Confounding factors-aware hierarchical deep learning for sustainable edge wildfire detection

Abstract

(English) Wildfires present a significant threat to ecosystems, property, and human life, underscoring the need for accurate, adaptable, and efficient detection systems. This thesis introduces a novel approach to wildfire detection that addresses key limitations in accuracy, adaptability, and sustainability, emphasizing real-world deployment and resource-conscious design. Through three interconnected studies, the research develops a structured, confounding factors-aware framework that progresses from dataset creation to efficient, real-time deployment solutions. The first study establishes a confounding factor-aware wildfire dataset and a multi-task learning framework to address false positives caused by challenging elements, such as clouds, fog, and reflections. By training models on both fire classification and confounding element identification, this approach significantly reduces false alarms, enhancing model precision in complex detection scenarios. The second study advances this framework by incorporating a hierarchical domain-adaptive learning approach that integrates forest-specific and non-forest datasets. This dual-dataset strategy, with shared and specialized layers, enhances the model’s ability to generalize across diverse environmental conditions, providing a more adaptable solution for varied forest contexts. Building on these foundations, the third study introduces knowledge distillation to transfer insights from a complex, hierarchically trained model to a lightweight model optimized for edge devices, such as drones. This approach maintains high detection accuracy while minimizing computational demands, supporting sustainable deployment. A novel metric, the Confounding Element Specificity (CES), is also introduced to evaluate the model’s ability to handle confounding elements in real-world settings, contributing to efficient resource deployment and accurate monitoring. Together, these studies propose a structured, scalable framework for wildfire detection that combines technical rigor with practical, sustainability-focused applications. The findings contribute adaptable, high-accuracy models intended for real-world implementation and offer a foundation for further research in sustainable, AI-driven environmental monitoring and wildfire management.

(Català) Els incendis forestals representen una amenaça significativa per als ecosistemes, les propietats i la vida humana, cosa que posa en relleu la necessitat de sistemes de detecció precisos, adaptables i eficients. Aquesta tesi introdueix un nou enfocament per a la detecció d'incendis forestals, que aborda limitacions clau en termes de precisió, adaptabilitat i sostenibilitat, amb èmfasi en la implementació pràctica i el disseny conscient dels recursos. A través de tres estudis interrelacionats, la investigació desenvolupa un marc estructurat i conscient dels factors de confusió, que avança des de la creació de conjunts de dades fins a solucions d’implementació en temps real. El primer estudi estableix un conjunt de dades d'incendis forestals conscient dels factors de confusió i un marc d'aprenentatge multitarea per abordar els falsos positius causats per elements confusos, com núvols, la boira i els reflexos de la llum. Aquest enfocament redueix significativament les alarmes falses, millorant la precisió del model en escenaris de detecció complexos. El segon estudi avança aquest marc incorporant un enfocament d'aprenentatge jeràrquic i adaptatiu al domini, que integra conjunts de dades de zones forestals i no forestals. Aquesta estratègia de doble conjunt de dades, amb capes compartides i especialitzades, millora la capacitat del model per generalitzar-se en diverses condicions ambientals, oferint una solució més adaptable en contextos forestals variats. A partir d’aquestes bases, el tercer estudi introdueix la destil·lació de coneixement per transferir coneixements d’un model complex i entrenat jeràrquicament a un model lleuger optimitzat per a dispositius de baix consum, com els drons. Aquest enfocament manté una alta precisió en la detecció alhora que minimitza les demandes computacionals, contribuint a una implementació sostenible. També es presenta una nova mètrica, la Specificitat dels Elements Confusos (CES), per avaluar la capacitat del model per gestionar aquests elements en entorns reals, facilitant un ús eficient dels recursos i un monitoratge precís. Aquests estudis proposen conjuntament un marc estructurat i escalable per a la detecció d’incendis forestals que combina rigor tècnic amb aplicacions pràctiques i orientades a la sostenibilitat. Els resultats ofereixen models adaptables i d'alta precisió per a la implementació en entorns reals i proporcionen una base per a la recerca futura en monitoratge ambiental sostenible i gestió d'incendis forestals impulsada per la IA.

(Español) Los incendios forestales representan una amenaza significativa para los ecosistemas, las propiedades y la vida humana, destacando la necesidad de sistemas de detección precisos, adaptables y eficientes. Esta tesis introduce un nuevo enfoque para la detección de incendios forestales, abordando limitaciones clave en términos de precisión, adaptabilidad y sostenibilidad, con un énfasis en la implementación práctica y el diseño eficiente de recursos. A través de tres estudios interrelacionados, la investigación desarrolla un marco estructurado y consciente de los factores de confusión, que avanza desde la creación de conjuntos de datos hasta soluciones de implementación en tiempo real. El primer estudio establece un conjunto de datos de incendios forestales consciente de los factores de confusión y un marco de aprendizaje multitarea para abordar los falsos positivos causados por elementos confusos, como las nubes, la niebla y los reflejos. Este enfoque reduce significativamente las alarmas falsas, mejorando la precisión del modelo en escenarios complejos de detección. El segundo estudio avanza este marco mediante la incorporación de un enfoque de aprendizaje jerárquico y adaptativo al dominio, que integra conjuntos de datos de zonas forestales y no forestales. Esta estrategia de doble conjunto de datos, con capas compartidas y especializadas, mejora la capacidad del modelo para generalizar en diversas condiciones ambientales, ofreciendo una solución más adaptable en distintos contextos forestales. Basándose en estas bases, el tercer estudio introduce la destilación de conocimiento para transferir los conocimientos de un modelo complejo y entrenado jerárquicamente a un modelo ligero optimizado para dispositivos de bajo consumo, como drones. Este enfoque mantiene una alta precisión en la detección al tiempo que minimiza las demandas computacionales, contribuyendo a una implementación sostenible. También se presenta una nueva métrica, la Especificidad de Elementos Confusos (CES), para evaluar la capacidad del modelo para gestionar estos elementos en entornos reales, facilitando un uso eficiente de los recursos y un monitoreo preciso. En conjunto, estos estudios proponen un marco estructurado y escalable para la detección de incendios forestales que combina rigor técnico con aplicaciones prácticas y sostenibles. Los resultados ofrecen modelos adaptables y de alta precisión para la implementación en entornos reales y proporcionan una base para futuras investigaciones en monitorización ambiental sostenible y gestión de incendios forestales impulsada por IA.