Καπνός Δασικών Πυρκαγιών και Αναπνευστική Υγεία: Η Τεχνολογία ως Ασπίδα στην Απειλή

 

Πηγή:https://www.pharmnet.gr/el/schetika-me-emas/arthra/symvoules-ygeias
/pyrkagia-pos-epireazei-tin-ygeia-i-eispnoi-tou-kapnou/

Κάθε καλοκαίρι, οι πυρκαγιές επιστρέφουν με νέα ένταση, αφήνοντας πίσω τους στάχτες, κατεστραμμένα οικοσυστήματα και έναν αόρατο κίνδυνο που απλώνεται στον αέρα: την επιβάρυνση της αναπνευστικής υγείας. Ο καπνός από τις πυρκαγιές περιέχει μικροσωματίδια και τοξικές ουσίες που επηρεάζουν σοβαρά τον ανθρώπινο οργανισμό. Πλέον, η τεχνολογία μάς επιτρέπει να δούμε αυτό που δεν βλέπεται: τη ρύπανση του αέρα που αναπνέουμε.

Τι περιέχει ο καπνός από μια πυρκαγιά;

Ο καπνός των δασικών πυρκαγιών δεν είναι απλός «καμένος αέρας». Πρόκειται για ένα μίγμα επικίνδυνων ουσιών:

• PM2.5 (αιωρούμενα σωματίδια διαμέτρου ≤2.5μm): Διεισδύουν βαθιά στους πνεύμονες και εισέρχονται στην κυκλοφορία του αίματος.
• Διοξείδιο του άνθρακα (CO₂), μονοξείδιο του άνθρακα (CO) και πτητικές οργανικές ενώσεις (VOCs).
• Τοξίνες από καύση πλαστικών, χρωμάτων ή αποβλήτων σε κατοικημένες περιοχές          

Αυτά τα μικροσκοπικά σωματίδια μπορούν να προκαλέσουν:

• Οξεία βρογχίτιδα
• Επιδείνωση άσθματος και ΧΑΠ (Χρόνια Αποφρακτική Πνευμονοπάθεια)
• Καρδιαγγειακά προβλήματα
• Συμπτώματα στα μάτια, τη μύτη και το λαιμό

Ποιοι κινδυνεύουν περισσότερο;

Ιδιαίτερα ευάλωτες είναι οι εξής ομάδες:

• Παιδιά και βρέφη
• Ηλικιωμένοι
• Άτομα με αναπνευστικά ή καρδιολογικά προβλήματα
• Έγκυες γυναίκες

Ακόμα και υγιείς ενήλικες, εάν εκτεθούν για πολλές ώρες ή μέρες, ενδέχεται να αναπτύξουν αναπνευστικές δυσλειτουργίες.

Πώς η τεχνολογία βοηθά στην πρόληψη και προστασία;

Τα τελευταία χρόνια, η τεχνολογία έχει εξελιχθεί εντυπωσιακά στον τομέα της παρακολούθησης της ποιότητας του αέρα. Κάποιες από τις πιο χρήσιμες λύσεις:

Δορυφορικά Συστήματα & Real-time Χάρτες

• Copernicus Atmospheric Monitoring Service (CAMS) της ΕΕ: Δίνει δεδομένα σε πραγματικό χρόνο για ρύπους και σωματίδια σε όλη την Ευρώπη.
• Windy, IQAir, AirVisual: Διαθέτουν live χάρτες ατμοσφαιρικής ρύπανσης που βλέπει ο καθένας από το κινητό του.

Αισθητήρες Ποιότητας Αέρα

• Φορητοί ή σταθεροί αισθητήρες (π.χ. PurpleAir, Atmotube) καταγράφουν σε τοπικό επίπεδο τις συγκεντρώσεις PM2.5, CO₂ και VOCs.
• Συνδέονται με εφαρμογές  και παρέχουν ειδοποιήσεις σε περίπτωση κινδύνου

Εφαρμογές Προστασίας για Πολίτες

• myAirly, Plume Labs και άλλες εφαρμογές δίνουν προσωποποιημένες προειδοποιήσεις για "κακές ημέρες αέρα", προτείνοντας περιορισμό δραστηριοτήτων.
• Η Google ενσωματώνει πλέον δείκτες ποιότητας αέρα στην αναζήτηση και στους χάρτες της (Maps), βοηθώντας στον σχεδιασμό μετακινήσεων.

