[PPT] - WRF-SFIRE: Coupled Atmosphere-Fire Modeling with Data PowerPoint Presentation

SLIDE 1

WRF-‑SFIRE: ¡ Coupled ¡Atmosphere-‑Fire ¡Modeling ¡ with ¡Data ¡Assimila>on

Jan Mandel, Adam K. Kochanski, Martin Vejmelka, and Sher Schranz University of Colorado Denver University of Utah, Czech Acadeny of Sciences, Colorado State University/NOAA

Supported partially by NASA NNX13AH59G and NSF DMS-1216481 Workshop on Modelling of Wildfires and their Environmental Impact Trieste, Italy, June 22, 2015

SLIDE 2

Scope ¡of ¡WRF-‑SFIRE ¡ ¡

Fire ¡is ¡a ¡very ¡complex, ¡mul9scale ¡physical ¡and ¡

chemical ¡process ¡

– Models ¡exist ¡from ¡empirical ¡spread, ¡semi-‑physical, ¡to ¡ fully ¡physical ¡(e.g., ¡survey ¡by ¡Sullivan, ¡ ¡2009) ¡

An ¡important ¡range ¡of ¡behavior ¡can ¡be ¡captured ¡

by ¡a ¡coupled ¡fire ¡spread-‑atmosphere ¡model ¡

Fire ¡makes ¡its ¡own ¡weather ¡
Integrates ¡weather ¡forecast ¡and ¡fire, ¡in ¡a ¡

framework ¡familiar ¡to ¡meteorologists ¡

2 ¡

SLIDE 3

WRF-‑SFIRE ¡origins ¡

Evolved ¡from ¡the ¡CAWFE ¡code ¡by ¡replacing ¡the ¡Clark-‑Hall ¡

model ¡by ¡WRF ¡and ¡ ¡tracer-‑based ¡fire ¡propaga9on ¡by ¡the ¡ level-‑set ¡method, ¡later ¡added ¡coupling ¡to ¡WRF-‑Chem, ¡fuel ¡ moisture ¡model, ¡data ¡assimila9on,… ¡

The ¡Weather ¡Research ¡and ¡Forecas9ng ¡model ¡(WRF), ¡a ¡

standard ¡supported ¡community ¡weather ¡code, ¡free ¡ download, ¡widely ¡used ¡

WRF-‑SFIRE: ¡available ¡at ¡wrf-‑sfire.org ¡
A ¡version ¡from ¡2010 ¡is ¡distributed ¡in ¡WRF ¡release ¡as ¡WRF-‑

Fire, ¡not ¡developed ¡further ¡ ¡

SLIDE 4

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!SFIRE Atmosphere!model!WRF Surface!fire!spread!model

Wind Heat!and! vapor! fluxes

Fuel!moisture!model

Surface!air! temperature,! rela?ve! humidity, rain

Chemical!transport! model!WRFBChem

Fire! emissions! (smoke)

RAWS ¡fuel ¡moisture ¡sta9ons ¡ VIIRS/MODIS ¡fire ¡detec9on ¡ Atmospheric ¡data ¡ Data ¡assimila9on ¡

WRF-‑SFIRE ¡components ¡

Data ¡assimila>on ¡

SLIDE 5

Data ¡required ¡

Atmosphere: ¡ini9al ¡and ¡boundary ¡condi9ons ¡ ¡

– from ¡standard ¡weather ¡forecas9ng ¡sources ¡(32km ¡NARR, ¡3 ¡km ¡HRRR) ¡

Sta9c ¡land ¡data ¡

– Land ¡use, ¡roughness ¡height ¡(surface ¡condi9ons ¡for ¡atmosphere ¡model, ¡at ¡ atmosphere ¡resolu9on ¡100s ¡of ¡m ¡ – High-‑resolu9on ¡topography ¡(at ¡fire ¡resolu9on ¡10s ¡of ¡m) ¡

