Calibration of Two-Dimensional Wildfire Propagation Model Using Metaheuristic Algorithms

Abstract

Os incêndios florestais representam uma ameaça significativa em todo o mundo, provocando grandes danos e perdas a cada ano. Para gerir e minimizar eficazmente o seu impacto, esforços consideráveis têm sido dedicados ao desenvolvimento de sistemas de apoio à decisão capazes de prever a propagação de incêndios florestais. Esses sistemas visam fornecer às autoridades informações valiosas sobre a propagação futura do fogo durante eventos reais de incêndios florestais, capacitando-os de tomar decisões informadas. O alicerce de tais sistemas de previsão de propagação de incêndios florestais reside nos modelos de propagação de incêndios, sendo o modelo de Rothermel o mais amplamente utilizado e aceite. No entanto, devido à natureza complexa dos incêndios florestais e à incerteza inerente em torno de certos parâmetros de entrada, os modelos de propagação do fogo podem produzir resultados enganadores em relação à propagação do fogo.Nesta dissertação, foram desenvolvidos e implementados três algoritmos metaheurísticos, nomeadamente o algoritmo Otimização de Enxame de Particulas (PSO), o algoritmo Otimizador Pinguim Imperador (EPO) e o algoritmo Otimizador Multiverso (MVO), para calibrar os parâmetros de entrada de um modelo de propagação de fogo bidimensional baseado no modelo de Rothermel, o simulador de propagação de fogo FIRESTATION, no qual foi explorada uma metodologia de duas fases. Os resultados da calibração obtidos na etapa anterior foram utilizados para prever a propagação do fogo em um instante de tempo futuro. Ambas as fases de calibração e previsão foram baseados em 1 conjunto de dados obtido de um fogo prescrito real controlado. O desempenho desta metodologia foi comparado com a utilização do modelo de propagação do fogo sem qualquer calibração, avaliando assim a eficácia da nossa abordagem.A calibração do modelo bidimensional de propagação de fogo baseado em Rothermel produziu resultados promissores. Verificou-se que o algoritmo de otimização de enxame de partículas, algoritmo muito usado, mas menos frequentemente usado na predição de propagação de incêndios florestais, provou ser altamente eficaz e adequado para esta aplicação em comparação com o uso predominante de algoritmos genéticos. Além disso, a introdução da calibração levou a melhorias substanciais nas previsões de propagação do fogo, com erros de previsão reduzidos em mais de $ 70\%$ em comparação com as previsões feitas sem calibração prévia.A pesquisa realizada nesta tese forneceu fortes indícios que apoiam a eficácia destes algoritmos baseados em população como algoritmos de calibração confiável. Além disso, destacou o potencial promissor do algoritmo de otimização por enxame de partículas como uma excelente alternativa para fins de calibração. Além disso, a implementação da metodologia de duas fases provou ser altamente valiosa, resultando em melhorias substanciais nas previsões de propagação do fogo.

Wildfires pose a significant threat worldwide, causing extensive damage and loss each year. To effectively manage and minimize their impact, considerable efforts have been devoted to developing decision support systems capable of predicting wildfire spread. These systems aim to provide authorities with valuable insights into future fire propagation during real wildfire events, empowering them to make informed decisions. The cornerstone of such wildfire spread prediction systems lies in fire propagation models, with the Rothermel model being the most widely used and accepted. However, due to the intricate nature of wildfires and the inherent uncertainty surrounding certain input parameters, the fire propagation models may yield misleading results regarding fire propagation.In this dissertation, three metaheuristic algorithms were developed and implemented, namely Particle Swarm Optimization (PSO) algorithm, Emperor Penguin Optimizer (EPO) algorithm, and Multi-Verse Optimizer (MVO) algorithm, to calibrate the input parameters of a two-dimensional fire propagation model based on the Rothermel model, the fire spread simulator FIRESTATION, in which a two-stage methodology was explored. The calibration results obtained from the previous stage were utilized for predicting fire propagation at a future time instant. Both the calibration and prediction stages were based on 1 dataset obtained from a real controlled prescribed fire. The performance of this methodology was compared with that of using the fire propagation model without any calibration, thereby assessing the effectiveness of our approach.The calibration of the two-dimensional Rothermel-based fire propagation model yielded promising results. It was found that the particle swarm optimization algorithm, a very used algorithm but less commonly used in wildfire spread prediction, proved to be highly effective and suitable for this application compared to the prevalent use of genetic algorithms. Moreover, the introduction of calibration led to substantial improvements in fire spread predictions, with prediction errors reduced by over $70\%$ compared to predictions made without prior calibration.The research conducted in this thesis provided strong evidence supporting the effectiveness of these population-based algorithms as reliable calibration algorithms. Additionally, it highlighted the promising potential of the particle swarm optimization algorithm as an excellent alternative for calibration purposes. Furthermore, the implementation of the two-stage methodology proved to be highly valuable, resulting in substantial improvements in fire spread predictions.