Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Regional-­‐scale	
  simula/on	
  of	
  wildfire	
  spread	
  
informed	
  by	
  real-­‐/me	
  flame	
  front	
  
observa/ons...
Spain:	
  12,000	
  ha	
  burned	
  
Colorado:	
  80,000	
  ha	
  burned	
  
Need	
  for	
  a	
  predic/ve	
  simulator	
 ...
3	
  
“Regional-­‐scale	
  simula/on	
  of	
  wildfire	
  spread”	
  
Observa*on:	
  	
  
Wildfires	
  feature	
  a	
  front...
4	
  
Burnt	
  
vegeta*on	
  	
  
Unburnt	
  
vegeta*on	
  
Front	
  
Introduc/on	
  
Rate	
  of	
  
spread	
  Γ	
  
• 	
 ...
 
↘	
  Aboard	
  a	
  surveillance	
  aircrae	
  	
  
	
  
	
  
↘	
  Assume	
  threshold	
  temperature	
  for	
  fire	
  i...
6	
  
Simula/ons	
  “informed	
  by”	
  measurements	
  
Introduc/on	
  
Why?	
  	
  1	
  -­‐	
  	
  Uncertainty	
  on	
  ...
tobs,1	
  
tobs,2	
  
error	
  
Which	
  type	
  of	
  observa/ons?	
  
Observa/ons	
  
7	
  1 Data	
  assimila/on	
  algo...
Observa/ons	
  
8	
  1 Data	
  assimila/on	
  algorithm	
  
Control	
  variables	
   Model	
  outputs	
  Forward	
  model	...
Observa/ons	
  
9	
  1 Data	
  assimila/on	
  algorithm	
  
Control	
  variables	
   Model	
  outputs	
  Forward	
  model	...
Observa/ons	
  
10	
  1 Data	
  assimila/on	
  algorithm	
  
Control	
  variables	
   Model	
  outputs	
  Forward	
  model...
itera*on	
  1	
  	
  
itera*on	
  2	
  	
  
itera*on	
  3	
  	
  
itera*on	
  4	
  
11	
  1 Data	
  assimila/on	
  algorit...
12	
  1 Data	
  assimila/on	
  algorithm	
  	
   12	
  
Extended	
  Kalman	
  Filter	
  (EKF)	
  
	
  
Formula*on	
  of	
 ...
Grassland	
  controlled	
  burning	
  
Data	
  provided	
  by	
  Ronan	
  Paugam	
  
hAp://wildfire.geog.kcl.ac.uk/index.ph...
Γ(x, y) = P

uw(x, y), Mf , Σ, δ

• 	
  Es/ma/on	
  of	
  2	
  fuel	
  model	
  parameters	
  
Control	
  parameters	
  
G...
• 	
  2-­‐parameter	
  EKF	
  results:	
  
	
  	
  	
  	
  	
  Wind	
  	
  
• Uncertainty	
  modeling	
  
o Observa/on	
  ...
• 	
  4-­‐parameter	
  EKF	
  results:	
  
	
  	
  	
  	
  	
  Wind	
  	
  
Grassland	
  controlled	
  burning	
  Grasslan...
• 	
  Predic/ve	
  capability:	
  improve	
  forecast	
  of	
  fire	
  spread	
  
Grassland	
  controlled	
  burning	
  Gra...
Data	
  assimila*on	
  for	
  flame	
  spread	
  propaga*on:	
  	
  
Proof	
  of	
  concept	
  
	
  
• 	
  Development	
  o...
 
	
  
Thank	
  you	
  for	
  your	
  a9en:on!	
  
	
  
Rochoux	
  et	
  al.	
  (2012),	
  Proc.	
  Combust.	
  Inst.	
  
Nächste SlideShare
Wird geladen in …5
×

First step towards data-driven wildfire spread modeling

394 Aufrufe

Veröffentlicht am

This talk presents the preliminary prototype data-driven wildfire spread simulator based on the extended Kalman filter (EKF) with a parameter estimation approach. Since then, FireFly was extended to an ensemble Kalman filter (EnKF) to better account for model nonlinearities.

