Cerfacs Entrez dans le monde de la haute performance...

Simulations de panache et apprentissage profond pour assister la compréhension et la prévision des incendies de forêt

 , , , , ,

Niveau requis : Master 2, école d'ingénieur
Date de début : 4 février 2019
Durée de la mission : 6 mois
Rémunération : environ 650 € par mois

Objectifs du stage

La prévision des incendies de forêt reste un défi puisque vitesse et direction de propagation dépendent des interactions multi-échelles entre la végétation, la topographie du terrain et les conditions météorologiques. Un modèle de propagation d'incendies de forêt à l'échelle régionale peut donc difficilement prendre en compte le détail des processus physiques mis en jeu. Toute modélisation est entachée de nombreuses incertitudes (modélisation incomplète, méconnaissance du terrain, de la végétation et des interactions flamme/atmosphère à micro-échelle) qu'il est nécessaire de réduire afin de mieux comprendre la dynamique des incendies et de mieux prévoir leur impact. Ces dernières années, les progrès en télédétection aéroportée et spatiale ont permis d'observer les incendies, notamment dans le domaine infrarouge, de mieux comprendre les processus physiques sous-jacents et de localiser les zones actives de l'incendie. C'est le type d'information qui vient alimenter un système d'assimilation de données permettant d'améliorer la prévision du comportement des incendies de forêt au-delà des échéances d'observation [1].

Objectif 1 :

Le premier objectif de ce stage est de réaliser des simulations de panache d'incendie avec le modèle Meso-NH, forcé en surface par des données observées de l'incendie et par les données de ré-analyse du CEPMMT (Centre Européen pour les Prévisions Météorologiques à Moyen Terme). Les données de quatre feux contrôlés réalisés dans le parc national de Kruger (Afrique du Sud) seront disponibles. Elles comprennent des images dans le moyen- et lointain-infrarouge ainsi que dans le visible. L'essentiel du post-traitement a déjà été réalisé (géo-référencement [2,3]). Le stagiaire sera éventuellement amené à participer à l'extraction des quantités d'intérêt se rapportant au comportement du feu (code Python). Une fois ces données finalisées, le stagiaire mettra en place les simulations Meso-NH pour estimer les champs de vent induits par la dynamique du front de flamme. Les simulations Meso-NH permettront ainsi de mieux comprendre les interactions entre l'incendie et l'atmosphère micro-échelle.

Objectif 2 :

La deuxième partie du stage sera dédiée à l'utilisation de la base de données ainsi créée sur la dynamique du feu et les champs de vent. Le stage consistera ainsi à construire et calibrer un modèle prédictif de propagation de front de flamme et de flux [5] basé sur des outils de “deep learning” (notamment d’apprentissage actf). L'idée est de travailler sur un réseau de neurones déjà existant et développé pour le suivi de front [4]. Ce travail se fera en collaboration avec des spécialistes de “deep learning” au Cerfacs.

Exemple d’application d’une stratégie de deep learning pour extraire la position du front de feu d’une image moyen-infrarouge (MIR) brute (Nicolas Cazard & Ronan Paugam).

 

Mots-clé

Incendies de forêt, Observations aéroportées et satellitaires, Meso-NH, Deep learning

Références

[1] M.C. Rochoux, S. Ricci, D. Lucor, B. Cuenot & A. Trouvé: Towards predictive data-driven simulations of wildfire spread – Part I: Reduced-cost Ensemble Kalman Filter based on a Polynomial Chaos surrogate model for parameter estimation, Natural Hazards and Earth System Sciences, 14: 2951-2973, doi: 10.5194/nhess-14-2951-2014, 2014.

[2] R. Paugam, M.J. Wooster & G. Roberts: Use of handheld thermal imager data for airborne mapping of fire radiative power and energy and flame front rate of spread, IEEE Transactions on Geoscience and Remote Sensing, 51(6) : 3385-3399, 2013.

[3] https://ronanpaugam.github.io/2014/06/26/knp14/

[4] N. Cazard: Exploration de la capacité du deep learning à assister des simulations de mécanique des fluides, Rapport de stage de fin d'études, Grenoble INP – ENSIMAG, 2018.

[5] J-B. Filippi, Y. Perez, F. Allaire, A. Costes, M.C. Rochoux, V. Mallet & C. Lac: High resolution weather forecasting tool chain for forest fire behaviour, VIII International Conference on Forest Fire Research, Coimbra (Portugal), 12-16 November, 2018.

 

Profil

Actuellement en dernière année d’école d’ingénieur ou en Master 2 à l’université, vous avez un goût prononcé pour les thématiques “Environnement, Risque naturel et Incendie” et/ou pour les technologies d’apprentissage statistique telles que le “deep learning” (ou apprentissage profond). Vous maîtrisez le langage Python. Vous faites preuve de prises d’initiative, d’autonomie, de créativité, d’aptitude à apprendre et synthétiser.

 

Contact