предыдущий|следующий

Сравнение и исследование повторной инициализации систем моделирования распространения лесных пожаров FARSITE и Cell2Fire

  • role： First author第一作者
  • Affiliation：

    School of Internet of Things, Nanjing University of Posts and Telecommunications, Nanjing 210000, China

  • Email：1022173213@njupt.edu.cn
  • Introduction：辛淇， 研究方向为林火蔓延模拟、时间序列异常检测。E-mail： 1022173213@njupt.edu.cn
XIN Qi1,  
  • Affiliation：

    School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210000, China

YUAN Yuan2,  
  • Affiliation：

    School of Internet of Things, Nanjing University of Posts and Telecommunications, Nanjing 210000, China

ZHOU Junhan1,  
  • Affiliation：

    Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

LI Ziyang3,  
  • role： Corresponding author通信作者
  • Affiliation：

    Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

  • Email：zhouzg@aircas.ac.cn
  • Introduction：周增光， 研究方向为时序数据分析。E-mail： zhouzg@aircas.ac.cn
ZHOU Zengguang3*

реферат

Моделирование распространения лесных пожаров на основе данных дистанционного зондирования заключается в получении информации о горючих материалах, рельефе и очагах пожаров с помощью технологий ДЗЗ, а также использовании моделей моделирования распространения пожаров для прогнозирования динамики лесных пожаров. Это имеет важное значение для работы по предотвращению и тушению лесных пожаров. В данной статье используются два симулятора распространения лесных пожаров — Cell2Fire и FARSITE — для моделирования двух пожаров в уезде Ляншань провинции Сычуань и Налзинь автоного района Внутренняя Монголия, а также проведено сравнение точности моделей. Кроме того, для решения проблемы низкой точности непрерывного моделирования предложен метод повторной инициализации зоны прогорания на основе спектрального индекса BAI и регионального роста, который позволяет автоматически выделять зоны прогорания и повторно инициализировать симуляторы распространения пожаров с использованием данных спутниковых очагов пожаров, тем самым повышая точность моделирования за несколько дней подряд. Экспериментальные результаты показывают: (1) результаты моделирования FARSITE и Cell2Fire схожи, при этом в большинстве случаев точность FARSITE немного выше; (2) по сравнению с методами непрерывного моделирования и повторной инициализации с использованием VIIRS, предложенный метод повторной инициализации зоны прогорания способен улучшить накопление ошибок при длительном моделировании и проблему недостаточного моделирования из-за отсутствия данных о ранних очагах пожара. Результаты моделирования Cell2Fire и FARSITE с использованием метода повторной инициализации зоны прогорания имеют наивысшую точность, что указывает на то, что выбор подходящего метода моделирования может быть важнее, чем выбор симулятора для повышения точности результатов.

ключеви́че слова́

FARSITE;Cell2Fire;VIIRS;лесные пожары;моделирование пожаров;лесной пожар Ляншань 5·7;лесной пожар Налзинь 5·17

References

  1. 1.
    Albini F A. 1985. A model for fire spread in wildland fuels by-radiation. Combustion Science and Technology, 42(5/6): 229-258
  2. 2.
    Bataineh B, Abdullah S N H S and Omar K. 2011. An adaptive local binarization method for document images based on a novel thresholding method and dynamic windows. Pattern Recognition Letters, 32(14): 1805-1813
  3. 3.
    Benali A, Sá A C L, Ervilha A R, Trigo R M, Fernandes P M and Pereira J M C. 2017. Fire spread predictions: sweeping uncertainty under the rug. Science of The Total Environment, 592: 187-196
  4. 4.
    Bezdek J C. 1980. A convergence theorem for the fuzzy ISODATA clustering algorithms. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-2(1): 1-8
  5. 5.
    Cardil A, Monedero S, Ramírez J and Silva C A. 2019. Assessing and reinitializing wildland fire simulations through satellite active fire data. Journal of Environmental Management, 231: 996-1003
  6. 6.
    Carrasco J, Pais C, Shen Z J M and Weintraub A. 2019. Adjusting rate of spread factors through derivative-free optimization: a new methodology to improve the performance of forest fire simulators. arXiv preprint arXiv:1909.05949
  7. 7.
    Cheney N P, Gould J S and Catchpole W R. 1998. Prediction of fire spread in grasslands. International Journal of Wildland Fire, 8(1): 1-13
  8. 8.
    Fons W L. 1946. Analysis of fire spread in light forest fuels. Journal of Agricultural Research, 72(3): 92-121
  9. 9.
    Ghali R and Akhloufi M A. 2023. Deep learning approaches for wildland fires using satellite remote sensing data: detection, mapping, and prediction. Fire, 6(5): 192
  10. 10.
    Hawbaker T J, Vanderhoof M K, Beal Y J, Takacs J D, Schmidt G L, Falgout J T, Williams B, Fairaux N M, Caldwell M K, Picotte J J, Howard S M, Stitt S and Dwyer J L. 2017. Mapping burned areas using dense time-series of Landsat data. Remote Sensing of Environment, 198: 504-522
  11. 11.
    Jahdi R, Salis M, Darvishsefat A A, Alcasena F, Mostafavi M A, Etemad V, Lozano O M and Spano D. 2016. Evaluating fire modelling systems in recent wildfires of the Golestan National Park, Iran. Forestry: An International Journal of Forest Research, 89(2): 136-149
  12. 12.
    Justice C O, Román M O, Csiszar I, Vermote E F, Wolfe R E, Hook S J, Friedl M, Wang Z S, Schaaf C B, Miura T, Tschudi M, Riggs G, Hall D K, Lyapustin A I, Devadiga S, Davidson C and Masuoka E J. 2013. Land and cryosphere products from Suomi NPP VIIRS: overview and status. Journal of Geophysical Research: Atmospheres, 118(17): 9753-9765
  13. 13.
    Kudláčková L, Poděbradská M, Bláhová M, Cienciala E, Beranová J, McHugh C, Finney M, Novotný J, Zahradníček P, Štěpánek P, Linda R, Pikl M, Vébrová D, Možný M, Surový P, Žalud Z and Trnka M. 2024. Using FlamMap to assess wildfire behavior in Bohemian Switzerland National Park. Natural Hazards, 120(4): 3943-3977
  14. 14.
    Laneve G, Di Fonzo M, Pampanoni V and Morles R B. 2024. Progress and limitations in the satellite-based estimate of burnt areas. Remote Sensing, 16(1): 42
  15. 15.
    Lasaponara R and Tucci B. 2019. Identification of burned areas and severity using SAR Sentinel-1. IEEE Geoscience and Remote Sensing Letters, 16(6): 917-921
  16. 16.
    Legendre P and Legendre L. 1998. Numerical Ecology. Amsterdam: Elsevier Science and Technology
  17. 17.
    Liu J X, Maeda E E, Wang D and Heiskanen J. 2021. Sensitivity of spectral indices on burned area detection using Landsat time series in savannas of southern Burkina Faso. Remote Sensing, 13(13): 2492
  18. 18.
    Mitchell H, Gwynne S, Ronchi E, Kalogeropoulos N and Rein G. 2023. Integrating wildfire spread and evacuation times to design safe triggers: application to two rural communities using PERIL model. Safety Science, 157: 105914
  19. 19.
    Mpakairi K S, Kadzunge S L and Ndaimani H. 2020. Testing the utility of the blue spectral region in burned area mapping: insights from savanna wildfires. Remote Sensing Applications: Society and Environment, 20: 100365
  20. 20.
    Niblack W. 1985. An introduction to digital image processing. Topstykket: Strandberg Publishing Company
  21. 21.
    Otsu N. 1979. A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66
  22. 22.
    Pais C, Carrasco J, Martell D L, Weintraub A and Woodruff D L. 2021. Cell2Fire: a cell-based forest fire growth model to support strategic landscape management planning. Frontiers in Forests and Global Change, 4: 692706
  23. 23.
    Papadopoulos G D and Pavlidou F N. 2011. A comparative review on wildfire simulators. IEEE Systems Journal, 5(2): 233-243
  24. 24.
    Rao Y M, Wang C and Huang H G. 2020. Forest fire monitoring based on multisensor remote sensing techniques in Muli County, Sichuan Province. National Remote Sensing Bulletin, 24(5): 559-570
  25. 25.
    Rothermel R C. 1972. A mathematical model for predicting fire spread in wildland fuels. Research Paper INT-115. Department of Agriculture, Intermountain Forest and Range Experiment Station: 40
  26. 26.
    Sá A C L, Benali A, Fernandes P M, Pinto R M S, Trigo R M, Salis M, Russo A, Jerez S, Soares P M M, Schroeder W and Pereira J M C. 2017. Evaluating fire growth simulations using satellite active fire data. Remote Sensing of Environment, 190: 302-317
  27. 27.
    Sali M, Piaser E, Boschetti M, Brivio P A, Sona G, Bordogna G and Stroppiana D. 2021. A burned area mapping algorithm for Sentinel-2 data based on approximate reasoning and region growing. Remote Sensing, 13(11): 2214
  28. 28.
    Sauvola J and Pietikäinen M. 2000. Adaptive document image binarization. Pattern Recognition, 33(2): 225-236
  29. 29.
    Stocks B J, Lawson B D, Alexander M E, van Wagner C E, McAlpine R S, Lynham T J and Dubé D E. 1989. Canadian forest fire danger rating system: an overview. The Forestry Chronicle, 65(4): 258-265
  30. 30.
    Sullivan A L. 2009. Wildland surface fire spread modelling, 1990-2007. 2: empirical and quasi-empirical models. International Journal of Wildland Fire, 18(4): 369-386
  31. 31.
    Sun L Y, Xu C C, He Y L X, Zhao Y J, Xu Y, Rui X P and Xu H W. 2021. Adaptive forest fire spread simulation algorithm based on cellular automata. Forests, 12(11): 1431
  32. 32.
    Tang L Y, Mao H H, Chen C C and Huang H Y. 2015. Three-dimensional visual simulation of forest fire spread based on FARSITE. Journal of Natural Disasters, 24(2): 221-227
  33. 33.
    Wu Z W, He H S, Liang Y, Luo X and Cai L Y. 2012. Spatial distribution characteristics of potential fire behavior in Fenglin Nature Reserve based on FARSITE model. Acta Ecologica Sinica, 32(19): 6176-6186
  34. 34.
    Xu B B, Wang W Y, Chen L F, Tao J H, Ji X Y, Zhang C J and Fan M. 2022. Forest fire spread simulation based on VIIRS active fire data and FARSITE model. National Remote Sensing Bulletin, 26(8): 1575-1588
  35. 35.
    Yoo S and Song J. 2023. Rapid prediction of wildfire spread using ensemble Kalman filter and polyline simplification. Environmental Modelling and Software, 160: 105610
  36. 36.
    Yuan Y, Lin L, Huo L Z, Kong Y L, Zhou Z G, Wu B and Jia Y. 2020. Using an attention-based LSTM encoder-decoder network for near real-time disturbance detection. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 1819-1832
  37. 37.
    Zhao F, Shu L F, Zhou R L, Xiao X M, Wang M Y, Zhao F J and Wang Q H. 2017. Evaluating fire behavior simulators in southwestern China forest area. Chinese Journal of Applied Ecology, 28(10): 3144-3154

Читать полностью

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website