Reference published in January 2013
➞ Rochoux, M.C., Delmotte, B., Cuenot, B., Ricci, S., and Trouvé, A. (2013) Regional-scale simulations of wildland fire spread informed by real-time flame front observations, Proceedings of the Combustion Institute, 34, 2641-2647, doi: 10.1016/j.proci.2012.06.090

Veröffentlicht in: Wissenschaft
  • Loggen Sie sich ein, um Kommentare anzuzeigen.

First step towards data-driven wildfire spread modeling

  1. 1. Regional-­‐scale  simula/on  of  wildfire  spread   informed  by  real-­‐/me  flame  front   observa/ons           M.  Rochoux     B.  DelmoAe     B.  Cuenot   S.  Ricci   A.  Trouvé   Wild  and  Soo/ng  Fires  –  Ref.  2C10   34th  Interna/onal  Symposium  on  Combus/on  
  2. 2. Spain:  12,000  ha  burned   Colorado:  80,000  ha  burned   Need  for  a  predic/ve  simulator  of  fire  spread  
  3. 3. 3   “Regional-­‐scale  simula/on  of  wildfire  spread”   Observa*on:     Wildfires  feature  a  front-­‐like  geometry     at  regional  scales     •   scales  ranging  from  meters  up  to  several   kilometers   •   thin  flame  zone  propaga/ng  normal  to  itself   towards  unburnt  vegeta/on   •   local  propaga/on  speed  of  the  front  called   the  rate  of  spread  Г     Burnt   vegeta*on     Unburnt   vegeta*on   Front   Issue:  How  to  accurately  describe   the  rate  of  spread  Г?         Introduc/on   Rate  of   spread  Γ  
  4. 4. 4   Burnt   vegeta*on     Unburnt   vegeta*on   Front   Introduc/on   Rate  of   spread  Γ   •   Sub-­‐model  for  the  local  rate  of  spread  Г  (m/s)   •   Level-­‐set-­‐based  front  propaga/on  simulator   “Regional-­‐scale  simula/on  of  wildfire  spread”   [Ref.  Rothermel  (1972),  Technical  report,  US  Department  of  Agriculture,  Forest  Service]   Γ(x, y) = P uw(x, y), Mf , Σ, δ §   magnitude   §   direc/on   §   moisture  content  Mf   §   par/cle  surface/volume  Σ   §   layer  ver/cal  thickness  δ   Wind   Vegeta*on  (fuel)   Semi-­‐empirical  Rothermel  model   Issue:  How  to  properly  describe   vegeta*on  and  wind  parameters?  
  5. 5.   ↘  Aboard  a  surveillance  aircrae         ↘  Assume  threshold  temperature  for  fire  igni/on  (600K)     5   “Real-­‐/me  flame  front  observa/ons”   Data  analysis     Fire  event   detec*on   Data     acquisi*on   Infrared  camera  at   medium  wavelengths   (no  gas  emission)   Reconstruc/on  of  fire   front  loca/ons   Important:  Accoun*ng  for   measurement  error   5  Introduc/on  
  6. 6. 6   Simula/ons  “informed  by”  measurements   Introduc/on   Why?    1  -­‐    Uncertainty  on  inputs                      Uncertainty  on  outputs                            2-­‐    Find  best  es/mate  of  control  variables  at  /me  ti  given  observa/ons  for  tit  ?   Data  Assimila*on  strategy   oil  reservoir   modeling   Resolu*on  of  an  inverse  problem  y  =  H(x)   Observa/ons   Boundary  condi/ons   Ini/al  condi/on   Model  parameters   Model  outputs  Forward  model  H   Data  assimila/on  algorithm   -­‐   Control  variables     OBJECTIVE:  Develop  a  data  assimila/on  strategy     for  flame  spread  applica/ons    
