- und Ausgaben. Dabei stellt während des Lernens ein „Lehrer“ den korrekten Funktionswert zu einer Eingabe bereit. Ziel beim überwachten Lernen ist, dass dem Netz nach mehreren Rechengängen mit unterschiedlichen Ein- und Ausgaben die Fähigkeit antrainiert wird, Assoziationen herzustellen.

Die Aufgabe wird ebenfalls mittels eines Waldbrandfrüherkennungssystems mit einem LoRaWAN-Netzwerk gemäß Anspruch 15 gelöst. Vorteilhafte Ausführungen sind in den nachfolgenden Unteransprüchen dargelegt.

Das erfindungsgemäße Waldbrandfrüherkennungssystem mit einem LoRaWAN-Netzwerk weist ein Endgerät auf. Das Endgerät weist eine Sensorvorrichtung auf, die einen oder eine Mehrzahl Sensoren z.B. zur Gasanalyse aufweist. Das erfindungsgemäße Waldbrandfrüherkennungssystem weist außerdem eine erste Steuervorrichtung, eine Auswertevorrichtung zur Auswertung der von der Sensorvorrichtung gelieferten Messsignale sowie eine Vorrichtung zur Energieversorgung auf. Die Vorrichtung zur Energieversorgung ermöglicht ein autarkes Betreiben des Endgerätes, indem beispielsweise ein Akku über z.B. Solarzellen aufladbar ist. Das erfindungsgemäße io Waldbrandfrüherkennungssystem weist außerdem einen Netzwerkserver auf. Der Netzwerkserver verfügt über Schnittstellen zu weiteren Applikationen, mit denen z.B. Ausbreitungsrichtung und Ausbreitungsgeschwindigkeit eines Waldbrandes bestimmt werden können. Erfindungsgemäß ist die erste Steuervorrichtung geeignet und dafür vorgesehen, auf einen Speicher zuzugreifen, der Daten aus der Anpassung und Anwendung eines Machine-Learning-Modells aufweist. Der Algorithmus des Modells ermöglicht eine verbesserte anwendungsbezogene Erfassung der zu erfassenden Gase. Außerdem korrigiert der Algorithmus die erfasste Gaskonzentration in Bezug auf die erfasste Luftfeuchte. Zusätzlich werden die Grundlinie und Langzeitabweichungen der Messwerte kompensiert. Hierzu werden dem Sensorsystem Daten über unterschiedliche Gaszusammensetzungen und deren Konzentrationen zur Verfügung gestellt, die mit den von dem Sensor ermittelten Gaszusammensetzungen und deren Konzentrationen verglichen wird.

In einer Weiterbildung der Erfindung ist der Speicher Teil des Endgerätes. Das Endgerät weist ein Gehäuse zum Schutz der Komponenten vor Witterungseinflüssen auf. Der Speicher ist ebenfalls in dem Gehäuse angeordnet und mit der ersten Steuervorrichtung verbunden.

In einer weiteren Ausgestaltung der Erfindung ist der Netzwerkserver mit einer zweiten Steuervorrichtung gekoppelt, die dafür geeignet und dafür vorgesehen ist, ein Machine- Learning-Programm auszuführen. Die zweite Steuervorrichtung weist ein System auf, das über einen Machine-Learning-Algorithmus verfügt. Der Machine-Learning-Algorithmus verwendet Trainingsdaten zur Verbesserung des Machine-Learning-Modells.

In einerweiteren Ausbildung der Erfindung hat die zweite Steuervorrichtung Zugriff auf die von dem Endgerät erfassten Messsignale. Die vom Endgerät erfassten Messsignale sind Trainingsdaten, mit denen ein Machine-Learning-Algorithmus der zweiten Steuervorrichtung trainiert wird. In einer weiteren Ausführung der Erfindung ist die zweite Steuervorrichtung über zwei unterschiedliche Netzwerke mit dem Endgerät verbunden.

In einer weiteren Gestaltung der Erfindung weist das Endgerät einen Feuchtesensor zur Erfassung der Luftfeuchte auf. Die Luftfeuchte, insbesondere die relative Luftfeuchte, ist ein Indikator für die Waldbrandgefahr.

In einer Weiterbildung der Erfindung weist das Endgerät einen Temperatursensor zur Erfassung der Umgebungstemperatur auf. Ein offensichtlicher Indikator für das Vorhandensein eines Waldbrandes ist die Temperatur der Luft.

