Maschinelles Lernen hat das Potential, unsere Art zu leben und mit unserer Umwelt zu interagieren, grundlegend zu verändern. Im Wesentlichen handelt es sich beim maschinellen Lernen lediglich um eine mathematische Form der Vorhersage zukünftiger Ereignisse auf der Grundlage vorausgehender Daten. Wird es jedoch auf umfangreiche Herausforderungen angewandt, ist maschinelles Lernen dazu in der Lage, der Menschheit den Weg in eine sicherere und bessere Zukunft zu ebnen.
Maschinelles Lernen wird insbesondere im Bereich der Notfallvorsorge als äußerst vielversprechend eingestuft. Forscher beginnen bereits allmählich damit, diese Technologie für die Vorhersage von Notfallereignissen, wie z. B. extreme Wetterphänomene, heranzuziehen, in der Hoffnung, diese rechtzeitig zu vermeiden oder ihre Auswirkungen zumindest zu minimieren.
Maschinelles Lernen bietet allen voran bei der Waldbrandortung einzigartige Einsatzmöglichkeiten, insbesondere in Verbindung mit Edge. In diesem Blog setzen wir uns mit dem Potenzial des maschinellen Lernens hinsichtlich der Waldbrandortung auseinander, und damit, warum diese Technologie mittels Edge weiterentwickelt werden sollte und wie wir dazu in der Lage waren, mithilfe von Edge Impulse einen Proof of Concept für diese Technologie zu entwickeln.
Seit Anbeginn der Zeit war die Menschheit mit der überlebenswichtigen Aufgabe konfrontiert, sich auf scheinbar aus dem Nichts auftretende Wetterereignisse wie Wirbelstürme, Erdbeben oder Waldbrände einzustellen und diesen zu trotzen. Tatsächlich suchen wir nach wie vor nach einer Methode, um derartige Ereignisse rechtzeitig vorherzusagen. Wann immer uns das gelingt, kommt die Warnung aber meist zu spät, um sich dagegen zu wappnen.
Das gilt insbesondere für Waldbrände: Wir kennen die Gegebenheiten, die Waldbrände begünstigen, deren faktischer Ausbruch gilt jedoch nach wie vor als zufälliges Ereignis. Dementsprechend waren wir bisher nicht dazu in der Lage, uns vor deren Ausbreitung und Auswirkungen effizient zu schützen, was menschliche sowie tierische Tragödien und zerstörte Waldflächen nach sich zieht. Angesichts der aktuellen Erderwärmung und Klimaveränderung erscheint die Vorsorge gegen und die Vorbereitung auf Waldbrände wichtiger denn je.
Forscher suchen bereits nach Möglichkeiten, um maschinelles Lernen zur Lösung solcher Probleme einzusetzen.
Wissenschaftler sind sich bereits seit Langem darüber im Klaren, dass bestimmte Variablen, wie z. B. die Temperatur und Feuchtigkeit der Luft und des Bodens, entscheidende Rückschlüsse auf die Waldbrandwahrscheinlichkeit einzelner Gebiete zulassen. Nichtsdestotrotz ist das Erstellen mathematischer Modelle, die Waldbrände auf der Grundlage derartiger Variablen genau vorhersagen könnten, nach wie vor eine Herausforderung.
Maschinelles Lernen hat die Situation vollkommen verändert. Indem Daten der wichtigsten Indikatoren in Modelle für maschinelles Lernen eingegeben werden, lassen sich Waldbrände relativ genau vorhersagen. Diese Kenntnisse machen es möglich, sich durch das Evakuieren gefährdeter Tiere und das Entfernen brennbarer Biomasse auf Waldbrände vorzubereiten, und letztendlich deren Auswirkungen und Ausmaß zu verringern.
Die meisten Applikationen für maschinelles Lernen werden voraussichtlich in der Cloud laufen, wo große Server die nötige Prozessorleistung für Berechnungen für maschinelles Lernen liefern. Was die Waldbrandortung anbelangt, sollten derartige Berechnungen jedoch aus guten Gründen zu Edge verlagert werden.
Applikationen zur Waldbrandortung nutzen Instrumente, die aus zahlreichen Umgebungssensoren zur Messung von Feuchtigkeit und Temperatur bestehen; Algorithmen für maschinelles Lernen stützen sich auf diese gesammelten Daten. Dieses Modell bietet zwei Optionen: Die Daten werden zur Verarbeitung an die Cloud gesendet oder unmittelbar mittels Edge verarbeitet.
