Remote sensing-based adaptation of the Canadian Fire Weather Index towards developing a new fire danger monitoring system for Europe
Notice bibliographique
Résumé
Waldbrände stellen eine der größten Bedrohungen für die Gesellschaft dar. Vor allem im Hinblick darauf, dass der Klimawandel die Umweltbedingungen verschärft und zu einer höheren Zahl von großflächigen Waldbränden führt, ist die Überwachung der Brandgefahr von großer Bedeutung für die Sensibilisierung der Bevölkerung und die Ergreifung entsprechender Maßnahmen zur Risikominderung. Verschiedene Methoden zur Bewertungen der Brandgefahr beziehen unterschiedliche Komponenten der Brandgefahr ein, u.a. atmosphärische und klimatische Bedingungen sowie die Verfügbarkeit von brennbarem Material in Form von toter oder lebender Vegetation. Der kanadische Fire Weather Index (FWI) ist ein weit verbreitetes, erfolgreiches System zur Bewertung von Bränden, welches in das European Forest Fire Information System (EFFIS) integriert ist. Es handelt sich um einen meteorologischen Feuerindex, der für einen Standard-Brennstofftyp in Kanada entwickelt wurde, der jedoch unterschiedliche Vegetations- und Waldtypen nicht berücksichtigt. Diese Masterarbeit entwickelt und testet einen neuen Ansatz zur Überwindung dieser Einschränkungen mit der Einbettung des fernerkundungsbasierten Vegetationsindizes Vegetation Condition Index (VCI). Es wird untersucht, ob durch die Integration der Vegetationsindizes in das FWI-System die Beurteilung der Brandgefahr verbessert wird. Die Bewertung erfolgte auf Grundlage der Vorhersagegenauigkeit der detektierten Brandfläche und Brandschwere. Der Feuergefahrenindex wurde basierend auf ERA5-Land Klima-Reanalysedaten und mittels historischer ERA5-Feuergefahren-indizes als Referenzdaten berechnet. Durch die Integration des VCI basierend auf Sentinel-3 (S3) wurde der FWI direkt angepasst, wobei systematisch mehrere Gewichtungsfaktoren des VCI getestet wurden.\nDie Analyse wurde monatlich für die Waldbrandsaison von Juni bis September im Zeitraum 2016 bis 2021 im Untersuchungsgebiet Andalusien (Spanien) durchgeführt. Die Vorhersage der Brandgefahrenindizes wurde mit dem Pearson-Korrelationskoeffizienten r sowie den Klassifizierungsmetriken Accuracy und Intersect-over-Union (IoU) analysiert, welche auf einer random forest Klassifizierung basierte. Es wurde festgestellt, dass die VCI-Integration der höher aufgelösten Daten von S3 zu einer verbesserten räumlichen Differenzierung der Bewertung der Brandgefahr auf der Grundlage von ERA5-Land Klima-Reanalysedaten führt. Das Testen der Parameter basierte den zwei grundlegenden Szenarien Verringerung und Erhöhung der Bewertung der Brandgefahr. Die Ergebnisse deuten auf eine mögliche Unterschätzung der Brandgefahr des ursprünglichen FWI hin. Während die accuracy allein sich als unzulängliche Vergleichsstatisik erwies, war der IoU-Score für die Klasse der 'verbrannten Gebiete' (unburned areas) der aussagekräftigste Bewertungsparameter. Dieser zeigte Parameterkombinationen auf, bei denen die Anzahl der False-Negative zu zugunsten der True-Negative Klassifikation abnahm. Die vorhergesagte Brandgefahr und die Brandschwere zeigen eine niedrige bis mittlere Korrelation. Die Teste änderten vor allem das Vorzeichen der Linearität, wobei eine Erhöhung des FWI zu einer stärker positiven und eine Verminderung des FWI zu einer stärker negativen Korrelation führte. Gleichzeitig wurde der Wertebereich des Gefahrenindexes stark verändert. Die monatlichen Analysen zeigten bessere Ergebnisse, je größer die Stichprobenanzahl war, und wiesen nur eine geringe saisonale Variabilität auf. Auf Grundlage dieser Arbeit könnten weitere Untersuchungen erfolgen, um die Auswirkungen der Anpassung durch die Integration des Vegetationsindex in den Fire Weather Index eingehender zu analysieren.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».