Nos últimos anos Portugal tem observado uma elevada variabilidade em danos resultantes de fogos florestais, associada à alta imprevisibilidade de fenómenos climáticos como as fortes ondas de calor e Verões mais secos. A deteção correta e atempada de fogos rurais e florestais é portanto de grande importância para o sucesso no combate e contenção de incêndios, sendo que os fogos aumentam exponencialmente a velocidade de expansão desde o momento da ignição. No campo da deteção precoce de fumo e incêndios, o projeto CICLOPE é atualmente pioneiro no emprego de uma vasta rede de Torres de Aquisição Remota para a prevenção e monitorização de incêndios florestais, aliado a um sistema automático de deteção de colunas de fumo baseado em regras, cobrindo mais de 2,700,000 hectares de território rural e florestal em Portugal continental. No entanto, os desafios inerentes à deteção automática de colunas de fumo levantam problemas com elevadas taxas de Falsos Alarmes que afetam a qualidade de classificação e sobrecarregam os Centros de Gestão e Controlo com inúmeros falsos alarmes. Esta dissertação tem como objetivo avaliar o potencial de melhoria da taxa de deteção e especificidade com a implementação de arquiteturas de Deep Learning e propõe uma solução como Prova de Conceito baseada numa Dual-Channel CNN que pode ser implementada como uma segunda camada de confirmação da classificação de forma a refinar o sistema de deteção automática do CICLOPE. A solução proposta toma partido da elevada cobertura de verdadeiros alarmes de incêndio do sistema atual ao utilizar apenas as imagens associadas às deteções de alarmes e respetiva região delimitada do objeto de suspeição de incêndio. A rede Dual-Channel CNN combina uma arquitetura DenseNet do estado da arte e uma nova rede seletiva com módulos de atenção espacial e de canal, treinadas separadamente com dados obtidos do sistema CICLOPE, fundindo os atributos extraídos por cada rede numa camada de concatenação. Os resultados experimentais da Prova de Conceito indicam que a Dual-Channel CNN proposta atinge melhores resultados do que as redes de cada canal individual, e efetivamente alcança uma elevada taxa de deteção de 99.7% e uma baixa taxa de Falsos Alarmes de apenas 0.20%.

In recent years Portugal has seen a wide variability in wildfire damage that is associated with the high unpredictability of climatic events such as severe heatwaves and drier summers. Timely and accurate detection of wildland and rural fires is therefore of great importance for successful fire containment and suppression efforts, as wildfires exponentially increase spread rate from the moment of ignition. In the field of early smoke detection, the CICLOPE project currently trailblazes in the employment of a network of Remote Acquisition Towers for wildfire prevention and observation, along with a rule-based automatic wildfire detection system, covering over 2,700,000 acres of wildland and rural area in continental Portugal. However, the inherent challenges of automatic smoke detection raise issues of high False Alarm rates that affect the system’s prediction quality and overwhelm the Management and Control Centres with numerous false alarms. This dissertation aims at evaluating the potential improvement in detection accuracy and specificity with the implementation of Deep Learning architectures and proposes a Proof of Concept solution based on a Dual-Channel CNN that can be deployed as a secondary prediction confirmation layer to further refine the CICLOPE automatic smoke detection system. The proposed solution takes advantage of the high true alarm coverage of the current detection system by taking only the predicted alarms images and respective bounding box coordinates as inputs. The Dual-Channel network combines a state-of-the-art DenseNet architecture with a novel detail selective network with spatial and channel attention modules trained separately with image data obtained from CICLOPE, fusing the extracted features from both networks in a concatenation layer. The experimental Proof of Concept results show that the proposed Dual-Channel CNN outperforms both single-channel networks and effectively returns a high detection rate with an Accuracy of 99.7% and much lower False Alarm Rate of 0.20%.