Υγειονομικά Πρωτόκολλα και Συμβουλές

Σε περιόδους μεγάλης επιβάρυνσης του αέρα, οι ειδικοί συνιστούν:

• Παραμονή σε εσωτερικούς χώρους, ειδικά τις ώρες αιχμής καπνού.
• Κλείσιμο παραθύρων και χρήση καθαριστών αέρα με φίλτρα HEPA.
• Χρήση μάσκας υψηλής προστασίας (N95 ή FFP2) σε εξωτερικούς χώρους.
• Αυξημένη ενυδάτωση και αποφυγή έντονης σωματικής δραστηριότητας.

Καινοτομία και μέλλον

Η τεχνητή νοημοσύνη, οι big data αναλύσεις και τα έξυπνα δίκτυα αισθητήρων θα δώσουν ακόμα μεγαλύτερη ακρίβεια στον εντοπισμό ρυπαντικών επεισοδίων. Πιλοτικά προγράμματα εφαρμόζονται σε πόλεις όπως το Λονδίνο και το Παρίσι και αναμένεται να εφαρμοστούν και στην Ελλάδα.

Συμπέρασμα

Η αναπνευστική υγεία απειλείται σιωπηλά, αλλά η τεχνολογία μάς δίνει φωνή και όραση απέναντι σε αυτή την αόρατη απειλή. Η σωστή ενημέρωση και τα κατάλληλα εργαλεία προστατεύουν ζωές , ιδιαίτερα μέσα στο φόντο της κλιματικής κρίσης που κάνει τις πυρκαγιές όλο και πιο έντονες. Όσο πιο έγκαιρα το εντοπίζουμε, τόσο πιο αποτελεσματικά μπορούμε να δράσουμε.

Πηγή:https://www.climatecentral.org/climate-matters/2020-smoke-waves

Άρθρο επιμελημένο από τον Δημήτρη Παπανδρέου

Δασικές Πυρκαγιές: Μια Παγκόσμια Απειλή και η Επανάσταση των Ασύρματων Δικτύων Αισθητήρων

Ασύρματος αισθητήρας από την μελέτη των (Dampage et al., 2022)

Οι δασικές πυρκαγιές αποτελούν μια θλιβερή πραγματικότητα με καταστροφικές συνέπειες σε παγκόσμιο επίπεδο. Οι οικονομικές, οικολογικές και περιβαλλοντικές πληγές που αφήνουν πίσω τους είναι τεράστιες και μακροχρόνιες. Είτε ξεκινούν από φυσικά αίτια, όπως η αυτανάφλεξη λόγω ακραίων θερμοκρασιών ή οι κεραυνοί, είτε, ακόμα πιο συχνά, από ανθρώπινη αμέλεια ή εγκληματική ενέργεια (όπου, σύμφωνα με έρευνες, ευθύνεται για το 90% των περιπτώσεων!), οι πυρκαγιές απειλούν την ισορροπία του πλανήτη μας. 

Οι επιπτώσεις είναι πολλαπλές και αλληλένδετες. Η αύξηση του διοξειδίου του άνθρακα στην ατμόσφαιρα, ως άμεσο αποτέλεσμα της καύσης της βιομάζας, εντείνει το φαινόμενο του θερμοκηπίου και επιταχύνει την κλιματική αλλαγή. Παράλληλα, η τέφρα που απομένει καταστρέφει τα πολύτιμα θρεπτικά συστατικά του εδάφους, καθιστώντας το ευάλωτο στη διάβρωση, η οποία με τη σειρά της μπορεί να οδηγήσει σε πλημμύρες και κατολισθήσεις, δημιουργώντας έναν φαύλο κύκλο καταστροφής.

