Fire Risk Prediction Using Cloud-based Weather Data Services
Notice bibliographique
Résumé
Dry and cold winter seasons result in very dry indoor conditions and have historically contributed to severe fires in the high and dense representation of wooden homes in Norway. The fire in Lærdalsøyri, January 2014, is a devastating reminder of town fires still posing a threat to a modern society. In order to reduce conflagration probability and consequences, it is necessary to have an accurate estimate of the current and near future fire risk to take proper planning precautions. Cloud computing services providing access to weather data in the form of measurements and forecasts, combined with recent developments in fire risk modelling, may enable smart and fine-grained fire risk prediction services. The main contribution of this study is implementation and experimental validation of a wooden home predictive fire risk indication model, as well as outlining a wooden home fire risk concept. The wooden home fire risk model focuses on the first house catching fire (indoors) in a potential conflagration event. Such a fire would be critical to intervene prior to the fire developing exterior flames and embers post flashover, and thus high likelihood of fire spread. The implemented model exploits cloud-provided weather measurements and forecasts, to predict the current- and near future fire risk at given geographical locations. It computes the indoor wooden fuel moisture content of houses that may catch fire, using measured and forecasted outdoor temperature and relative humidity, and estimates the time to flashover. The latter is found through an empirical relation with the fuel moisture content, and can be used as an indication of the fire risk, beyond the modelled single house. The model implementation was integrated into a micro-service based software system and experimentally validated at selected geographical locations, relying on weather data provided by the RESTful API’s of the Norwegian Meteorological Institute. The validation took place by applying the model to predefined cases, with an outcome known from observations or theory. The first part is a general evaluation of the outputs, considering three historical fires. Then, seasonal changes and natural climate variations were considered. Our evaluation demonstrates the ability to provide trustworthy and accurate fire risk indications using a combination of recorded weather data and forecasts. Further, our cloud- and micro-service based software system implementation is efficient with respect to data storage and computation time. Finally, the novel fire risk concept is demonstrated for a selected city, based on model output. It successfully depicts the implications following reduced indoor humidity by utilizing location specific fire risk contours.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».