基于物联网和频谱分析的林火早期探测技术

张朔，李雨桐，高德民，管志浩

(南京林业大学信息科学技术学院，南京 210037)

随着人类居住地不断向森林迁移，居民区和森林界限变得模糊，森林火灾不仅毁坏森林，也造成严重的人员伤亡。森林火灾有地下火、地表火和树冠火3种类型。

树冠火是造成人员伤亡的主要火灾类型，为实现早期林火监测，各种技术被提出并应用于林火监测。除了最原始的地面巡护和瞭望塔监测，红外监测技术借助于红外热成像原理和无线传输技术最先开始用于森林火灾的报警中[1-2]。遥感技术[3]、地理信息系统[4]、无人机等也陆续开始用在林火监测中。这些技术通常借助不同运行载体搭载光学仪器设备，其根本原理是一种光谱学技术的应用。然而，森林地区通常山高林密，障碍物阻挡严重，光谱分析技术容易受到外界干扰，导致林火早期探测面临巨大挑战[5-6]。

为了弥补光谱学技术在林火监测中的缺陷，本研究提出一种依靠声音频谱分析进行林火监测的技术，其中利用物联网设备可实时获取林中声音信息，由远程终端进行频谱分析。随着物联网技术[7]的快速发展，利用无线传感器网络[8]对复杂环境和突发事件的准确探测能力，建立信息采集、分析和预警系统。根据物联网体系结构和林火监测系统的特点，林火监测系统由三部分组成：数据采集、数据传输和林火监测中心[9]。无线传感器网络为林火监测系统采集数据，然后通过中间路由节点将收集到的数据传送到汇聚节点[10]，最后，汇聚节点通过有线或无线通信网络向林火监控中心发送数据[11]。

1 系统设计

1.1 声音采集与传输

本试验在南京紫金山、句容林场、南京林业大学部署了大量传感器节点和监控系统。因LoRa[12]设备具有低功耗、低速率数据传输的点对点通信方式，本研究采用LoRa技术实现远程通信。在无障碍条件下，LoRa装置之间的通信距离可达15 km。基于LoRa的远程监控系统的架构如图1所示。传感器收集的信息通过一个或多个网关发送到相应的子数据库，并显示在管理平台中。

图1 远程监控系统的体系结构Fig. 1 Architecture of the remote monitoring system

在本设计中，使用声音传感器来收集声音信号，频谱分析的体系结构见图2。驻极体麦克风安装在声传感器内部，主要由声电转换部分和阻抗部分两部分组成[13]。声波振动麦克风内的驻极体膜，使电容发生变化，并产生与变化相对应的小电压。电压转换为0～5 V，声音信号转换为电信号。ADC(模数转换器)立即接收电信号，并将声源的模拟信号转换为数字信号。MCU1(微控制单元)读取传感器的测量值后，进行转换，并将数据传输到LoRa发射机的寄存器。数据处理完成后，MCU1向传感器发送单步命令，使传感器启动声音检测，然后自动进入待机模式。随后，数字信号通过LoRa发射机发送到接收机。下一步是MCU2(微控制单元)读取接收器接收到的测量值，将二进制代码转换为BCD(二进制编码的十进制)代码，并将数据传输到寄存器。然后由数模转换器(DAC)将采集到的数字信号转换成模拟信号传输到PC机上，最后利用MATLAB对采集到的声音进行频率分析。

图2 频谱分析的体系结构Fig. 2 Schematic diagram of spectrum analysis

1.2 声音采集与传输

(1)

(2)

对方程(2)进行傅里叶变换[16]，得到：

(3)

在公式(3)中，只有当整数t≠nT时，才会出现非零值，将公式(3)改写为：

(4)

设xa(nT)=x(n)，ω=ΩT，代入公式(4)得：

(5)

等式(5)的右侧是序列X(ejω)的傅里叶变换，其为：

(6)

公式(6)表明，理想采样信号的傅里叶变换可以通过相应采样序列的傅里叶变换来获得。

(7)

假设α的范围从1到n,S1,S2,…,Sα,…,Sn表示模拟信号的频率值。根据公式(7)，可以得到模拟信号xi对应的信号频谱Cn。

交叉谱是交叉功率密度谱的缩写，是描述两个不同信号在频域内统计相关程度的一种方法。然后对信号频谱Cn对应的趋势线进行多项式拟合，得到趋势线斜率系数ka。火灾燃烧噪声的功率谱Pf可表示为:

(8)

在公式(8)中，假设0≤a≤β，而β表示与趋势线的每一段相对应的多项式中的最大多项式数。ka表示趋势线上一次多项式分段的斜率系数，fa表示趋势线上a次多项式分段和火灾燃烧噪声模拟信号的频率值。

