Application of ConvLSTM Neural Networks in Forest Fire Early Warning Systems for Vietnam

Abstract

Listen in: English (British) Español (España) Name: Loading voices… ▶ Listen to Abstract Pause Stop Speed: 0.75x1x 1.25x1.5x

Aplicación de redes neuronales ConvLSTM en sistemas de alerta temprana de incendios forestales para Vietnam Autores: Pham Thi Lien - Thai Nguyen University of Information and Communication Technology (VN) Nguyen Thu Huong - Thai Nguyen University of Information and Communication Technology, Viet Nam; MIREA – Russian Technological University, Moscow (RU) Nguyen The Long - Sao Do University, Hai Phong, Viet Nam; MIREA – Russian Technological University, Moscow (RU) Resumen Los incendios forestales representan una amenaza significativa para Vietnam, especialmente durante la estación seca. Este estudio investiga una arquitectura de aprendizaje profundo basada en ConvLSTM para la detección temprana de incendios. A diferencia de los métodos basados en fotogramas individuales o en umbrales, ConvLSTM modela conjuntamente las características espaciales —mediante capas convolucionales— y las dependencias temporales —mediante unidades LSTM—. Se utiliza un conjunto de datos de acceso público compuesto por 999 imágenes con y sin incendios. Para aplicar ConvLSTM a imágenes estáticas, se construyen secuencias temporales mediante una ventana deslizante sobre variantes aumentadas de las imágenes. El modelo propuesto alcanza una precisión global del 98,3 %, una precisión positiva del 98,1 %, una sensibilidad del 96,8 % y una puntuación F1 del 98,1 % en el conjunto de prueba. Estos resultados se comparan con modelos CNN y LSTM independientes. Entre las limitaciones se incluyen el tamaño reducido del conjunto de datos, el desequilibrio entre clases —el 75 % de las imágenes corresponden a incendios— y la ausencia de datos específicos de Vietnam. Los trabajos futuros deberían centrarse en conjuntos de datos más amplios y específicos de la región, así como en la implementación en tiempo real en dispositivos edge.

Forest fires pose a significant threat to Viet Nam, particularly during the dry season. This study investigates a ConvLSTM-based deep learning architecture for early fire detection. Unlike single-frame or threshold-based methods, ConvLSTM jointly models spatial features (via convolutional layers) and temporal dependencies (via LSTM units). We utilize a publicly available dataset of 999 fire and non-fire images. To apply ConvLSTM to static images, we construct temporal sequences using a sliding window over augmented variants. The proposed model achieves 98.3% accuracy, 98.1% precision, 96.8% recall, and a 98.1% F1-score on the test set. These results are compared with standalone CNN and LSTM models. Limitations include the limited dataset size, class imbalance (75% fire images), and the lack of Viet Nam-specific data. Future work should focus on larger, region-specific datasets and real-time deployment on edge devices.