Remote sensing-based adaptation of the Canadian Fire Weather Index towards developing a new fire danger monitoring system for Europe
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".