Eine der größten Herausforderungen bei der Cloud-Verarbeitung besteht dabei im Remote-Einsatz der oben erwähnten Instrumente. Derartige Instrumente werden meist an abgelegenen Standorten verwendet, beispielsweise mitten im Wald, wo Brände tatsächlich ausbrechen könnten. Diese entlegenen Bereiche bieten meist nur einen sehr eingeschränkten Netzwerkempfang, wodurch es schwierig bis unmöglich sein kann, Sensordaten zur Verarbeitung an die Cloud zu übermitteln. Stattdessen lassen sich dank maschinellem Lernen via Edge alle Daten auf lokalen Geräten speichern und verarbeiten. Und im seltenen Fall eines wahrscheinlich auftretenden Waldbrands wird der Außenwelt lediglich ein Warnhinweis gesendet.
Ein weiterer Vorteil von Edge Computing besteht im geringeren Energiebedarf. Die allermeisten der an entlegenen Orten eingesetzten Messgeräte werden mithilfe kleiner Lithium-Ionen- oder Lithium-Polymer-Akkus betrieben. Ein Akkutausch ist in solchen Fällen meist nicht realisierbar, weshalb der Nutzen des Geräts unmittelbar mit der Akkulebensdauer zusammenhängt.
Mit die meiste Energie verbrauchen IoT-Geräte (Internet of Things) für die drahtlose Vernetzung mit anderen Geräten innerhalb eines Netzwerks. In einer Cloud Computing-Anordnung würde unser Instrument also sehr viel Energie einfach nur dafür vergeuden, die riesigen Sensordatenmengen der Cloud zuzuführen, was seine Akkulaufzeit letztendlich erheblich verkürzt.
Beim Edge Computing lässt sich die eingeschränktere Funkübermittlung unmittelbar mit einem geringeren Energiebedarf gleichsetzen. Edge Computing ermöglicht Sensoren mit langer Akkulaufzeit und somit eine angemessenere Verwendung von Notfallvorsorgedaten.
Im Laufe der Entwicklung unseres Proof of Concept-Instruments zur Waldbrandortung mussten wir uns verschiedensten kniffligen Herausforderungen stellen, die wir dank Edge Impulse bewältigen konnten.
Eine dieser größeren Herausforderungen hing mit der Sensorfusion zusammen. Unser Instrument sammelt Daten zahlreicher unterschiedlicher Sensoren, darunter jene für die Temperatur und Feuchtigkeit der Luft und des Bodens, und unsere Aufgabe besteht darin, diese verschiedenartigen Datenströme zu interpretieren. Dafür ist die Sensorfusion unerlässlich, bei der es sich um das Zusammenführen multipler Sensordaten handelt, mit dem Zweck eines umfassenderen Verständnisses des gesamten Umfelds.
Das Implementieren der Sensorfusion ist ein wesentlicher Bestandteil dieser schwierigen Aufgabe voller einzigartiger Komplexitäten und Algorithmen. Glücklicherweise bietet Edge Impulse ein integriertes Toolset, das eigens der Unterstützung und Implementierung der Sensorfusion auf Edge-Geräten dient. Dank diesem Tool waren wir relativ einfach dazu in der Lage, ein System zu entwerfen, das unsere Daten sammelt, bündelt und formatiert, um sie in unser Modell für maschinelles Lernen zu übertragen.
Darüber hinaus hat Edge Impulse es uns leicht gemacht, unser Modell auszuwählen, zu erweitern und in unseren Mikroprozessor zu integrieren. Bei unserem Mikroprozessor handelte es sich um einen Core auf Basis von ATSAMD51 auf einem Seeed Studio Wio Terminal.
Es liegt auf der Hand, dass unser Projekt ohne die von Edge Impulse zur Verfügung gestellten Tools und Ressourcen nicht möglich gewesen wäre.
Seit jeher war die Menschheit gezwungen, auf Umweltereignisse und -katastrophen zu reagieren. Das Aufkommen maschinellen Lernens verleiht uns zum allerersten Mal die Fähigkeit, auf bisher unbekannte Weise verhängnisvolle Naturereignisse vorherzusagen und uns darauf vorzubereiten.
Die Ortung von Waldbränden ist ein zentrales Anliegen, dem immer mehr Bedeutung zukommt, doch aufgrund der einzigartigen Einschränkungen der Anwendung ist dafür Edge Computing notwendig. Dank Edge Impulse und den verfügbaren Tools und Ressourcen war es uns möglich, ein Proof of Concept-Instrument zur Ortung von Waldbränden zu entwickeln, das Parkranger und andere Verantwortliche rechtzeitig vor auftretenden Waldbränden warnt.
Letztendlich bietet diese Technologie die einzigartige Chance, Menschen, Tiere und unsere empfindlichen Waldgebiete vor Schaden zu bewahren.