Comparative Analysis of Ensemble and Deterministic Models for Fire Weather Index (FWI) System Forecasting
Notice bibliographique
Résumé
Abstract Accurate fire weather forecasting is essential for effective wildfire management, particularly in regions increasingly affected by extreme fire activity such as British Columbia and Alberta, Canada. This study evaluates the predictive performance of three ensemble forecasting systems—the Ensemble Prediction System (ENS), the Global Ensemble Forecast System (GEFS), and the Canadian Global Ensemble Prediction System (GEPS)—and one deterministic model (High Resolution Forecast, HRES)—in forecasting components of the Canadian fire weather index (FWI) system with 1–15 days lead time during the 2021–23 wildfire seasons. Using ERA5 reanalysis as reference datasets, forecast skill was assessed using mean absolute error (MAE), continuous ranked probability score (CRPS), and precision-recall area under the curve (PR-AUC) metrics. Results show that ENS consistently demonstrates superior performance across all FWI components and weather inputs, with lower MAE and CRPS values across all the forecast lead times. A super ensemble combining all ensemble members from ENS, GEFS, and GEPS further improves long-range forecast reliability. Although deterministic forecasts outperform individual ensemble members, they are generally surpassed by ensemble-mean and ensemble-median forecasts at lead times greater than 5 days. The skill of deterministic forecasts also declines more rapidly with lead time and fails to quantify forecast uncertainty, despite their higher spatial resolution. These findings highlight the operational benefits of incorporating ensemble forecasts into fire management decision-making. This study also emphasizes the importance of overwintering adjustments and ensemble size in forecast skill and provides insights for improving fire weather prediction systems. Significance Statement Accurate fire danger forecasts support timely wildfire response and planning. This study evaluates the performance of three leading ensemble weather forecasting systems in predicting fire weather conditions across western Canada. It also compares the ensemble forecasts with the deterministic forecasts, the latter being more commonly used in operational fire management. The results show that ensemble-based fire weather forecasts can provide more reliable predictions, especially under high-risk conditions. By highlighting the strengths of ensemble systems, this work supports improvements in fire weather forecasting practices and helps inform operational decision-making in wildfire management.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».