Ιστορικά, η ανίχνευση των δασικών πυρκαγιών βασιζόταν στην ανθρώπινη παρατήρηση από ειδικά παρατηρητήρια. Ωστόσο, η αποτελεσματικότητα αυτής της μεθόδου ήταν περιορισμένη, καθώς εξαρτιόταν από την εγρήγορση και την οπτική επαφή των παρατηρητών. Στη σύγχρονη εποχή, έχουν αναπτυχθεί και εφαρμοστεί διάφορες τεχνολογίες, όπως η επεξεργασία δορυφορικών εικόνων, οι οπτικοί αισθητήρες και τα συστήματα που βασίζονται σε ψηφιακές κάμερες. Παρόλα αυτά, οι υπάρχουσες μέθοδοι εξακολουθούν να αντιμετωπίζουν σημαντικά μειονεκτήματα, όπως η χαμηλή αποτελεσματικότητα σε ορισμένες περιπτώσεις, η υψηλή κατανάλωση ενέργειας, οι καθυστερήσεις στην ανίχνευση, η περιορισμένη ακρίβεια και το υψηλό κόστος εφαρμογής.

Ωστόσο, η τεχνολογία προσφέρει νέες, ελπιδοφόρες λύσεις. Στο πλαίσιο αυτό, ένα σύστημα ανίχνευσης δασικών πυρκαγιών που αξιοποιεί τα ασύρματα δίκτυα αισθητήρων (Wireless Sensor Networks - WSNs) αναδεικνύεται ως μια επαναστατική προσέγγιση για την αντιμετώπιση των προαναφερθέντων μειονεκτημάτων.

Τα ασύρματα δίκτυα αισθητήρων αποτελούνται από έναν μεγάλο αριθμό μικρών, χαμηλού κόστους και χαμηλής κατανάλωσης ενέργειας αισθητήρων, οι οποίοι είναι κατανεμημένοι σε μια συγκεκριμένη περιοχή. Αυτοί οι αισθητήρες είναι ικανοί να συλλέγουν δεδομένα σχετικά με διάφορες περιβαλλοντικές παραμέτρους, όπως η θερμοκρασία, η υγρασία, η συγκέντρωση καπνού και η παρουσία φλόγας. Τα δεδομένα αυτά μεταδίδονται ασύρματα σε έναν κεντρικό σταθμό επεξεργασίας, όπου αναλύονται για την έγκαιρη ανίχνευση μιας πιθανής πυρκαγιάς.  

Σύμφωνα το άρθρο των (Dampage et al., 2022), η ανίχνευση πυρκαγιάς βασίζεται στην υπέρβαση ενός προκαθορισμένου κατωφλίου σε έναν ή περισσότερους αισθητήρες. Εάν η υπέρβαση αυτού του ορίου διατηρηθεί για ένα συγκεκριμένο χρονικό διάστημα, ένας κεντρικός κόμβος (sink node) προσδιορίζει τη θέση του συμβάντος και αποστέλλει άμεσα συναγερμό στην πυροσβεστική υπηρεσία. Είναι σημαντικό να τονιστεί ότι οι τιμές κατωφλίου δεν είναι σταθερές, αλλά διαμορφώνονται δυναμικά από τον χρήστη, λαμβάνοντας υπόψη τις γεωγραφικές ιδιαιτερότητες, τις κλιματικές αλλαγές και τις εποχιακές διακυμάνσεις, μετά την αρχική συλλογή δεδομένων από τους αισθητήρες.

Κατά (Dampage et al., 2022) σε ένα προηγμένο σύστημα, οι κόμβοι αισθητήρων είναι τοποθετημένοι σε διαφορετικά ύψη και οργανώνονται σε κυψελοειδείς συστάδες. Κάθε ομάδα αισθητήρων, μέσω της τεχνολογίας LoRaWAN, στέλνει τα δεδομένα σε έναν κεντρικό σταθμό βάσης. Ο σταθμός αυτός διενεργεί συνεχείς υπολογισμούς και, ανά 30 δευτερόλεπτα, λαμβάνει νέα δεδομένα θερμοκρασίας, σχετικής υγρασίας και πίεσης από τους αισθητήρες, επιτρέποντας την εξαγωγή πιο ακριβών συμπερασμάτων. Εάν οι τιμές υπερβούν τα προκαθορισμένα όρια, ενεργοποιείται άμεσα ειδοποίηση προς την Πυροσβεστική Υπηρεσία.

