Le risque d'incendie peut être considéré comme la combinaison d'un grand nombre de facteurs liés à la probabilité d'inflammation (facteurs humains, teneur en eau du combustible, inflammabilité du combustible, etc.) et au comportement potentiel de l'incendie dans l'espace et dans le temps (conditions du sol, caractéristiques et charge du combustible, facteurs météorologiques et vent en particulier). En considérant la complexité intrinsèque des relations entre un grand nombre de variables et d'incendies, plusieurs travaux ont proposé des méthodes, des modèles et des outils qui ont essayé d'intégrer les principales variables d'explication, donnant des prévisions de l'activité d'incendie à court et à moyen terme sur des échelles temporelles et spatiales différentes. D'un point de vue statistique, la relation entre les variables peut être analysée en utilisant différentes approches: régressions linéaires multiples, régressions logistiques, autres méthodes statistiques non linéaires. L'approche précédente peut être suivie en utilisant des techniques statistiques classiques ou des méthodes alternatives basées sur des processus inductifs où la prescription d'une forme mathématique de base n'est pas nécessaire puisque les relations entre les inputs et les produits envisagés peuvent être établies par un processus interactif appelé apprentissage. Une façon de plus en plus pratiquée de modélisation de ce type de processus est l'utilisation de réseaux neuraux. L'objectif de ce travail est de développer un modèle de réseau neural pour étudier les interactions entre les facteurs environnementaux et les activités humaines concernant le risque d'incendie; les variations spatiales et temporelles du risque d'incendie sont également estimées dans le but de décrire les principales caractéristiques du risque d'incendie au cours de la saison des incendies en Sardaigne. L'analyse met en exergue les capacités de l'approche du réseau neural à estimer le niveau de risque d'incendie et suggère l'effet étendu des facteurs humains dans la détermination du risque d'incendie pendant la saison des incendies.
Fire danger can be considered as the combination of a large number of factors related to both the probability of fire ignition (human factors, fuel moisture content, fuel flammability, etc.) and potential fire behaviour in space and time (terrain conditions, fuel characteristics and load, weather factors and wind field in particular). Considering the intrinsic complexity of relationships among large numbers of variables and fires, several works proposed methods, models, and tools that tried to integrate the main explanatory variables, providing predictions of fire activity at short and medium term, on different spatial and temporal scales. From a statistical point of view the relationship among variables can be analysed using different approaches: multiple linear regressions, logistic regressions, other non-linear statistical methods. The former approach can be followed using classical statistical techniques or alternative methods based on inductive processes where the prescription of a basic mathematical form is not required, since the relationships among the inputs and the expected outputs can be established by an interactive process called learning. One increasing way of modelling this kind of process is by using neural networks. The aim of this work is to develop a neural network model in order to study the interactions among environmental factors and human activities affecting the fire danger; spatial and temporal variations of fire danger are also estimated in order to describe the main fire danger features of the Sardinian fire season. The analysis highlights the capabilities of the neural network approach in estimating the level of fire danger, and suggests the large effect of the human factors in determining the fire danger during the fire season.
Evaluation of artificial neural network techniques in predicting fire danger
Arca B;Pellizzaro G;Duce P;Salis M;
2011
Abstract
Fire danger can be considered as the combination of a large number of factors related to both the probability of fire ignition (human factors, fuel moisture content, fuel flammability, etc.) and potential fire behaviour in space and time (terrain conditions, fuel characteristics and load, weather factors and wind field in particular). Considering the intrinsic complexity of relationships among large numbers of variables and fires, several works proposed methods, models, and tools that tried to integrate the main explanatory variables, providing predictions of fire activity at short and medium term, on different spatial and temporal scales. From a statistical point of view the relationship among variables can be analysed using different approaches: multiple linear regressions, logistic regressions, other non-linear statistical methods. The former approach can be followed using classical statistical techniques or alternative methods based on inductive processes where the prescription of a basic mathematical form is not required, since the relationships among the inputs and the expected outputs can be established by an interactive process called learning. One increasing way of modelling this kind of process is by using neural networks. The aim of this work is to develop a neural network model in order to study the interactions among environmental factors and human activities affecting the fire danger; spatial and temporal variations of fire danger are also estimated in order to describe the main fire danger features of the Sardinian fire season. The analysis highlights the capabilities of the neural network approach in estimating the level of fire danger, and suggests the large effect of the human factors in determining the fire danger during the fire season.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.