واسنجی و ارزیابی شاخص وضع هوای آتش‌‌سوزی FWI در منطقه تالاب هامون

شکوهی, مجتبی; اسعدی اسکویی, ابراهیم; صادقی, حدیث; رهنما, مهدی

doi:10.22111/jneh.2023.45016.1944

واسنجی و ارزیابی شاخص وضع هوای آتش‌‌سوزی FWI در منطقه تالاب هامون

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار، پژوهشگاه هواشناسی و علوم جو، تهران

² کارشناس پژوهشی، پژوهشگاه هواشناسی و علوم جو، تهران

10.22111/jneh.2023.45016.1944

چکیده

تالاب‌‌ها از اکوسیستم‌‌های مهم جهانی هستند که انتظار می‌‌رود در برابر رخداد آتش سوزی‌‌های ناشی از تغییرات اقلیمی بسیار آسیب-پذیر باشند. اثرات نامطلوب اقلیمی سال‌‌های اخیر خطر وقوع آتش‌‌سوزی در محدوده تالاب هامون را افزایش داده است. یکی از روش-های پیش‌بینی وقوع آتش‌سوزی استفاده از شاخص‌های وضع هوایی آتش‌سوزی مانند FWI است. این شاخص که به طور گسترده در سراسر جهان بکار می‌‌رود، با در نظر گرفتن دمای هوا، رطوبت نسبی، سرعت باد و بارش، اثر این عوامل بر خطر وقوع آتش‌‌سوزی را ارزیابی می‌‌نماید. در این مطالعه پس از تهیه لایه‌‌های رستری روزانه FWI در محدوده تالاب هامون، آستانه‌‌های جدید برای طبقات مختلف خطر آتش‌‌سوزی برآورد شد. در ادامه توانایی شاخص FWI در پیش‌‌بینی وقوع آتش‌‌سوزی بر اساس آستانه‌‌های جدید انجام شد. در بین پارامترهای هواشناسی، متوسط ماهانه سرعت باد بیشترین همبستگی را با تغییرات ماهانه شاخص FWI داراست. متوسط کل مقدار FWI در تمام منطقه بیش از 70 است. توزیع تجمعی مقادیر FWI در منطقه نشان داد که برای 75 درصد روزها (طی سال‌‌های 1998 تا 2021) مقدار FWI بزرگتر از 47 است. مقدار FWI برای نواحی شمالی‌‌تر به مراتب بالاتر از نواحی جنوبی‌‌تر است. نتایج آزمون روند من-کندال نشان‌‌دهنده روند افزایشی مقادیر FWI در سراسر منطقه است. نتایج نشان داد تفاوت قابل توجهی بین آستانه‌‌های جدید با مقادیر آستانه‌‌های استاندارد وجود دارد. به طوری که آستانه خطر بسیار بالا که در شرایط استاندارد برابر 38 است به 105 رسیده است. نتایج اعتبار سنجی نشان داد معیار AUC در پیش‌‌بینی خطر بسیار بالای وقوع آتش با در نظر گرفتن آستانه جدید، از 576/0 در شرایط استاندارد به 834/0 خواهد رسید. می‌‌توان گفت آستانه جدید FWI با دقت خوب و قابل قبولی توانسته خطر وقوع آتش‌‌سوزی در محدوده تالاب هامون را پیش‌‌بینی نماید.

کلیدواژه‌ها

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Calibration and evaluation of the Forest Fire Weather Index (FWI) in the Hamoun wetland area

نویسندگان [English]

Mojtaba Shokouhi ¹
Ebrahim Asadi Oskouei ¹
Hadis Sadeghi ²
Mehdi Rahnama ¹

¹ Assistant Professor of Research Institute of Meteorology and Atmospheric Science (RIMAS), Tehran, Iran

² Research Expert, Research Institute of Meteorology and Atmospheric Science (RIMAS), Tehran, Iran

چکیده [English]

Wetlands are important global ecosystems that are expected to be very vulnerable to fires caused by climate change. The adverse effects of climate in recent years have increased the fire occurrence danger in Hamoun wetland. One of the methods of predicting the occurrence of fire is the use of fire weather indicators such as FWI. This index, which is widely used all over the world, evaluates the effect of these factors on the risk of fire by considering air temperature, relative humidity, wind speed, and precipitation. In this study, after preparing FWI daily raster layers in the Hamoun wetland, new thresholds for different classes of fire danger were estimated. Then, the ability of the FWI index to predict the occurrence of fire based on new thresholds was done. Among the meteorological parameters, the monthly average wind speed has the highest correlation with the monthly changes in the FWI index. The average total value of FWI is more than 70. The cumulative distribution of FWI values in the region showed that for 75% of days (between 1998 and 2021) FWI value is greater than 47. The value of FWI for the northern areas is much higher than the southern areas. The results of the Mann-Kendall trend test show the increasing trend of FWI. The results showed that there is a significant difference between the new thresholds and the standard threshold values. So that the very high danger threshold, which is equal to 38 in standard conditions, has reached 105. Validation results showed that the AUC criterion in predicting the very high danger of fire, considering the new threshold, will reach from 0.576 to 0.834 in standard conditions. It can be said that the new threshold of FWI has been able to predict the danger of fire in the Hamoun wetland with good and acceptable accuracy.