Η ενσωμάτωση ενός αλγορίθμου μηχανικής μάθησης αποτελεί ένα κρίσιμο στοιχείο για την αξιοπιστία του συστήματος (Dampage et al., 2022). Η μακροπρόθεσμη ανάλυση μοτίβων από τον αλγόριθμο ελαχιστοποιεί την επίδραση των τυχαίων σφαλμάτων και των λανθασμένων ενδείξεων των αισθητήρων, παρέχοντας πιο σταθερές και ακριβείς προβλέψεις. Η επιλογή της τεχνικής πολλαπλής γραμμικής παλινδρόμησης αποδείχθηκε ιδανική για τη μοντελοποίηση της σχέσης μεταξύ των πολλαπλών περιβαλλοντικών παραμέτρων (θερμοκρασία, υγρασία, ένταση φωτός, CO) και της παρουσίας πυρκαγιάς.

Η διαδικασία εκπαίδευσης του μοντέλου βασίστηκε σε ένα σύνολο δεδομένων 7000 δειγμάτων, που αντιπροσωπεύουν τόσο καταστάσεις χωρίς πυρκαγιά όσο και ελεγχόμενες πυρκαγιές σε διάφορες κλιματικές ζώνες και ώρες της ημέρας. Η χρήση της τεχνικής K-means για την ομαδοποίηση των δεδομένων σε "φωτιά" και "μη φωτιά" επέτρεψε την αποτελεσματική εκπαίδευση του μοντέλου παλινδρόμησης. Τα δεδομένα που συλλέγονται από τους αισθητήρες και υποβάλλονται σε αρχική ανάλυση κατωφλίου εισάγονται στο μοντέλο μηχανικής μάθησης στον κόμβο πύλης. Εάν το μοντέλο ανιχνεύσει μια κατάσταση πυρκαγιάς, αποστέλλεται άμεσα ειδοποίηση στις αρμόδιες αρχές μέσω μιας μονάδας SIM800 L (GSM/GPRS) που βρίσκεται στον σταθμό βάσης.

Συνολικά, το προτεινόμενο σύστημα αποτελεί ένα σημαντικό βήμα προόδου στην τεχνολογία ανίχνευσης δασικών πυρκαγιών. Η συνδυαστική χρήση ασύρματων δικτύων αισθητήρων και μηχανικής μάθησης προσφέρει μια αξιόπιστη, αυτόνομη και έγκαιρη λύση για την προστασία των δασικών μας οικοσυστημάτων από την καταστροφική μανία της φωτιάς. Η ευρεία υιοθέτηση τέτοιων συστημάτων μπορεί να συμβάλει καθοριστικά στη μείωση των οικονομικών, οικολογικών και περιβαλλοντικών επιπτώσεων των δασικών πυρκαγιών, διασφαλίζοντας ένα πιο βιώσιμο μέλλον για τις επόμενες γενιές.

Πηγή: Dampage, U., Bandaranayake, L., Wanasinghe, R., Kottahachchi, K., & Jayasanka, B. (2022). Forest fire detection system using wireless sensor networks and machine learning. Scientific Reports, 12(1). https://doi.org/10.1038/s41598-021-03882-9

Άρθρο επιμελημένο από τον Δημήτριο Αζαμπίδη.

Έγκαιρη ανίχνευση δασικών πυρκαγιών με τη χρήση καινοτόμων τεχνολογιών: Διατήρηση της Φύσης