In einer weiteren Ausgestaltung der Erfindung weist das Endgerät einen Drucksensor zur Erfassung des Luftdrucks auf. Mittels der Erfassung des Luftdrucks können Vorhersagen der Windrichtung und Windgeschwindigkeit und somit auch der Ausbreitungsgeschwindigkeit und Ausbreitungsrichtung getroffen werden.

Ausführungsbeispiele des erfindungsgemäßen Verfahrens zur Waldbrandfrüherkennung und des erfindungsgemäßen Waldbrandfrüherkennungssystems sind in den Zeichnungen schematisch vereinfacht dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.

Es zeigen:

Fig. 1: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRa- Funknetzwerk mit Versand von Ergebnisdaten und ML-Daten

Fig. 2: Sequenzdiagramm des Waldbrandfrüherkennungssystems mittels des LoRa- Funknetzwerks Fig. 3: Waldbrandfrüherkennungssystems aufweisend ein LoRaWAN-Mesh-Gateway- Netzwerk mit Endgeräten, einem Netzwerkserver und Mesh-Gateways

Fig. 4: Sequenzdiagramm des Waldbrandfrüherkennungssystems mittels eines LoRaWAN-Mesh-Gateway-Netzwerks mit Endgeräten, einem Netzwerkserverund Mesh-Gateways

Fig. 5: Aufbau eines Waldbrandfrüherkennungssystems aufweisend ein LoRaWAN- Mesh-Gateway-Netzwerk, wiederholter Versand von Ergebnisdaten und ML-Daten

Fig. 6: Sequenzdiagramm des Waldbrandfrüherkennungssystems mittels des LoRaWAN- Mesh-Gateway-Netzwerks, wiederholter Versand von Ergebnisdaten und ML- Daten

Figur 1 zeigt ein erfindungsgemäßes Waldbrandfrüherkennungssystem 1. Das Waldbrandfrüherkennungssystem 1 weist eine Mehrzahl von Endgeräten ED auf. Ein einzelnes Endgerät ED verfügt zur Erkennung eines Waldbrandes über eine Sensoreinheit, die Sensoren zur Ermittlung der Luftfeuchte, des Luftdrucks und einen Temperatursensor aufweist. Optional oder zusätzlich verfügt ein Endgerät ED über Sensoren zur Gasanalyse und zur Erfassung der vorherrschenden Windrichtung, mit denen Zusammensetzung und Konzentration von Gasen sowie deren Ausbreitungsrichtung ermittelt wird.

Um das Endgerät ED auch in unwirtlichen und insbesondere ruralen Gegenden fernab von Energieversorgung installieren und betreiben zu können, ist ein Endgerät ED mit einer autarken Energieversorgung ausgestattet. Die Energieversorgung ist im einfachsten Fall eine Batterie, die auch wiederaufladbar gestaltet sein kann. Möglich ist aber auch der Einsatz von Kondensatoren, z.B. Superkondensatoren. Etwas aufwändiger und kostenintensiver, aber eine sehr lange Lebensdauer des Endgerätes ED bietende Energieversorgung ist der Einsatz von Solarzellen.

Das Endgerät ED weist außerdem eine Kommunikationsschnittstelle sowie eine erste Steuervorrichtung und eine Auswertevorrichtung auf. Die Kommunikationsschnittstelle des Endgerätes ED steht mit Kommunikationsschnittstellen der Gateways Gn kabellos in Verbindung. Die erste Steuervorrichtung ist mit der Kommunikationsschnittstelle und der Sensorvorrichtung verbunden und steuert diese an.

Zur Durchführung des erfindungsgemäßen Verfahrens zur Waldbrandfrüherkennung muss die Position jedes einzelnen Endgerätes ED so präzise wie möglich bekannt sein. Die Positionsbestimmung kann z.B. bei der Installation des Endgerätes ED erfolgen. Das Endgerät ED kann z.B. an einem Baum des zu überwachenden Waldes angeordnet werden und die Position des Endgerätes ED mittels eines Navigationssystems beispielsweise eines Satellitennavigationssystems, z.B. GPS (Global Positioning System) bestimmt werden.