کلیدواژه‌ها [English]

Fire occurrence danger
FWI
Raster layers
AUC criterion

مراجع

پرنیان، مینا؛ اسعدی اسکویی، ابراهیم؛ رهنما، مهدی. (1400). بررسی روش های پایش و پیش بینی آتش سوزی نواحی رویشی ایران وجهان. پژوهش های اقلیم شناسی، 12(47): 101-120.

جهانتیغ، منصور. (1393). مقایسه میزان تولید علوفه Aeluropus lagopides در تالاب هامون در زمان خشکسالی و پرآبی. نشریه اکو بیولوژی تالاب، 6(4)، 73-83.

جوانشیری، زهره؛ اسعدی اسکویی، ابراهیم؛ فلامرزی، یاشار؛ عباسی، فاطمه. (1401). ارزیابی دقت داده‌های بازتحلیل پایگاه‌های اقلیمی جهانیCFS-v2، MERRA-2، ERA-5 برای برآورد دمای متوسط در مناطق مختلف کشور. مجله ژئوفیزیک ایران. doi:10.30499/IJG.2022.360882.1452

Asadi Oskouei, E., Delsouz Khaki, B., Kouzegaran, S., Navidi, M. N., Haghighatd, M., Davatgar, N., Lopez-Baeza, E. (2022). Mapping Climate Zones of Iran Using Hybrid Interpolation Methods. Remote Sensing, 14(11), 1-20. https://doi.org/10.3390/rs14112632

Di Giuseppe, F., Vitolo, C., Krzeminski, B., San-Miguel, J. (2020). Fire weather index: the skill provided by ECMWF ensemble prediction system. Natural Hazards and Earth System Sciences Discussions, 20(8): 2365–2378. https://doi.org/10.5194/nhess-20-2365-2020, 2020.

Eriksson, C. P., Johansson, N., McNamee, M. (2023). The performance of wildfire danger indices: A Swedish case study. Safety Science, 159:106038. https://doi.org/10.1016/j.ssci.2022.106038

Fücsök, F., Müller, C., Scharmach, M. (2005). Measuring of the Reliability of NDE; 8th International Conference of the Slovenian Society for Non-Destructive Testing „Application of Contemporary Non-Destructive Testing in Engineering, Portorož, Slovenia, September 1-3.

Giglio, L., Randerson, J. T., Van Der Werf, G. R. (2013). Analysis of daily, monthly, and annual burned areas using the fourth‐generation global fire emissions database (GFED4). Journal of Geophysical Research: Bio geosciences, 118(1): 317–328. https://doi.org/10.1002/jgrg.20042

Hanley, J. A., McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1): 29–36.

Kalbali, E., Ziaee, S., Najafabadi, M. M., Zakerinia, M. (2021). Approaches to adapting to impacts of climate change in northern Iran: The application of a Hydrogy-Economics model. Journal of Cleaner Production, 280:124067. https://doi.org/10.1016/j.jclepro.2020.124067

Lawson, B. D., Armitage, O. B. (2008). Weather guide for the Canadian forest fire danger rating system.; Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre, Edmonton, Alberta; p 85.

McElhinny, M., Beckers, J. F., Hanes, C., Flannigan, M., Jain, P. (2020). A high-resolution reanalysis of global fire weather from 1979 to 2018–overwintering the Drought Code. Earth System Science Data, 12(3):1823–1833. https://doi.org/10.5194/essd-12-1823-2020

Mu, M., Randerson, J. T., Van der Werf, G. R., Giglio, L., Kasibhatla, P., Morton, D., Collatz, G. J., DeFries, R. S., Hyer, E. J., Prins, E. M. (2011). Daily and 3‐hourly variability in global fire emissions and consequences for atmospheric model predictions of carbon monoxide. Journal of Geophysical Research: Atmospheres, 116(D24): 1-19. https://doi.org/10.1029/2011JD016245

Nahm, F. S. (2022). Receiver operating characteristic curve: overview and practical use for clinicians. Korean Journal of Anesthesiology, 75(1): 25–36. https://doi.org/10.4097/kja.21209

Ntinopoulos, N., Spiliotopoulos, M., Vasiliades, L., Mylopoulos, N. (2022). Contribution to the Study of Forest Fires in Semi-Arid Regions with the Use of Canadian Fire Weather Index Application in Greece. Climate, 10(10): 143. https://doi.org/10.3390/cli10100143

