如果森林从大气中吸收的碳多于释放的碳,则森林被认为是碳汇。
森林是稳定气候的力量。它们调节生态系统、保护生物多样性、在碳循环中发挥不可或缺的作用、支持生计并提供能够推动可持续增长的商品和服务。
森林在气候变化中的作用是双重的。它们既是温室气体排放的原因,也是解决方案。全球约 25% 的排放来自土地部门,这是仅次于能源部门的第二大温室气体排放源。其中大约一半(每年 5-10 GtCO2e)来自森林砍伐和森林退化。
森林也是应对气候变化影响的最重要解决方案之一。每年约有 26 亿吨二氧化碳被森林吸收,占燃烧化石燃料释放的二氧化碳的三分之一。估计表明,全世界有近 20 亿公顷退化土地——面积相当于南美洲的面积——为恢复提供了机会。因此,增加和维护森林是应对气候变化的基本解决方案。[来源]
森林最常受到野火和森林砍伐的影响。
野火是农村或城市地区植被区域的不受控制的火灾,而丛林大火是指丛林中无法控制的火灾。丛林大火/野火会迅速烧毁数百万英亩的土地,并会以它们的方式摧毁一切——树木、房屋、动物和人类。
我们通常听说加利福尼亚的野火。野火也发生在其他州和国家。截至 2020 年 9 月 25 日:
从 2019 年 9 月到 2020 年 3 月,当最后一场大火被扑灭时,澳大利亚发生了历史上最严重的丛林大火之一。2019 年是澳大利亚创纪录的最热年份,丛林大火季节从 2019 年 6 月开始。这在全国各地造成了大规模破坏,每个州和领地都发生火灾。截至 2020 年 1 月 6 日:
气候变化导致的炎热天气使森林和植被更加干燥,因此更容易燃烧。结果,平均野火季节比几十年前长了三个半月,西部每年的大火数量增加了两倍。消息人士称,未来野火将变得更加严重。
气候变化可能是更严重的野火/丛林大火的原因,但这场灾难也会导致气候变化,导致温室气体排放无法控制。一氧化碳和二氧化碳以危险的大量释放,这对人类和环境都是有害的。
当木材的采伐、运输、加工、购买或销售违反国家或地方法律时,就会发生非法采伐和相关贸易。当森林被清除以种植油棕等种植园时,也会发生这种情况。由于对木材、纸张和衍生产品(包括包装)的需求不断增加,存在非法采伐。
非法采伐不仅给森林留下了明显的破坏痕迹——古树曾经矗立的大洞——它剥夺了当地社区和负责任公司的经济生计。[来源]
非法采伐对环境的影响包括森林退化、生物多样性丧失和温室气体排放,从而导致全球气候变化。
该项目的目的是通过使用 QuickLogic QuickFeather 开发套件和 SensiML Analytics Toolkit 分析实时音频来检测野火和非法伐木。
QuickFeather 板将由可充电电池 - 锂离子电池供电。
QuickFeather开发套件是一个小型系统,非常适合支持下一代低功耗机器学习 (ML) 的物联网设备。与其他基于专有硬件和软件工具的开发套件不同,QuickFeather 基于开源硬件,与 Adafruit Feather 外形兼容,并且围绕 100% 开源软件(包括 Symbiflow FPGA 工具)构建。
QuickFeather 由 QuickLogic 的 EOS™ S3 提供支持,这是首款完全支持 Zephyr RTOS 且支持 FPGA 的 Arm Cortex®-M4F MCU
我将使用 6V 3.5W 太阳能电池板为 QuickLogic QuickFeather 开发套件供电。
在开始之前,您应该使用最新的数据收集固件刷新 QuickFeather 开发套件,以便与 SensiML Data Capture Lab 一起使用。您可以从这里下载二进制文件。
在这个项目中,我们将使用简单流 - 音频数据收集二进制文件。
您可以从位于https://github.com/QuickLogic-Corp/qorc-sdk的 qorc github 存储库中的数据收集源构建自己的二进制文件。
使用 Data Capture Lab 记录数据需要 Data Collection 固件。运行知识包时禁用数据收集。
确保您的系统上安装了 Python;建议安装 Python 3.6 或更新版本。
您将需要 QuickLogic 的 TinyFPGA Programmer 来刷新您的设备。当您下载 TinyFPGA Programmer 时,您需要使用 git 从 github 克隆 repo。下载 repo 的 zip 版本可能会导致意外结果。
用于git clone
下载 TinyFPGA Programmer,git clone --recursive https://github.com/QuickLogic-Corp/TinyFPGA-Programmer-Application.git
然后pip3 install tinyfpgab
安装 Python 库。
将固件文件放在 TinyFPGA 编程器目录中,该目录还包含tinyfpga-programmer-gui.py
. 通过 USB 插入设备并按下 QuickFeather 上的“重置”按钮。LED 将呈蓝色闪烁五秒钟。在 LED 仍在快速闪烁时按下“用户”按钮。按下“用户”按钮后,LED 将开始闪烁绿色,并且闪烁的速度会像“呼吸”一样缓慢。这意味着设备处于上传模式。如果 LED 没有闪烁绿色,请重复此步骤。
当 LED 闪烁绿色时,通过运行以下命令将数据收集二进制程序编程到 QuickFeather 中:
python /Your-directory-path-to-TinyFPGA-Programmer/tinyfpga-programmer-gui.py --port COMX --m4app /Your-directory-path-to-binary/quickfeather-audio-data-collection-uart.bin --mode m4
如果固件文件和固件文件tinyfpga-programmer-gui.py
在同一目录中,那么您可以通过运行以下命令来刷新 QuickFeather:
