Fire Danger Characterization in Italy: Mitigating the Impact on Real Time Operation of the Power System
Notice bibliographique
Résumé
Wildfires are highly disruptive events for the continuity of the electricity system, as they can directly affect electrical infrastructures, or they need transmission overhead lines to be deactivated for allowing firefighters to deal with the flames. They are also events that are extremely hard to forecast, as they mainly need human actions (or negligence) for ignition. Fire weather indices compute wildfire danger from meteorological data, thus allowing stakeholders to take preventive measures where there is a high fire spread risk. In this paper, the Canadian Fire Weather Index (FWI) has been used to assess daily wildfire danger over the Italian territory for the past decades, using as input the high-resolution reanalysis MERIDA HRES OI, developed by RSE S.p.A. MERIDA HRES OI is a gridded meteorological dataset at hourly resolution covering Italy, with a 4km spatial resolution. It is a reconstruction of the past meteorological conditions using a numerical weather model and integrating experimental data through Optimal Interpolation. The FWI dataset obtained from MERIDA HRES has been tested against the EFFIS Burned Area Dataset to assess its accuracy in representing past fire-prone weather, in which wildfires ignited and spread. This analysis shows that the dataset correctly classifies more than 80% of the wildfire events in the “high” danger class or above. The study on the FWI reanalysis dataset also allowed for the development of an FWI-based wildfire danger forecasting system, currently being tested in an operational environment. A test case study is discussed to showcase the accuracy at different lead times of the FWI forecasting system prototype.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».