Parikh, R., Mathai, A., Parikh, S., Sekhar, G. C., Thomas, R. (2008). Understanding and using sensitivity, specificity, and predictive values. Indian Journal of Ophthalmology, 56(1): 45-50. https://doi.org/10.4103/0301-4738.37595

Pham, B. T., Jaafari, A., Avand, M., Al-Ansari, N., Dinh Du, T., Yen, H. P. H., Phong, T. Van, Nguyen, D. H., Le, H. Van., Mafi-Gholami, D. (2020). Performance evaluation of machine learning methods for forest fire modeling and prediction. Symmetry, 12(6): 1-22. https://doi.org/10.3390/sym12061022

Pinto, M. M., DaCamara, C. C., Hurduc, A., Trigo, R. M., Trigo, I. F. (2020). Enhancing the fire weather index with atmospheric instability information. Environmental Research Letters, 15(9): 0940b7.https://doi.org/10.1088/1748-9326/ab9e22

Ramo, R., Roteta, E., Bistinas, I., Van Wees, D., Bastarrika, A., Chuvieco, E., Van der Werf, G. R. (2021). African burned areas and fire carbon emissions are strongly impacted by small fires undetected by coarse-resolution satellite data. Proceedings of the National Academy of Sciences, 118(9): e2011160118. https://doi.org/10.1073/pnas.201116011

Randerson, J. T; Van Der Werf, G. R; Giglio, L., Collatz, G. J; Kasibhatla, P. S.(2017). Global Fire Emissions Database, Version 4.1 (GFEDv4).; ORNL Distributed Active Archive Center. https://doi.org/10.3334/ORNLDAAC/1293

Sonnier, G., Quintana‐Ascencio, P. F., Bohlen, P. J., Fauth, J. E., Jenkins, D. G., Boughton, E. H. (2020). Pasture management, grazing, and fire interact to determine wetland provisioning in a subtropical agroecosystem. Ecosphere, 11(8): e03209.https://doi.org/10.1002/ecs2.3209

Steinfeld, D., Peter, A., Martius, O., Brönnimann, S. (2022). Assessing the performance of various fire weather indices for wildfire occurrence in Northern Switzerland. EGUsphere,2022:1–23. https://doi.org/10.5194/egusphere-2022-92

Taylor, K. E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7), 7183–7192. https://doi.org/10.1029/2000JD900719

Van Wagner, C. E. (1987). Development and structure of the Canadian forest fire weather index system. Canadian Forestry Service. Forestry Technical Report, 35, 37.

Van Wagner, C. E., Pickett, T. L. 1985. Equations and FORTRAN program for the Canadian forest fire weather index system (Vol. 33).; Canadian Forestry Service, Petawawa National Forestry Institute, Chalk River, Ontario. Forestry Technical Report 33., p18.

Van Wees, D., van der Werf, G. R., Randerson, J. T., Rogers, B. M., Chen, Y., Veraverbeke, S., Giglio, L., Morton, D. C. (2022). Global biomass burning fuel consumption and emissions at a 500-m spatial resolution based on the Global Fire Emissions Database (GFED). Geoscientific Model Development Discussions,15(22): 8411–8437. https://doi.org/10.5194/gmd-15-8411-2022

Varela, V., Sfetsos, A., Vlachogiannis, D., Gounaris, N. (2018). Fire Weather Index (FWI) classification for fire danger assessment applied in Greece. Tethys, 15: 31–40. https://doi.org/ 10.3369/tethys.2018.15.03.

Varela, V., Vlachogiannis, D., Sfetsos, A., Karozis, S., Politi, N., Giroud, F. (2019). Projection of forest fire danger due to climate change in the French Mediterranean region. Sustainability, 11(16), 4284.https://doi.org/10.3390/su11164284

Vitolo, C., Di Giuseppe, F., Barnard, C., Coughlan, R., San-Miguel-Ayanz, J., Libertá, G., Krzeminski, B. (2020). ERA5-based global meteorological wildfire danger maps. Scientific Data, 7(1): 1–11.https://doi.org/10.6084/m9.figshare.12497732

Vitolo, C., Di Giuseppe, F., D’Andrea, M. (2018). Caliver: An R package for Calibration and Verification of forest fire gridded model outputs. PloS One, 13(1): e0189419.https://doi.org/10.1371/journal.pone.0189419.

Wang, X., Wotton, B. M., Cantin, A. S., Parisien, M.-A., Anderson, K., Moore, B., Flannigan, M. D. (2017). offers an R package for the Canadian forest fire danger rating system. Ecological Processes, 6(1): 1–11. https://doi.org/10.1186/s13717-017-0070-z

Wilks, D. S., Statistical methods in the atmospheric sciences, 3rd ed.; Academic press., 2011; p200.

Yang, G., & Di, X. (2011). Adaptation of the Canadian Forest Fire Weather Index system and its application. 2011 IEEE International Conference on Computer Science and Automation Engineering, 2: 55–58. https://doi.org/ 10.1109/CSAE.2011.5952422.