Influence of Local Vegetation on Fire Spread Mechanisms in Surface Fires
Notice bibliographique
Résumé
The climate change in northern Europe is not only leading to more extreme weather events but also causing long dry summers. This affects the moisture content of the ground and the vegetation. Causing an increased number of wildfires within Germany posing a risk to the environment, society, and firefighters. Surface fire spread in wildfires can be influenced by several environmental conditions and parameters. As the extensive knowledge gained for the US, Australia, Canada, and southern Europe might be not fully applicable to northern Europe a parametric study is carried out based on a field experiment in Saxony-Anhalt Germany. The present work utilizes the particle model of the wildland-urban interface part implemented in the Fire Dynamics Simulator to analyse numerically the influence of the local vegetation on the surface fire spread. Therefore, a 9 m2 area of grassland is modelled and the influence of parameters such as packing ratio, moisture fraction, gras height, ambient temperature, and others are analysed. The vegetation is represented using particles. The combustion is based on a three-step pyrolysis model. The results show the importance of the energy released in ratio to the energy required for pyrolysis. This is observed in models with lower grass blades, a low packing ratio or high moisture contents as these are not leading to a sustained spread. Furthermore, vegetation-specific pyrolysis kinetic parameters are used. However, the significance of these cannot be identified for the chosen case. The chosen parameters in this work are only based on single measurements or assumptions. Therefore, future research should improve the parameters by analysing a larger number of samples. In addition, it should be investigated for other case studies whether individual pyrolysis kinetic parameters are required or if the default ones are sufficient as the deviations are neglectable compared to the uncertainty of the model.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».