Zur Erkennung eines Waldbrandes werden Messdaten durch die Sensorvorrichtung des Endgerätes ED des Waldbrandfrüherkennungssystems 1 erfasst. Die Erfassung der Messdaten erfolgt nicht kontinuierlich, sondern in einstellbaren Intervallen, bevorzugt wird eine Erfassung alle 5 min. Dadurch wird der Stromverbrauch des Endgerätes ED verringert. Die Steuereinheit des Endgerätes ED sammelt die Messwerte der Sensorvorrichtung und speichert diese in dem Speicher. Die erste Steuervorrichtung des Endgerätes ED generiert Ergebnisdaten RDnn, indem ML-Daten auf die erfassten Messdaten angewandt werden. Der Speicher eines Endgerätes EDn weist in diesem und allen folgenden Ausführungsbeispielen einen ML-Datensatz auf, der zeitlich vor der Installation der Software der Sensorvorrichtung und/oder insbesondere vor der Montage der Endgeräte EDn innerhalb eines Waldbrandüberwachungssystems 1 in dem Speicher abgelegt wurde.

Der ML-Datensatz MLD wird extern erzeugt. Hierzu wird beispielsweise in einem Labor Waldbestandteile, wie beispielsweise die in Wäldern vorkommende Fauna, Waldbodenbestandteile und/oderaberauf dem Waldboden befindliches Lockermaterial bei verschiedenen Temperaturen erhitzt und/oder verbrannt und die entstehenden Gase detektiert. Dies kann optional für einen mit einem Waldbrandfrüherkennungssystem 1 auszustattenden Wald spezifisch erfolgen. Der ML-Datensatz MLD wird aus diesen experimentell im Labor ermittelten Messdaten ermittelt. Es wird daher ein ML-Datensatz MLD mit Daten zu true-positive-Ereignissen erzeugt - also zu Ereignissen, deren Daten einen Waldbrand in seiner frühen Phase darstellen. Dadurch wird der Sensor in die Lage versetzt mit Hilfe seiner Steuereinheit die erfassten Messdaten mit den ML-Daten MLD zu vergleichen und bei Übereinstimmung über die Kommunikationsschnittstelle des Endgerätes ED eine entsprechende Nachricht an der Netzwerkserver NS zu senden. Der erste ML-Datensatz MLD wird auf das Endgerät ED vor der Installation des Waldbrandfrüherkennungssystems gespielt.

Das Endgerät ED ermittelt dann im Einsatz selbst die Ergebnisdaten RDnn aus den Messdaten und den ML-Daten MLD. Dies hat den Vorteil, dass das Endgerät ED nur im Falle einer Detektion eines Waldbrandes eine Nachricht an den Netzwerkserver NS versenden muss. Die Frequenz der übermittelten Daten ist damit deutlich geringer und die versendeten Datenmengen sind deutlich kleiner im Vergleich zu einem Versand der Messdaten und der Ermittlung der Ergebnisdaten RDnn auf dem Netzwerk-Server NS.

Die Ergebnisdaten RDnn werden als Datenpaket drahtlos mittels einer Single-Hop- Verbindung über LoRa (Zirpenfrequenzspreizungsmodulation) oder Frequenzmodulation an ein oder mehrere Gateways G1, G2, Gn versendet. Da hierfür nicht die Kommunikationsschnittstelle des Endgerätes ED, die üblicherweise einen hohen Energieverbrauch aufweist, genutzt wird, sondern die energiesparende Steuereinheit, wird der Energieverbrauch des Endgerätes ED reduziert.

