Quantification of wildland fire risk using metamodeling of fire spread
Quantification du risque incendie par métamodélisation de la propagation de feux de forêt
Résumé
This work addresses the quantification of wildfire risk by relying on simulations of fire spread. The objectives are to compute the probability distribution of burned surfaces that could result from wildfire ignition and quickly generate maps to assess which areas should receive focused protection against wildfires. This probability distribution should represent the uncertainty in the simulations. First, an ensemble of wildland fire spread simulations accounting for sources of uncertainty is generated following a Monte Carlo approach, and probabilistic evaluation of the predictions with observations is carried out. Then, the underlying probability distributions are calibrated based on the observations by adapting the Wasserstein distance to the comparison of burned surfaces to improve prediction performance in presence of uncertainty. Subsequently, a deep learning approach is followed to train a "hybrid" neural network with a convolutional part, thus building an emulator of "potential" fire size simulated by the fire spread model allowing to considerably reduce the computational time implied by the large amount of simulations required for high-resolution maps. Eventually, this emulator is applied to derive fire danger mapping from daily weather forecasts and applied to assess relatively large fire events.
Ce travail porte sur la quantification du risque incendie en se fondant sur des simulations de propagation de feux de forêt. Les objectifs sont de calculer la distribution de probabilité des surfaces brûlées pouvant résulter d'un départ de feu et de générer des cartes permettant d'estimer quelles zones doivent être protégées en priorité. Les simulations pouvant donner lieu à des erreurs de prévision, la distribution de probabilité en question doit représenter l'incertitude associée aux simulations. Dans un premier temps, un ensemble de simulations de propagation de feux de forêt prenant en compte les sources d'incertitude est généré selon une approche Monte Carlo, et les prévisions, probabilistes, sont comparées à des observations selon des critères adaptés. Ensuite, les distributions de probabilité sous-jacentes sont calibrées à partir des observations en adaptant la distance de Wasserstein à la comparaison de surfaces brûlées afin d'améliorer la qualité des prévisions, tout en tenant compte de l'incertitude. Par la suite, une approche d'apprentissage profond est mise en œuvre pour entraîner un réseau de neurones "hybride" avec une partie convolutionnelle, élaborant ainsi un émulateur de taille de feu "potentielle" simulée par le modèle de propagation afin de diminuer considérablement le temps de calcul associé au grand nombre de simulations nécessaires à l'élaboration de cartes à haute résolution. Enfin, l'émulateur est utilisé pour générer des cartes de danger incendie à partir de vraies prévisions météorologiques générées pour des jours où des feux relativement grands ont eu lieu.
Domaines
Mathématiques [math]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|