Fire ¡data ¡

– Fuel ¡maps ¡(at ¡fire ¡resolu9on ¡10s ¡of ¡m) ¡– ¡fuel ¡categories ¡describe ¡the ¡fire ¡ propaga9on ¡proper9es ¡in ¡local ¡vegeta9on ¡types ¡(American ¡West, ¡ Mediterranean,…) ¡requires ¡research ¡on ¡the ¡ground ¡ – Ac9ve ¡fire ¡detec9on ¡– ¡satellites ¡(35-‑1km ¡resolu9on ¡w/ ¡no ¡clouds) ¡ – Fuel ¡moisture ¡– ¡live ¡(remote ¡sensing ¡may ¡be ¡possible), ¡dead ¡(direct ¡ measurements ¡only) ¡

h[p://www.openwfm.org/wiki/Data_sources ¡

5 ¡

SLIDE 6

Applica9ons ¡ ¡

Na9onal ¡wildfire ¡emergency ¡system ¡for ¡Israel ¡

h[p://dx.doi.org:10.5194/ nhess-‑14-‑2829-‑2014 ¡

Wildfire ¡forecast ¡to ¡be ¡added ¡to ¡weather ¡

forecast ¡(joint ¡project ¡with ¡NOAA, ¡funded ¡by ¡ NASA) ¡– ¡to ¡date, ¡fuel ¡moisture ¡forecast ¡with ¡ sta9on ¡data ¡assimilated ¡ ¡ ¡h[p://demo.openwfm.org ¡ ¡

6 ¡

SLIDE 7

7 ¡

HOW ¡WRF-‑SFIRE ¡WORKS? ¡

SLIDE 8

Evolving ¡the ¡fireline ¡by ¡the ¡ level ¡set ¡method ¡

Level ¡set ¡func9on L Level ¡set ¡equa9on ¡ Fire ¡area: ¡ L<0 Right-‑hand ¡side ¡< ¡0 ¡→ ¡Level ¡set ¡func9on ¡goes ¡down ¡→ ¡fire ¡area ¡grows ¡

SLIDE 9

Representa9on ¡of ¡the ¡fire ¡area ¡by ¡ a ¡level ¡set ¡func9on ¡

The ¡level ¡set ¡func9on ¡is ¡given ¡on ¡center ¡nodes ¡of ¡the ¡fire ¡mesh ¡
Interpolated ¡linearly, ¡parallel ¡to ¡the ¡mesh ¡lines ¡
Fireline ¡connects ¡the ¡points ¡where ¡the ¡interpolated ¡values ¡are ¡zero ¡
Allows ¡submesh ¡fire ¡area ¡representa9on ¡(not ¡just ¡cells) ¡ ¡ ¡

SLIDE 10

The ¡fire ¡model: ¡fuel ¡consump9on ¡

igni9on ¡ fuel ¡ 9me ¡

Time ¡constant ¡of ¡fuel: ¡

30 ¡sec ¡-‑ ¡Grass ¡burns ¡quickly ¡ 1000 ¡sec ¡– ¡Dead ¡& ¡down ¡branches(~40% ¡decrease ¡in ¡mass ¡over ¡10 ¡min) ¡

SLIDE 11

Integra9ng ¡fuel ¡leh ¡over ¡mesh ¡cells, ¡with ¡ submesh ¡fire ¡region ¡representa9on ¡

SLIDE 12

Coupling ¡with ¡WRF-‑ ARW ¡

WRF-‑ARW ¡is ¡

explicit ¡in ¡9me ¡

Physics ¡packages ¡

including ¡fire ¡are ¡ called ¡only ¡in ¡the ¡ last ¡Runge-‑KuLa ¡ substep ¡

Fire ¡module ¡inputs ¡

wind, ¡outputs ¡heat ¡ and ¡vapor ¡flux ¡

Runge-‑Ku[a ¡order ¡3 ¡integra9on ¡in ¡9me ¡ ¡

SLIDE 13

The ¡fire ¡model ¡is ¡running ¡on ¡a ¡finer ¡ mesh ¡than ¡the ¡atmosphere ¡model ¡