Das Standard-LoRa-Funknetzwerk weist eine Stern-Topologie auf, bei der ein oder mehrere Endgeräte EDn direkt (Single Hub) über Funk mittels LoRa-Modulation oder FSK- Modulation an Gateways G1 , G2, Gn angebunden sind, während die Gateways G1 , G2, Gn mit dem Internetnetzwerkserver NS mittels eines Standard-Internetprotokolls IP kommunizieren. Der Internetnetzwerkserver NS ist mit einer zweiten Steuereinheit MLS verbunden, die geeignet und dafür vorgesehen ist, ein Machine-Learning-Programm auszuführen. Insbesondere wird die Software des Endgerätes über die Steuereinheit in bevorzugt regelmäßigen Abständen aktualisiert (s. Fig. 5, 6). Figur 2 zeigt ein Sequenzdiagramm eines bekannten LoRaWAN-Netzwerkes (siehe Fig. 1) gemäß LoRaWAN-Protokoll. In der Sternarchitektur eines LoRaWAN-Netzwerkes erfolgt diese Kommunikation sehr schnell, weil jedes Endgerät EDn über mindestens ein Gateway G1 mit dem Netzwerkserver NS kommuniziert. Das Endgerät ED1 erfasst mittels der im Endgerät ED1 angeordneten Sensoreinheit Messdaten. Aus diesen Messdaten erzeugt das Endgerät ED1 einen Satz von Ergebnisdaten RD1n mittels eines im Speicher des Endgerätes ED1 gespeicherten ML-Datensatzes. Der Satz von Ergebnisdaten RD1n wird von einem Endgerät ED1 an ein Gateway G1 versendet e-s. Das Gateway G1 leitet diese Ergebnisdaten RD1n weiter g-f an den Netzwerkserver NS, der die Ergebnisdaten RD1n an die zweite Steuereinheit MLS weiterleitet. Auf der zweiten Steuereinheit MLS wird ein Machine-Learning-Algorithmus auf die Ergebnisdaten RD1n angewandt und so einen ML- Datensatz MLD erzeugt. Die zweite Steuereinheit MLS sendet a-s den ML-Datensatz MLD an den Netzwerkserver NS, der den ML-Datensatz MLD zurück an das Gateway G1 sendet n-s. Das Gateway G1 leitet den ML-Datensatz MLD wiederum weiter g-f an das Endgerät ED1. Der ML-Datensatz MLD wird von dem Endgerät ED1 empfangen e-r und derart im Speicher des Endgerätes ED1 gespeichert, dass der von der zweiten Steuereinheit MLS gesendete ML-Datensatz MLD den bisher im Speicher des Endgerätes ED1 gespeicherten ML-Datensatz ersetzt.

Figur 3 zeigt eine Ausführungsform des erfindungsgemäßen Waldbrandfrüherkennungssystem 1 mit einem LoRaWAN-Mesh-Gateway-Netzwerks, bei dem die Gateways Gn (s. Fig. 1) Mesh-Gateways MGDn sind. Die Mesh-Gateways MGDn unterhalten sich mittels Multi-Hub-Funknetzwerk untereinander, und mindestens ein Mesh- Gateway MGDn - in diesem Ausführungsbeispiel die Mesh-Gateways MGD3, MGD5, MGD7 - ist über das Standard-Internetprotokoll IP mit dem Netzwerkserver NS verbunden. Die Mesh-Gateways MGDn leiten die von den Endgeräten EDn erfassten Ergebnisdaten RDnn ohne besondere Hierarchie untereinander weiter, bis ein Endgerät EDn schließlich die Ergebnisdaten RDnn an einen Netzwerkserver NS übergeben kann.

Das LoRaWAN-Mesh-Gateway-Netzwerk des Waldbrandfrüherkennungssystems 1 kann optional einen oder mehrere zweite Server aufweisen, die die Funktionalitäten des Netzwerkservers NS ausführen. Insbesondere ist der zweite Server ebenfalls wie der

Netzwerkserver NS mit der zweiten Steuereinheit MLS verbunden.

In einer weiteren Variante des LoRaWAN-Mesh-Gateway-Netzwerks weisen einige oder alle Mesh-Gateways MGDn eine Sub-Server-Einheit mit Prozessor und Speichereinheit auf, die mit einem Programm und/oder Betriebssystem und/oder Firmware ausgestattet ist, das dafür geeignet ist. gemäß LoRaWAN-Protokoll für den Netzwerkserver NS vorgesehene Funktionalitäten auszuführen. Derartige Mesh-Gateways MGDn sind also zugleich zweite Server und mit der zweiten Steuereinheit MLS verbunden. Das erfindungsgemäße Waldbrandfrüherkennungssystem 1 aufweisend ein LoRaWAN-Mesh- Gateway-Netzwerk ist daher beliebig redundant aufgebaut und weist eine hohe und insbesondere beliebig ausbaubare Ausfallsicherheit auf.