  7. 7. tobs,1   tobs,2   error   Which  type  of  observa/ons?   Observa/ons   7  1 Data  assimila/on  algorithm   7   Quan*ty  of  interest:  discrete  /me-­‐evolving  flame  front  posi/ons  yo     R  =   Each  front  point  is  a  random  variable   defined  by  a  Gaussian  PDF  (mean,  variance).     Observa*on  error  covariance  matrix   Variance  of   one  front  point   Covariance  of  a  pair   of  front  points  
  8. 8. Observa/ons   8  1 Data  assimila/on  algorithm   Control  variables   Model  outputs  Forward  model  H   8   ①  Model  parameters   §  Moisture  content   §  Fuel  surface/volume  ra/o   §  Wind  velocity  magnitude     ②  Model  uncertainty   Each  model  parameter  is  a  random   variable  defined  by  a  Gaussian  PDF.   -­‐  Model  propaga*on   -­‐  Selec*on  of  front  points   obs.   simula*ons   Comparable  simulated  quan/ty   mean  +  variance   Error   covariance   matrix  B     1  parameter       mul/-­‐parameter    
  9. 9. Observa/ons   9  1 Data  assimila/on  algorithm   Control  variables   Model  outputs  Forward  model  H   9   ①  Model  parameters   §  Moisture  content   §  Fuel  surface/volume  ra/o   §  Wind  velocity  magnitude     ②  Model  uncertainty   Each  model  parameter  is  a  random   variable  defined  by  a  Gaussian  PDF.   -­‐  Model  propaga*on   -­‐  Selec*on  of  front  points   Distance  observa/on-­‐model  simula/on   -­‐   obs.   simula*on   distance  
  10. 10. Observa/ons   10  1 Data  assimila/on  algorithm   Control  variables   Model  outputs  Forward  model  H   10   -­‐   Data  assimila/on  algorithm   Model  feedback   Model  feedback   Inverse  problem   How?    Maximize   Resolu*on  of  an  inverse  problem  y  =  H(x)   Pa (x) = P(x = xt | y = yo ) Minimiza/on  of  a  cost  func/on   J(x) = 1 2 (x − xb )T B−1 (x − xb ) + 1 2 (yo − H(x))T R−1 (yo − H(x)) model  error   observa*on  error     Gaussian  PDFs      
  11. 11. itera*on  1     itera*on  2     itera*on  3     itera*on  4   11  1 Data  assimila/on  algorithm     11   Extended  Kalman  Filter  (EKF)     Formula*on  of  a  gain  matrix  Ki     •   assume  linear  rela/onship  between  control   parameters  and  model  outputs         For  each  data  assimila*on  cycle  i:   Model  error   Observa*on  error   Model  Jacobian   solu/on:  itera/ve  computa/on   of  the  gain  matrix  via  the   update  of  the  model  Jacobian  H       xa i = xb i + Ki yo − H(xb i ) Ki = BiHT i HiBiHT i + R −1
  12. 12. 12  1 Data  assimila/on  algorithm     12   Extended  Kalman  Filter  (EKF)     Formula*on  of  a  gain  matrix  Ki     •   assume  linear  rela/onship  between  control   parameters  and  model  outputs         For  each  data  assimila*on  cycle  i:   Model  error   Observa*on  error   Model  Jacobian   xa i = xb i + Ki yo − H(xb i ) Ki = BiHT i HiBiHT i + R −1 0 50 100 150 200 250 300 350 400 0.2 0.22 0.24 0.26 0.28 0.3 0.32 0.34 0.36 0.38 0.4 o (m) meanoftheanalysis(m.s 1 ) Relation between the mean of the analysis and the observations error with f =0.05 Observation error (m)                    Observa*on   KalmanFiltersolution(posterior) Increasing   confidence  in   observa*ons   Prior   •   interpreta/on:  weighted  average,  with  more   weight  being  given  to  informa/on  with  higher   certainty.  