python tinyfpga-programmer-gui.py --port COMX --m4app quickfeather-audio-data-collection-uart.bin --mode m4
在运行此命令之前,请确保在命令提示符中将目录更改为 TinyFPGA 程序员的目录。
COMX 是 QuickFeather 的 COM 端口。您可以通过转到控制面板中的设备管理器中的端口来检查端口号(如果您使用的是 Windows 操作系统)。
刷新固件后,按“重置”按钮加载新应用程序。LED 应闪烁蓝色五秒钟,然后在完成后关闭。
Data Capture Lab 是一个成熟的时间序列传感器数据收集和标记工具,它带来了开发人员在编程工具中习惯的自动化数据集管理水平,但迄今为止在边缘 ML 软件中严重缺失。SensiML 的方法侧重于允许开发人员将数据集构建为可以根据需要轻松维护、修改、探索、扩展和导出的持久知识产权 (IP)。为建模过程提供的良好数据可转化为良好的 ML 推理代码作为输出。[来源]
首先,创建一个新帐户并下载相应的 DCL 软件。下载软件后,登录您的帐户。
创建一个新项目并将其保存在 SensiML 项目目录中。
默认情况下,QuickFeather 固件的 Simple Streaming 版本使用硬件 UART。这意味着必须使用 USB 转 TTL 串行适配器或另一个 Feather/Wing 进行通信。
打开项目后,单击切换模式并打开捕获模式。
设备插件是描述 DCL 如何从您的设备收集数据的属性列表。例如,设备插件可能包含您的设备支持的采样率列表。这允许 DCL 从任何已构建为接受以下支持的参数的设备收集数据。
您可以从此处下载简单流协议的 example.SSF 文件。Data Capture Lab 允许您通过.SSF 文件通过菜单项Edit → Import Device Plugin ... 导入设备插件...接下来,您将能够选择您的插件协议。
配置您的传感器并设置适当的采样率。我们将在这个项目中使用麦克风。
QuickLogic QuickFeather 开发套件中的麦克风是英飞凌 IM69D130 MEMS 麦克风,其灵敏度为 -36.0 dBFS,信噪比为 69 dB(A)。
在 DCL 软件右侧的硬件设置中,将 Capture Method 设置为 Live Stream Capture,将连接方法设置为 Serial Port。
插入连接到 QuickFeather 开发套件的 USB 转 TTL 串行适配器后,选择“查找设备”选项并单击扫描设备。选择适当的 UART COM 端口并连接您的设备。
如果它最初不起作用,请尝试拔下转换器并将其重新插入,或者断开并重新连接。
在标签设置中,为您正在录制的事件创建一个标签。在这种情况下,标签是Fire
和。在此之后,选择当前记录的元数据。我为元数据创建了一个并添加了两个值,它们是和。Felling
Normal
class
Train
Test
准备好后,按Begin Recording
捕获您的数据。
完成该过程后,切换到标签资源管理器模式并选择项目资源管理器。在其中,选择文件并确保数据准确地表示标签。为此,请将您的数据分成多个段。对项目资源管理器中的所有相关文件重复该过程。
转到文件菜单并选择关闭文件选项后,您现在可以使用 Analytics Studio 从捕获的数据生成模型。
DCL 中保存的数据会自动上传并存储在云端。
SensiML Analytics Studio 是 SensiML 软件套件的核心,它使用您的标记数据集,使用 AutoML 和广泛的边缘优化特征和分类器库快速生成高效推理模型。使用基于云的模型搜索,Analytics Studio 可以在几分钟或几小时内将标记的原始数据转换为高性能边缘算法,而不是像手动编码那样几周或几个月。Analytics Studio 使用 AutoML 来解决机器学习算法预处理、选择和调整的复杂性,而无需依赖专家手动定义和配置这些无数选项。
无论是经验丰富的 ML 专家还是只是学习数据科学的基础知识,Analytics Studio 都提供了一种工具,可以显着提高您的嵌入式算法开发效率。[来源]
转到Analytics Studio并登录您的帐户。选择您现在在 Data Capture Lab 中创建的项目。
要训练模型,我们必须首先以 Query 的形式告诉 Analytics Studio 我们要使用哪些数据。这可以通过单击Prepare Data
选项卡并输入名称、会话、标签、相关元数据、传感器以及如何绘制它来完成。保存后数据集应该会出现在右侧,我们可以看到每个标签中有多少段。
可以通过转到Build Model
选项卡并输入名称、刚刚创建的查询、窗口大小(使其与传感器的捕获率大小相同)、优化指标(f1-score 最平衡)来构建管道,以及分类器大小,它限制了模型的大小,非常适合加载到 ROM 受限的芯片上。单击Optimize
将通过并构建模型,并且根据数据集的大小,可能需要一段时间才能完成。
此项目的最后一步是将机器学习模型部署到您的 QuickLogic QuickFeather 开发套件。这可以通过获取知识包来完成。对于这个项目,我们将以二进制形式下载模型。在“下载模型”选项卡中,选择您刚刚使用以下设置优化的管道,如下图所示。
下载 zip 文件并将二进制文件解压缩到包含tinyfpga-programmer-gui.py
. 按照用于刷新简单流固件的相同步骤进行操作。
打开波特率为460800的串口监视器,就可以看到模型的分类输出了。
您可以使用 SensiML 测试应用程序检查机器学习模型识别的准确性。
我目前在下载知识包时遇到问题,因此目前无法制作工作视频。我已经在讨论区寻求帮助。但是我会尽力在知识包可用时上传视频。
未来,我想:
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !