FIREFLY simule des scénarios de comportement des incendies de forêt et de végétation aux échelles géographiques et météorologiques. Une approche par modélisation inverse est appliquée, basée sur l’assimilation de la position du front de feu. L’idée-clé est de traduire les différences entre les positions des fronts de feu observées et simulées en une correction des facteurs météorologiques et environnementaux (par exemple, le vent proche de la surface, la teneur en humidité des combustibles mort/vivant, la charge en surface mort/vivant, le rapport surface-volume mort/vivant) ou directement de la position du front de feu simulé.
Composantes principales
- un modèle de propagation de feu qui traite l’incendie comme un front de propagation à la surface du sol et utilise une paramétrisation de la vitesse de propagation (ROS) en fonction des facteurs météorologiques et environnementaux locaux basés sur la formulation semi-empirique de Rothermel,
- une série d’observations de la position du front de feu (dérivées de l’imagerie thermique infrarouge),
- une approche par inversion basée sur le filtre de Kalman d’ensemble (EnKF), avec 2 étapes successives par fenêtre d’assimilation
- l’étape de prédiction (prévision), dans laquelle le modèle est intégré jusqu’à la prochaine observation pour produire une prévision de la position du front de feu étant donné les incertitudes en jeu dans les facteurs environnementaux en entrée,
- l’étape de mise à jour (analyse), dans laquelle les prévisions d’ébauche sont mise à jour en adéquation avec les observations nouvellement disponibles et leurs incertitudes en s’appuyant sur l’équation d’analyse de Kalman.
Prochains verrous à lever dans le cadre du projet ANR FIREFLY
Les travaux en cours visent à étendre l’approche de l’assimilation de données à la modélisation couplée atmosphère-feu et à rendre le processus d’assimilation de données efficace et robuste. L’idée principale est de pouvoir corriger les paramètres incertains liés aux combustibles et la position du front de feu, et de traiter les erreurs de position du front pour produire des prévisions plus précises du modèle couplé atmosphère-feu pour un événement d’incendie donné.
4 étapes sont prévues :
- Analyse de sensibilité pour identifier les paramètres les plus influents sur la propagation du feu et le vent induit par le feu, qui sont les plus importants à inférer par assimilation de données,
- Émulation du modèle couplé atmosphère-feu par apprentissage machine/profond afin d’apprendre la réponse du modèle couplé aux variations des facteurs environnementaux incertains,of the
- Intégration de l’émulateur dans le système d’assimilation de données pour accélérer l’étape d’estimation de paramètres
- Évaluation sur des feux expérimentaux