Οι δασικές πυρκαγιές αποτελούν μια από τις μεγαλύτερες απειλές για την ανθρώπινη ζωή και το περιβάλλον. Η ανάγκη για αποτελεσματικά συστήματα έγκαιρης ανίχνευσης είναι πιο σημαντική από ποτέ. Εδώ, πρόσφατη έρευνα προσφέρει μια πολλά υποσχόμενη λύση συνδυάζοντας την όραση υπολογιστή και τα μη επανδρωμένα εναέρια οχήματα (UAV - Unmanned Aerial Vehicle). Η καινοτομία της μεθόδου είναι ότι πρόκειται για ένα συνολικό σύστημα ανίχνευσης. Με την χρήση καμερών που είναι τοποθετημένες στα μη επανδρωμένα αεροσκάφη - UAVs συλλέγουν εικόνες των δασικών περιοχών και με αυτές τις εικόνες γίνεται η επεξεργασία στα οπτικά δεδομένα για την ανίχνευση φλόγας και καπνού. Δεν εξαρτάται μόνο από τη φλόγα ή μόνο από τον καπνό, αλλά αξιοποιεί και τις δύο αυτές ιδιότητες μαζί. Αυτό είναι ιδιαίτερα σημαντικό επειδή οι πρώιμες πυρκαγιές μπορεί να μην έχουν ανοιχτή φλόγα, ενώ ο καπνός τη νύχτα δεν μπορεί να ανιχνευθεί. Η έρευνα εστιάζει στην ανάλυση αυτών των εικόνων, χρησιμοποιώντας τεχνικές όρασης υπολογιστή και μηχανικής μάθησης. Αλγόριθμοι αναλύουν τα χαρακτηριστικά των εικόνων, όπως τα χρώματα και τα μοτίβα υφής, για να εντοπίσουν τις υπογραφές της φλόγας και του καπνού. Η τεχνολογία που χρησιμοποιείται είναι εντυπωσιακή. Τόσο τα χαρακτηριστικά του χρώματος όσο και τα τοπικά δυαδικά μοτίβα (LBP - Local Binary Patterns) αναλύονται από ένα τεχνητό νευρωνικό δίκτυο (ANN - Artificial Neural Network). Το δίκτυο εκπαιδεύεται σε ένα ειδικά σχεδιασμένο σύνολο δεδομένων, το οποίο αποτελείται από εικόνες από διάφορες δασικές πυρκαγιές. Τα αποτελέσματα της έρευνας είναι ενθαρρυντικά. Η μέθοδος είναι ιδιαίτερα αποτελεσματική στην ανίχνευση φλόγας και καπνού, ακόμη και σε δυσμενείς συνθήκες. Η ικανότητα ανίχνευσης μικρών φλογών και διακριτού καπνού αποτελεί πρόσθετο πλεονέκτημα. Η ενσωμάτωση αυτής της τεχνολογίας σε UAV μπορεί να αλλάξει τον τρόπο με τον οποίο ανιχνεύουμε και ανταποκρινόμαστε στις δασικές πυρκαγιές. Η ικανότητα εντοπισμού των εστιών στα αρχικά τους στάδια θα μπορούσε να σώσει ζωές και να μειώσει τις καταστροφικές επιπτώσεις. Ωστόσο, υπάρχουν προβλήματα. Η υπολογιστική πολυπλοκότητα αποτελεί μείζον ζήτημα, επειδή τα UAV διαθέτουν περιορισμένους πόρους. Η αύξηση της ταχύτητας επεξεργασίας και η μείωση της κατανάλωσης ενέργειας είναι υποχρεωτικές για την εφαρμογή σε πραγματικό χρόνο. Αυτή η έρευνα ανοίγει νέους δρόμους στην ανίχνευση δασικών πυρκαγιών. Η υπολογιστική όραση και τα UAV, με τη συνεργική εφαρμογή τους μαζί, μπορούν να φέρουν επανάσταση στην προστασία των δασών μας.

Προκλήσεις και μελλοντικές κατευθύνσεις:

• Βελτιστοποίηση των αλγορίθμων για να σπάσει η υπολογιστική πολυπλοκότητα.
• Ανάπτυξη πιο προηγμένων συστημάτων για την επεξεργασία βίντεο σε πραγματικό χρόνο.
• Ενσωμάτωση δεδομένων από άλλους αισθητήρες, π.χ. θερμικές κάμερες.
• Δημιουργία ενός παγκόσμιου δικτύου για την ανίχνευση δασικών πυρκαγιών με τη χρήση UAV.
• Η τεχνολογία μπορεί να αξιοποιηθεί για την προστασία του περιβάλλοντός μας. Ας ενωθούμε για να κάνουμε τη διαφορά.

Πηγή: Forest fire flame and smoke detection from UAV-captured images using fire-specific color features and multi-color space local binary pattern

Άρθρο επιμελημένο από τον Δημήτριο Αζαμπίδη.