Wildfire Spread Prediction Model Calibration Using Metaheuristic Algorithms

Abstract

Todos os anos, os incêndios rurais causam inúmeras perdas e destruição em todo o mundo. De forma a auxiliar na sua gestão e a mitigar o seu impacto, têm sido direcionados recursos para o desenvolvimento de sistemas de apoio à decisão que tenham a capacidade de prever a propagação dos incêndios. Durante uma ocorrência real, estes sistemas fornecem informações acerca da propagação do incêndio rural, num horizonte temporal próximo, permitindo assim que as autoridades responsáveis tomem melhores decisões no combate. Os sistemas de predição da propagação de incêndios são baseados em modelos de propagação de fogo, dos quais o mais utilizado e reconhecido é o modelo de Rothermel. No entanto, dada a complexidade dos incêndios rurais e a incerteza associada com a definição de alguns dos seus parâmetros de entrada, o modelo de Rothermel pode gerar resultados de propagação de fogo pouco exatos.O trabalho desenvolvido consistiu na implementação de três metaheurísticas - algoritmo genético (GA), evolução diferencial (DE) e recozimento simulado (SA) - para efetuar a calibração de parâmetros de entrada do modelo de Rothermel. Inicialmente, o modelo de Rothermel foi calibrado pelas três metaheurísticas utilizando 37 datasets de fogos controlados. Os resultados desta calibração foram comparados com as predições resultantes do modelo de Rothermel não calibrado e os tempos de calibração necessários foram obtidos, o que permitiu comparar o desempenho das três metaheurísticas. Posteriormente, foi testada uma metodologia baseada na calibração do modelo de propagação de fogo e consequente utilização dos parâmetros calibrados para obter predições futuras. Foi utilizado um modelo de propagação a duas dimensões baseado no modelo de Rothermel, tendo este sido calibrado pelas três metaheurísticas. De seguida, os resultados da calibração foram utilizados para obter predições da propagação do fogo para instantes futuros. As fases de calibração e predição foram realizadas utilizando dados de um incêndio controlado e os resultados obtidos foram comparados com as predições provenientes do modelo não calibrado.Os resultados das calibrações realizadas demonstraram que a evolução diferencial é um algoritmo bastante adequado para a área da predição da propagação de incêndios, área onde predominam os algoritmos genéticos. Adicionalmente, as predições da propagação do fogo melhoraram significativamente quando precedidas de calibração, tendo-se verificado reduções no erro de predição de mais de 80% em relação às predições obtidas sem ser realizada calibração.O trabalho desenvolvido nesta tese comprovou a competência do algoritmo genético como algoritmo de calibração do modelo de Rothermel e demonstrou o potencial do algoritmo evolução diferencial como um algoritmo de calibração alternativo. Além disto, a importância da metodologia baseada na calibração e predição ficou também patente pelas melhorias significativas verificadas nas consequentes predições da propagação de fogo.

Every year, wildfires cause significant losses and destruction around the world. In order to aid in their management and mitigate their impact, efforts have been directed towards developing decision support systems that can predict wildfire propagation. In a real wildfire event, these systems provide the authorities with information about the fire propagation in the near future, thus allowing them to make better decisions. Wildfire spread prediction systems are based on fire propagation models, from which the most used and accepted model is the Rothermel model. However, given the complexity of the wildfire phenomena and the uncertainty in the definition of some of its input parameter values, the Rothermel model can produce misleading results of fire propagation.In this work, three metaheuristic algorithms, genetic algorithm (GA), differential evolution (DE) and simulated annealing (SA), have been implemented for calibration of the Rothermel model's input parameters. First, the one-dimensional Rothermel model was calibrated using the three metaheuristics on 37 datasets containing data from controlled experimental fires. The calibration results were compared against the predictions provided by the non-calibrated Rothermel model and the three metaheuristics were compared in terms of their calibration and time performances. Moreover, a two-stage methodology based on the calibration of the fire spread model and the use of the calibrated parameters for obtaining improved predictions was tested. For this, a two-dimensional fire propagation model based on the Rothermel model was calibrated using the three metaheuristic algorithms. Afterward, the calibration results were used for predicting the fire propagation for a future time instant. Both the calibration and the prediction stages used data from a real controlled prescribed fire and the methodology was compared against the use of the fire propagation model without any calibration.The results of the calibration of both the one-dimensional Rothermel model and the two-dimensional Rothermel-based fire propagation model showed that differential evolution is a very suitable algorithm to be used in the wildfire spread prediction area, which is predominantly dominated by genetic algorithms. Additionally, the fire spread predictions were significantly improved by the calibration, with reductions in prediction error of more than 80%, in relation the fire spread predictions performed without any previous calibration.The work developed in this thesis confirmed the quality of genetic algorithms as a calibration algorithm for the Rothermel model and showed the potential of the differential evolution as a very suitable alternative as a calibration algorithm. Moreover, the importance of the two-stage methodology was proven and the fire spread predictions significantly improved.