Περίληψη
Ο βασικός στόχος της παρούσας διατριβής είναι η ανάπτυξη ενός επιχειρησιακού συστήματος ποσοτικής εκτίμησης κινδύνου έναρξης δασικών πυρκαγιών. Το πεδίο εφαρμογής είναι το νησί της Λέσβου. Το κύριο αποτέλεσμα του συστήματος εκτίμησης κινδύνου είναι ο Δείκτης Κινδύνου Έναρξης Πυρκαγιάς (ΔΚΕΠ) ο οποίος βασίζεται σε τρεις άλλους δείκτες: το Μετεωρολογικό Δείκτη Κινδύνου (ΜΔΚ), το Βλαστητικό Δείκτη Κινδύνου (ΒΔΚ) και τον Κοινωνικο-Οικονομικό Δείκτη Κινδύνου (ΚΟΔΚ) οι οποίοι είναι δυναμικοί, δηλαδή μεταβάλλονται στο χρόνο και το χώρο. Η σχέση μεταξύ εμφάνισης της φωτιάς και των παραμέτρων-μεταβλητών που ενσωματώνονται στους παραπάνω δείκτες βασίζεται σε ιστορικά στοιχεία και μοντελοποιήθηκε µε τη χρήση μεθόδων τεχνητής νοημοσύνης, και πιο συγκεκριμένα των τεχνητών νευρωνικών δικτύων (ΤΝΔ). Η εκπαίδευση για την περιοχή της Λέσβου ταξινόμησε σωστά τα σημεία εμφάνισης πυρκαγιών τόσο στα δεδομένα εκπαίδευσης όσο και στα δεδομένα επαλήθευσης. Παρατηρείται ωστόσο μια τάση υπερεκτίμησης κυρίως στ ...
Ο βασικός στόχος της παρούσας διατριβής είναι η ανάπτυξη ενός επιχειρησιακού συστήματος ποσοτικής εκτίμησης κινδύνου έναρξης δασικών πυρκαγιών. Το πεδίο εφαρμογής είναι το νησί της Λέσβου. Το κύριο αποτέλεσμα του συστήματος εκτίμησης κινδύνου είναι ο Δείκτης Κινδύνου Έναρξης Πυρκαγιάς (ΔΚΕΠ) ο οποίος βασίζεται σε τρεις άλλους δείκτες: το Μετεωρολογικό Δείκτη Κινδύνου (ΜΔΚ), το Βλαστητικό Δείκτη Κινδύνου (ΒΔΚ) και τον Κοινωνικο-Οικονομικό Δείκτη Κινδύνου (ΚΟΔΚ) οι οποίοι είναι δυναμικοί, δηλαδή μεταβάλλονται στο χρόνο και το χώρο. Η σχέση μεταξύ εμφάνισης της φωτιάς και των παραμέτρων-μεταβλητών που ενσωματώνονται στους παραπάνω δείκτες βασίζεται σε ιστορικά στοιχεία και μοντελοποιήθηκε µε τη χρήση μεθόδων τεχνητής νοημοσύνης, και πιο συγκεκριμένα των τεχνητών νευρωνικών δικτύων (ΤΝΔ). Η εκπαίδευση για την περιοχή της Λέσβου ταξινόμησε σωστά τα σημεία εμφάνισης πυρκαγιών τόσο στα δεδομένα εκπαίδευσης όσο και στα δεδομένα επαλήθευσης. Παρατηρείται ωστόσο μια τάση υπερεκτίμησης κυρίως στον Κοινωνικο-Οικονομικό Δείκτη Κινδύνου. Αυτό οφείλεται κυρίως στο γεγονός ότι πράγματι ο συγκεκριμένος δείκτης είναι υψηλός για την περιοχή της Λέσβου αφού αντικατοπτρίζει τον κίνδυνο λόγω ανθρωπογενών παραμέτρων. Υπάρχουν δηλαδή περιοχές όπου, αν και δεν εμφανίζονται πολλές πυρκαγιές, έχουν διαχρονικά υψηλό κίνδυνο έναρξης πυρκαγιάς μιας και η ανθρώπινη παρουσία σε αυτές ακολουθεί τα ίδια πρότυπα με την ανθρώπινη παρουσία στις περιοχές όπου υπάρχει μεγάλη συχνότητα έναρξης πυρκαγιών. Η εποχικότητα των δεικτών δεν παρουσίασε σημαντικές μεταβολές. Τόσο ο Μετεωρολογικός Δείκτης όσο και ο Βλαστητικός Δείκτης, αν και περιέχουν παραμέτρους που μεταβάλλονται ημερησίως, οι μεταβολές αυτές δεν κρίνονται τόσο σημαντικές, σύμφωνα με το ιστορικό των πυρκαγιών ώστε να επηρεάσουν σημαντικά την έναρξη πυρκαγιών. Για να εκτιμηθεί ο βαθμός επίδρασης των παραμέτρων στην παρούσα διατριβή χρησιμοποιήθηκαν 3 μέθοδοι ανάλυσης ευαισθησίας ΤΝΔ και δύο μέθοδοι συσχετισμού δεδομένων στις οποίες η σημαντικότητα των μεταβλητών ερμηνεύεται μέσω των συντελεστών που υπολογίζονται. Όσον αφορά στην κατάταξη των μεταβλητών που επηρεάζουν την έναρξη των δασικών πυρκαγιών, η έλλειψη βροχόπτωσης, η περιεχόμενη υγρασία της καύσιμης ύλης και ο μήνας του έτους είναι οι σημαντικότεροι παράγοντες. Επίσης, μεγάλη αύξηση του κινδύνου προκαλείται από τις υψηλές θερμοκρασίες ενώ χωρικά παρουσιάζεται αυξημένος κίνδυνος κοντά στο κύριο οδικό δίκτυο και στις αστικές περιοχές.
περισσότερα
Περίληψη σε άλλη γλώσσα
