Physikbasierte Denoising-Autoencoder verbessern UAV-Wildfeuer-Überwachung

Die Überwachung von Waldbränden erfordert hochauflösende atmosphärische Messungen, doch kostengünstige Sensoren an unbemannten Luftfahrzeugen (UAVs) leiden unter Basisdrift, Quersensitivität und Reaktionsverzögerungen, die die Konzentrationsschätzungen verfälschen. Traditionelle Deep‑Learning‑Ansätze zur Rauschunterdrückung benötigen große Datensätze, die bei begrenzten UAV-Flügen praktisch nicht verfügbar sind.

Um dieses Problem zu lösen, wurde PC²DAE entwickelt – ein physikinformierter Denoising‑Autoencoder, der physikalische Beschränkungen direkt in die Netzwerkarchitektur einbettet. Durch Softplus‑Aktivierungen werden nichtnegative Konzentrationswerte garantiert, während zeitlich plausibles Glätten die Ausgaben physikalisch zulässig macht, ohne auf Verlustfunktionen angewiesen zu sein. Die Architektur nutzt hierarchische Decoder‑Köpfe für Black‑Carbon-, Gas- und CO₂‑Sensorfamilien und bietet zwei Varianten: PC²DAE‑Lean (21 000 Parameter) für Edge‑Deployment und PC²DAE‑Wide (204 000 Parameter) für Offline‑Verarbeitung.

Die Leistung wurde an 7 894 synchronisierten 1 Hz‑Proben aus UAV‑Flügen während kontrollierter Brandübungen in Saskatchewan, Kanada, getestet – etwa 2,2 Stunden Flugzeit, zwei Größenordnungen unter dem üblichen Bedarf für Deep‑Learning‑Modelle. PC²DAE‑Lean erzielte eine Glättungsverbesserung von 67,3 % und eine Hochfrequenzrauschreduktion von 90,7 % ohne physikalische Verstöße. Im Vergleich dazu produzieren fünf Baselines (LSTM‑AE, U‑Net, Transformer, CBDAE, DeSpaWN) 15–23 % negative Ausgaben. Die schlanke Variante übertrifft sogar die breitere Version um 5,6 % in der Glättung, was zeigt, dass ein stark induzierter Bias bei geringerer Kapazität die Leistung steigert.