Zur Erkennung eines Waldbrandes werden Messdaten durch die Sensorvorrichtung des Endgerätes EDn des Waldbrandfrüherkennungssystems 1 erfasst. Die erste Steuervorrichtung eines jeden Endgerätes EDn generiert einen Ergebnisdatensatz RDnn, indem ML-Daten auf die erfassten Messdaten angewandt werden. Die Ergebnisdaten RDnn werden als Datenpaket drahtlos mittels einer Single-Hop-Verbindung an ein oder mehrere Mesh-Gateway MGDn versendet. Die Mesh-Gateway MGDn versenden die Ergebnisdaten RDnn mittels Multi-Hop-Verbindung untereinander, bis die Mesh-Gateways MGD3, MGD5, MGD7 die Ergebnisdaten RDnn mittels IP-Verbindung an den Netzwerkserver NS versenden. Der Netzwerkserver NS schließlich sendet die Ergebnisdaten RDnn an die zweite Steuereinheit MLS. die mit dem Netzwerkserver NS gekoppelt ist. Auf der zweiten Steuereinheit MLS wird ein Machine-Learning-Algorithmus auf die Ergebnisdaten RDnn angewandt und so ein ML-Datensatz MLD erzeugt. Der erzeugte ML-Datensatz MLD wird über Multi-Hop-Verbindung und Single-Hop-Verbindung an jedes einzelne im Waldbrandfrüherkennungssystems 1 angeordnete Endgerät EDn gesendet, m.a.W. jedes Endgerät EDn verfügt in seinem Speicher über den gleichen ML-Datensatz. Figur 4 zeigt ein Sequenzdiagramm eines LoRaWAN-Mesh-Gateway-Netzwerkes 1, das nicht mehr die typische Sternarchitektur aufweist. Hier sind zwischen Endgerät ED und Netzwerkserver NS mehrere Mesh-Gateways MGD1, MGD2, MGDn angeordnet, die nicht alle über eine Single-Hop-Verbindung zum Netzwerkserver NS verfügen. Der von einem Endgerät ED1 generierte Satz von Ergebnisdaten RD1n wird über mehrere Mesh- Gateways MGD1, MGD2, MGDn weiter g1-f, g2-f an den Netzwerkserver NS geleitet, der die Ergebnisdaten RD1 n an die zweite Steuereinheit MLS weiterleitet. Der auf der zweiten Steuereinheit MLS erzeugte ML-Datensatz MLD wird von der zweiten Steuereinheit MLS an den Netzwerkserver NS versandt a-s. Der Netzwerkserver NS wiederum sendet n-s den ML-Datensatz MLD an ein oder mehrere mittels Internetprotokoll IP mit dem Netzwerkserver NS verbundene Mesh-Gateways MGDn, die über Multi-Hop-Verbindung den ML-Datensatz MLD über weitere als Zwischenstation fungierende Mesh-Gateways MGD2, MGD1 an ein Endgerät ED1 weiterleiten g2-f, g1-f. Das Endgerät ED1 schließlich empfängt e-r den ML-Datensatz MLD und den bisher im Speicher des Endgerätes ED1 gespeicherten ML-Datensatz.

Ein weiteres Ausführungsbeispiel eines Waldbrandfrüherkennungssystem 1 zeigt Fig. 5, wobei der ML-Datensatz im Speichereines Endgerätes EDn in Abständen aktualisiert wird. Das Waldbrandfrüherkennungssystem 10 weist eine Mehrzahl von Endgeräten EDn auf, die über Single-Hop-Verbindungen mit Gateways Gn verbunden sind. Die Gateways Gn sind mit dem Netzwerkserver NS verbunden, z.B. über eine drahtgebundene Verbindung oder über eine drahtlose Verbindung mittels Internetprotokoll IP.

Zur Erkennung eines Waldbrandes werden zu einem ersten Zeitpunkt Messdaten durch die Sensorvorrichtung des Endgerätes EDn des Waldbrandfrüherkennungssystems 1 erfasst. Die erste Steuervorrichtung eines Endgerätes EDn generiert einen ersten Ergebnisdatensatz RDn1. Dieser erste Ergebnisdatensatz RDn1 wird von jedem Endgerät EDn als Datenpaket drahtlos mittels einer Single-Hop-Verbindung über LoRa (Zirpenfrequenzspreizungsmodulation) oder Frequenzmodulation an ein oder mehrere Gateways G1, G2, Gn versandt. Ein Gateway Gn sendet den ersten Ergebnisdatensatz RDn1 an den Netzwerkserver NS, der den ersten Ergebnisdatensatz RDn1 an die zweite Steuereinheit MLS sendet. Die zweite Steuereinheit MLS generiert mittels eines Machine- Learning-Algorithmus und dem ersten Ergebnisdatensatz RDn1 einen ersten ML-Datensatz MLDnl , der an die Endgeräte EDn über die Gateways G1 , G2, Gn versandt wird. Der erste ML-Datensatz MLDnl ersetzt den bisher im Endgerät EDn gespeicherten ML-Datensatz.