Fire danger rating systems have been adopted by many developed countries dealing with wildfire prevention and presuppression planning, so that civil protection agencies are able to define areas with high probabilities of fire ignition and resort to necessary actions. This dissertation focuses on the development of a fire ignition risk scheme that can be an integral component of a quantitative Fire Danger Rating System. The methodology used, estimates the geo-spatial fire risk regardless of fire causes or expected burned area, while it has the ability of forecasting based on meteorological data. The main output of the scheme is the Fire Ignition Index (FII) which is based on three other indices: the Fire Weather Index (FWI); the Fire Hazard Index (FHI); and the Fire Risk Index (FRI). These indices are not just a relative probability of fire occurrence, but a rather quantitative assessment of fire danger in a systematic way. Remote sensing data have been utilized in order to retrieve par ...
Fire danger rating systems have been adopted by many developed countries dealing with wildfire prevention and presuppression planning, so that civil protection agencies are able to define areas with high probabilities of fire ignition and resort to necessary actions. This dissertation focuses on the development of a fire ignition risk scheme that can be an integral component of a quantitative Fire Danger Rating System. The methodology used, estimates the geo-spatial fire risk regardless of fire causes or expected burned area, while it has the ability of forecasting based on meteorological data. The main output of the scheme is the Fire Ignition Index (FII) which is based on three other indices: the Fire Weather Index (FWI); the Fire Hazard Index (FHI); and the Fire Risk Index (FRI). These indices are not just a relative probability of fire occurrence, but a rather quantitative assessment of fire danger in a systematic way. Remote sensing data have been utilized in order to retrieve part of the input parameters to the scheme, while Remote Automatic Weather Stations and the SKIRON/Eta weather forecasting system provided real-time and forecasted meteorological data, respectively. The relationship between wildfire occurrence and the input parameters has been investigated by neural networks, whose training was based on historical data. The FWI function was more easily approached, while the FRI had better classification percentages regarding the validation fires. According to the operational validation under realistic conditions, the FII identified the high risk areas where most of the fire ignited. The dissertation also presents the results of sensitivity analysis performed in a back-propagation neural network in order to distinguish the influence of each variable in the proposed fire ignition risk scheme. To evaluate the three indices developed within the above scheme, 5 different methods were used. Results showed that the presence of rainfall, the 10-h fuel moisture content and the month of the year parameter are the most significant variables of the FWI, FHI and FRI, respectively. On the contrary, relative humidity, elevation and day of the week have a small contribution to fire ignitions in the study area. The results retrieved by sensitivity analysis can be used by forest managers and other decision-makers dealing with wildfires in order to take the appropriate preventive measures, emphasizing on the important factors of fire occurrence.
περισσότερα