(9)

式中：Ci为模拟信号的频谱幅值。判断公式(9)中的Y是否高于预设的评估阈值，如果Y高于评估阈值，则确定实时接收的火灾燃烧噪声代表树冠火；否则，判断实时燃烧噪声代表地表火。在实验中，假定阈值为10。

2 结果与分析

林火声音数据主要来源于室外声音传感器采集，但根据实验需要，部分数据来源于网络和野外点火实验。目前在林火现场可以采用无人机实时观测，也可以获取一定的声音视频数据。对监控视频捕获的初始树冠火灾进行了屏幕截图，如图3a所示。用声音传感器采集80 s森林火灾音频，并对其进行了声谱分析，结果如图3b和c所示，分别为左声道时域信号和频域信号结果。

由图3b可知，时域的声音信号比较稳定，没有明显的变化。音频信号通常分为左声道和右声道两个声道，以便更准确地确定不同声源在录音中的确切位置。但是，用软件进行声谱分析时，单声道可以直接转换成立体声，左右声道的波形数据是一致的，不需要对右声道的时域声音信号和频域声音信号进行分析。由图3c可知，当树冠火声的频率达到25 Hz左右时，声谱分析的波形振幅最高，这也表明野火噪声的响度最高。在此图中，还可以估计野火噪声的频率范围为0～250 Hz。根据公式(9)，图3的林火燃烧噪声对应的Y值约为13.6，高于阈值。

强树冠火灾的情况如图4a所示，声谱分析结果如图4b和c所示。由图4b可知，林火时域的声音信号稳定，变化不明显。声谱分析获得的声音频率-振幅波形见图4c。由图4c可知，当树冠火的声频值在60 Hz时，振幅最大，表现为野火噪音较大。树冠火的频率范围较窄，其频率范围为0～400 Hz。

与图3c相比，图4c描述的声音信号的频率范围略有变化，范围为0～350 Hz，说明树冠火的频率范围相对较窄。利用公式(9)，计算出图4的火灾燃烧噪声对应的Y值约为18.3，高于阈值。

图3 初始树冠火及其频谱分析图Fig. 3 Initial crown fire and spectral analysis graph

图4 强树冠火及其频谱分析图Fig. 4 Strong crown fire and spectral analysis graph

地表火灾声谱分析如图5a所示，由声音传感器获得的野火60 s的声谱分析结果如图5b和c所示。由图5b可知，时域声音信号起伏不定，产生周期性变化。通过与树冠火的声音时域信号进行比较，发现地表火的时域信号与树冠火的时域信号不同。在图5c中，地面火声频率达到220 Hz左右时，声谱分析的波形振幅最高，野火噪声最大，地面火频率范围为0～15 000 Hz。根据公式(9)，计算出图5的Y值约为5.1，低于阈值。

图5 地表火及其频谱分析图Fig. 5 Surface fire and spectral analysis graph

为了进行对比，在没有野火的情况下，采集森林的声音，进行声谱分析，如图6所示。其中，图6a为时域声音信号的结果，而图6b为左声道的频域声音信号。当森林未发生火灾时，在林区内收集的声音主要由栖息在森林中的鸟类和其他动物产生，而这些由动物发出的声音相对较短，因此图6a中的时域信号基本趋于零，波动很小。在图6b中，动物的声音频率和幅值远小于树冠火和地表火。

图6 在无野火情况下森林的声谱Fig. 6 Sound spectrum of the forest in the absence of wildfire

3 小 结

本研究提出了一种基于物联网声谱分析的林火监测新技术。首先，分析了林火的噪声并将其进行频谱分类，以进行早期火灾探测；其次，为了进一步扩大传统无线通信的距离，笔者采用了LoRa通信设备，将传感器收集的数据传输到接收端以实现远程连接；最后，通过声谱分析对收集到的声音数据进行分析。结果表明，树冠火的频率范围相对较小，范围为0～400 Hz，而地表火的频率范围为0～15 000 Hz。为了提高野火分类的准确性，还设计了一种林火类型分类算法，根据公式计算与火灾噪声相对应的评估值Y来判断林火类型。如果评估值Y高于阈值，则可以确定林火的类型为树冠火，否则，为地表火。

在林火早期探测技术中，与光谱分析技术相比，利用声音频谱分析技术探测森林火灾具有较好的时效性。森林地区山高林密，声音传播比光传播更不易受到外界干扰。当林区无火时，林中声音大多来源于动物的活动或者风声。动物的声音通常是非连续的，在分析声音传感器采集到的数据频谱时，林火的声音频谱与动物的声音频谱较易区分。而风声具有连续性，会降低火灾探测的准确性，在后期的研究中可以针对该部分内容进行进一步研究。