MÔ HÌNH LAI ConvLSTM CHO BÀI TOÁN PHÂN LOẠI ẢNH CÓ CHÁY RỪNG TẠI VIỆT NAM
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15980Tóm tắt
Cháy rừng đang là vấn đề nghiêm trọng tại Việt Nam, nhất là trong mùa khô. Nghiên cứu này đề xuất sử dụng mạng nơ-ron ConvLSTM để phát hiện sớm cháy rừng từ dữ liệu ảnh. Khác với các phương pháp truyền thống chỉ xử lý từng khung hình riêng lẻ, ConvLSTM có khả năng kết hợp trích xuất đặc điểm không gian (qua lớp tích chập) và mô hình hóa sự phụ thuộc thời gian (qua bộ nhớ dài-ngắn LSTM). Chúng tôi sử dụng bộ dữ liệu công khai gồm 999 ảnh có và không có cháy. Để áp dụng ConvLSTM trên ảnh tĩnh, các chuỗi thời gian được tạo bằng cửa sổ trượt trên các biến thể tăng cường dữ liệu. Kết quả thử nghiệm cho thấy mô hình đạt độ chính xác 98,3%, độ chính xác dự báo dương tính 98,1%, độ nhạy 96,8% và F1-score 98,1%, cao hơn rõ rệt so với các mô hình CNN hay LSTM độc lập. Dù vậy, nghiên cứu còn hạn chế về kích thước bộ dữ liệu (nhỏ, mất cân bằng, 75% là ảnh có cháy) và thiếu dữ liệu đặc thù cho Việt Nam. Các bước phát triển tiếp theo cần hướng tới bộ dữ liệu lớn hơn, phù hợp với điều kiện địa phương và triển khai thời gian thực trên các thiết bị biên.Lượt tải
Tài liệu tham khảo
A. B. Abdusalomov et al., "An improved forest fire detection method based on Detectron2," Sensors, vol. 23, no. 3, 2023, Art. no. 1512.
J. Mei and W. Zhang, "Early fire detection algorithm based on ViBe and machine learning," Acta Opt. Sin., vol. 38, 2018, Art. no. 0710001.
K. Dimitropoulos, P. Barmpoutis, and N. Grammalidis, "Higher order linear dynamical systems for smoke detection," IEEE Trans. Circuits Syst. Video Technol., vol. 27, pp. 1143–1154, 2017.
J. Zhang et al., "ATT squeeze U-net: A lightweight network for forest fire detection and recognition," IEEE Access, vol. 9, pp. 10858–10870, 2021.
R. Ghosh and A. Kumar, "A hybrid deep learning model combining CNN and RNN to detect forest fire," Multimedia Tools Appl., vol. 81, pp. 38643–38660, 2022.
A. Larsen et al., "A deep learning approach to identify smoke plumes in satellite imagery in near-real time," J. Expos. Sci. Environ. Epidemiol., vol. 31, pp. 170–176, 2021.
X. Yin, M. Bai, Y. Peng, B. Chen, H. Lai, W. Kou, et al., “LSTM neural network integrating remote sensing and meteorological data reveals forest fire risk trajectories in China over the past 100 years,” Agricultural and Forest Meteorology, vol. 375, 2025, Art. no. 110884.
C. Mambile, S. Kaijage, and J. Leo, "Deep learning models for enhanced forest-fire prediction at Mount Kilimanjaro," Natural Hazards Research, vol. 5, no. 2, pp. 335–347, 2025.
H. V. Le, D. A. Hoang, and G. T. Tran, “Optimizing machine learning models for enhanced forest fire susceptibility mapping in Gia Lai province,” Journal of Mining and Earth Sciences, vol. 66, no. 2, pp. 2-14, 2025.
V. T. Pham, T. A. T. Do, and H. D. Tran, “Classifying forest cover and mapping forest fire susceptibility in Dak Nong province, Vietnam utilizing remote sensing and machine learning,” Ecological Informatics, vol. 79, 2024, Art. no. 102392, doi: 10.1016/j.ecoinf.2023.102392.
T. N. A. Do, M. K. Hoang, and A. T. Le, “Improvement the fire detection performance using computer vision based on YOLOV5 neural network,” Hanoi University of Industry Journal of Science and Technology, vol. 5, pp. 48-53, 2022.
A. Saied et al., “FIRE Dataset,” Kaggle, 2018. [Online]. Available: https://www.kaggle.com/ datasets/phylake1337/fire-dataset. [Accessed Aug. 07, 2025].