Zu einem späteren zweiten Zeitpunkt werden weitere Messdaten durch die Sensorvorrichtung des Endgerätes EDn des Waldbrandfrüherkennungssystems 1 erfasst. Die erste Steuervorrichtung eines Endgerätes EDn generiert einen zweiten Ergebnisdatensatz RDn2. Dieser zweite Ergebnisdatensatz RDn2 wird von jedem Endgerät EDn als Datenpaket drahtlos mittels einer Single-Hop-Verbindung an ein oder mehrere Gateways G1, G2, Gn versandt. Ein Gateway Gn sendet den zweiten Ergebnisdatensatz RDn2 an den Netzwerkserver NS, der den zweiten Ergebnisdatensatz RDn2 an die zweite Steuereinheit MLS sendet. Die zweite Steuereinheit MLS generiert mittels eines Machine- Learning-Algorithmus und dem zweiten Ergebnisdatensatz RDn2 einen zweiten ML- Datensatz MLDn2, der an die Endgeräte EDn über die Gateways G1 , G2, Gn versandt wird. Der zweite ML-Datensatz MLDn2 ersetzt den bisher im Endgerät EDn gespeicherten ersten ML-Datensatz MLDnl .

In analoger Weise wird dieses geschilderte Verfahren zur Erkennung eines Waldbrandes zu weiteren späteren Zeitpunkten ad infinitum derart durchgeführt, dass in festlegbaren Intervallen sowohl Ergebnisdatensätze RDnn an den Netzwerkserver NS und die zweite Steuervorrichtung MLS gesandt werden, als auch ML-Datensätze MLDnn an die Endgeräte EDn versandt werden. Die Intervalle können zeitbasiert und/oder datenvolumenbasiert sein.

Der ML-Algorithmus der zweiten Steuervorrichtung MLS verwendet bevorzugt reinforcement learning, der ML-Algorithmus lernt durch Belohnung und Bestrafung eine Taktik, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Waldbrandüberwachungssystems 1 zu maximieren. Die Ergebnisdatensätze RDnn der Endgeräte EDn sind Trainingsdatensätze zur Optimierung des ML-Algorithmus. Figur 6 zeigt ein Sequenzdiagramm eines Waldbrandfrüherkennungssystem 1 des vorherstehenden Ausführungsbeispiels (s. Fig. 5). Aus den Messdaten erzeugt zu einem ersten Zeitpunkt das Endgerät ED1 einen ersten Satz von Ergebnisdaten RD1n mittels des im Speicher des Endgerätes ED1 gespeicherten ML-Datensatzes. Der Satz von Ergebnisdaten RD1n wird von einem Endgerät ED1 an ein Gateway G1 versendet e-s. Das Gateway G1 leitet diese erste Ergebnisdaten RD1n weiter g-f an den Netzwerkserver NS, der die Ergebnisdaten RD1n an die zweite Steuereinheit MLS weiterleitet. Auf der zweiten Steuereinheit MLS wird der Machine-Learning-Algorithmus auf die Ergebnisdaten RD1n angewandt und so ein erster ML-Datensatz MLD1 erzeugt. Die zweite Steuereinheit MLS sendet a-s den ML-Datensatz MLD1 an den Netzwerkserver NS, der den ML-Datensatz MLD1 zurück an das Gateway G1 sendet n-s. Das Gateway G1 leitet den ML-Datensatz MLD1 wiederum weiter g-f an das Endgerät ED1. Der ML-Datensatz MLD1 wird von dem Endgerät ED1 empfangen e-r und derart im Speicher des Endgerätes ED1 gespeichert, dass der von der zweiten Steuereinheit MLS gesendete ML-Datensatz MLD1 den bisher im Speicher des Endgerätes ED1 gespeicherten ML-Datensatz ersetzt.

BEZUGSZEICH EN LISTE

1 Waldbrandfrüherkennungssystem

ED, EDn Endgeräte G, Gn Gateways NS I n te rn etn etzwe rkse rve r MLS Machine Learning Server / ML-Server aufweisend ML-Algorithmus / Zweite Steuereinheit

MGD1, MGDn Mesh-Gateways e-s Mitteilungsversand vom Endgerät e-r Mitteilungsempfang vom Endgerät g-f, g1-f, g2-f, gn-f Mitteilungsweiterleiten vom Gateway n-r Mitteilungsempfang auf dem Netzwerkserver n-s Mitteilungsversand vom Netzwerkserver a-r Mitteilungsempfang der zweiten Steuereinheit a-s Mitteilungsversand der zweiten Steuereinheit

RD1, RDn Ergebnisdaten RD1n, RDnn Ergebnisdaten des n-ten Zyklus MLD, MLDn ML-Daten MLD1n, MLDnn ML-Daten des n-ten Zyklus