  13. 13. Grassland  controlled  burning   Data  provided  by  Ronan  Paugam   hAp://wildfire.geog.kcl.ac.uk/index.php/ronan     ↘  Domain  of  propaga/on:  4m  x  4m     ↘  Homogeneous  short  grass   o   Height:  8cm   o   Moisture  content:  21.7%   ↘  Wind   o   Mean  magnitude:  1.3m/s   o   Mean  direc/on:  307°  (N=  0°)   ↘  Mean  rate  of  spread:  1.5  cm/s     ↘  Fire  dura/on:  350s       Condi*ons   13  13  2 Applica/on  case   13    Infrared  camera  aboard  a  cherry  picker:            Wind     Time  (s)  
  14. 14. Γ(x, y) = P uw(x, y), Mf , Σ, δ •   Es/ma/on  of  2  fuel  model  parameters   Control  parameters   Grassland  controlled  burning   Init.  condi/on   t  =  78s   Assimila/on   Forecast   Free  run   Op/mal   •   1  data  assimila/on  cycle   Grassland  controlled  burning   14  14  2 Applica/on  case   14   §   moisture  content  Mf   §   par/cle  surface/volume  Σ   t  =  50s   t  =  106s   observa/on   (assumed  constant  over  the   fire  dura*on)            Wind     (very  high  observa/on  confidence                        match  the  observed  fronts)    
  15. 15. •   2-­‐parameter  EKF  results:            Wind     • Uncertainty  modeling   o Observa/on  (camera  spa/al   resolu/on):  4.7cm   o Model:  30%  uncertainty.   Grassland  controlled  burning  Grassland  controlled  burning   15  15  2 Applica/on  case   15   Control  parameters   Prior   Solu*on   Moisture  content  (%)   21.7   11.0   Fuel  part.  S/V  (m-­‐1)   4921   13193   Ÿ observa/on   -­‐-­‐  free  run   -­‐-­‐  op/mal     X  (m)   Y  (m)   • Comments   o Reduc/on  of  uncertainty  on   simula/on.   o The  corrected  parameters  stay   within  a  physical  range.  
  16. 16. •   4-­‐parameter  EKF  results:            Wind     Grassland  controlled  burning  Grassland  controlled  burning   16  16  2 Applica/on  case   16   Control  parameters   Prior   Solu*on   Moisture  content  (%)   21.7   7.1   Fuel  part.  S/V  (m-­‐1)   4921   7185   Wind  magnitude  (m/s)   1.3   0.38   Wind  direc/on  (°)   307   300   Ÿ observa/on   -­‐-­‐  free  run   -­‐-­‐  op/mal  (4p)   -­‐-­‐  op/mal  (2p)     X  (m)   Y  (m)   • Comments   o More  consistent  front  topology   with  respect  to  the  observa/ons.   o Dynamic  learning:  the  value  of   the  parameters  is  case-­‐   dependent.   Γ(x, y) = P uw(x, y), Mf , Σ, δ
  17. 17. •   Predic/ve  capability:  improve  forecast  of  fire  spread   Grassland  controlled  burning  Grassland  controlled  burning   17  17  2 Applica/on  case   17   Init.  condi/on   t  =  78s   Assimila/on   Forecast   Op/mal   t  =  50s   t  =  106s   Observa/on   Y  (m)   X  (m)   X  (m)   Ÿ observa/on   -­‐-­‐  free  run   -­‐-­‐  op/mal  (4p)   -­‐-­‐  op/mal  (2p)     Y  (m)   Step.2  -­‐  Forecast     Step.1  -­‐  Correc/on  
  18. 18. Data  assimila*on  for  flame  spread  propaga*on:     Proof  of  concept     •   Development  of  a  prototype  able  to    ↘  Achieve  a  mul/-­‐parameter  es/ma/on.   ↘  Track  fire  front  loca/ons  for  real  and  synthe/cal  observa/ons.   18  Conclusion   Ÿ observa/on   -­‐-­‐  free  run   -­‐-­‐  op/mal  (4p)                                                          Ongoing  research     •   Ensemble-­‐based  approach  (Monte-­‐ Carlo  combined  to  data  assimila/on).   •   More  accurate  descrip/on  of  the  PDFs   of  the  model  inputs  and  outputs.  
  19. 19.     Thank  you  for  your  a9en:on!     Rochoux  et  al.  (2012),  Proc.  Combust.  Inst.  

×