SLIDE 14

WRF ¡parallel ¡infrastructure ¡-‑ ¡MPI ¡and ¡ OpenMP ¡

Distributed ¡memory ¡(DM): ¡

halo ¡exchanges ¡between ¡grid ¡ patches: ¡each ¡patch ¡runs ¡in ¡

ne ¡MPI ¡process; ¡

programmer ¡only ¡lists ¡the ¡ variables ¡to ¡exchange ¡

Shared ¡memory ¡(SM): ¡

OpenMP ¡loops ¡over ¡>les ¡ within ¡the ¡patch ¡

Computa9onal ¡rou9nes ¡are ¡

>le ¡callable. ¡

Fire ¡model ¡executes ¡on ¡the ¡

same ¡horizontal ¡9les ¡as ¡the ¡ atmosphere ¡model, ¡in ¡the ¡ same ¡threads ¡

MPI ¡ OpenMP ¡threads, ¡ mul9core ¡

Example: ¡2 ¡MPI ¡processes ¡4 ¡threads ¡each ¡

The ¡parallel ¡infrastructure ¡constrains ¡the ¡algorithms ¡used. ¡ ¡

patch ¡

halo ¡

9le ¡

SLIDE 15

Parallelism ¡in ¡WRF-‑Fire: ¡implemen9ng ¡a ¡ PDE ¡solver ¡in ¡WRF ¡physics ¡layer, ¡meant ¡ for ¡pointwise ¡calcula9ons ¡

SLIDE 16

Fuel ¡moisture ¡model ¡ with ¡data ¡assimila9on ¡

Fuel ¡moisture ¡model ¡

– Runs ¡on ¡the ¡atmospheric ¡resolu9on ¡(coarse, ¡100s ¡m) ¡ – State: ¡moisture ¡content ¡of ¡idealized ¡1hr, ¡10hr, ¡100hr ¡fuels ¡ – Driven ¡by ¡the ¡atmospheric ¡model ¡state: ¡rela9ve ¡humidity, ¡ temperature, ¡pressure, ¡rain ¡ – Assimilates ¡sta9on ¡fuel ¡moisture ¡content ¡measurements ¡ ¡ – No ¡fuel ¡map ¡needed! ¡

Import ¡to ¡fire ¡model ¡

– At ¡fire ¡model ¡resolu9on ¡(fine, ¡10s ¡m) ¡ – Fuel ¡maps: ¡each ¡fuel ¡model ¡is ¡combina9on ¡of ¡idealized ¡1hr, ¡ 10hr, ¡100hr ¡fuels ¡ – Fuel ¡moisture ¡content ¡in ¡the ¡fire ¡model ¡is ¡weighted ¡average ¡ from ¡the ¡idealized ¡fuels ¡ ¡

16 ¡

SLIDE 17

17 ¡

Fuel ¡moisture ¡model ¡

Equilibrium ¡-‑ ¡9me ¡lag ¡model ¡for ¡moisture ¡m ¡
Equilibrium ¡E ¡from ¡air ¡rela9ve ¡humidity, ¡temperature, ¡and ¡

pressure, ¡different ¡drying ¡and ¡wenng ¡equilibria ¡when ¡ approaching ¡equilibrium ¡from ¡above ¡and ¡from ¡below ¡

Runs ¡on ¡the ¡atmosphere ¡grid ¡for ¡all ¡fuel ¡components ¡(1h, ¡10h, ¡

100h,...) ¡ ¡independently ¡of ¡any ¡fuel ¡maps ¡

Numerical ¡method: ¡2nd ¡order, ¡adap9ve ¡switching ¡to ¡exponen9al, ¡

exact ¡up ¡to ¡rounding ¡for ¡constant ¡coefficients ¡and ¡any ¡9me ¡step ¡

Components ¡moisture ¡are ¡then ¡combined ¡in ¡propor9ons ¡

specified ¡by ¡fuel ¡type ¡and ¡interpolated ¡to ¡the ¡fire ¡grid. ¡ dm dt = E − m T

SLIDE 18

18 ¡

Gentle ¡rain ¡moisture ¡model ¡

In ¡rain, ¡large ¡equilibrium ¡E=250% ¡and ¡variable ¡9me ¡lag ¡

from ¡rain ¡intensity ¡r. ¡Parameters: ¡ ¡

asympto9c ¡wenng ¡9me ¡lag ¡T for ¡very ¡strong ¡rain ¡
Satura9on ¡rain ¡intensity ¡ ¡ ¡ ¡ ¡ ¡ ¡, ¡when ¡1-‑1/e ¡ ¡of ¡the ¡

asympto9c ¡rain-‑wenng ¡9me ¡T ¡is ¡reached ¡

Rain ¡under ¡threshold ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ignored ¡

dm dt = E − m T 1− exp − r − r r

s

⎛ ⎝ ⎜ ⎞ ⎠ ⎟ ⎛ ⎝ ⎜ ⎞ ⎠ ⎟

r

s

r < r

SLIDE 19

19 ¡

Measurements ¡

RAWS ¡measure ¡the ¡moisture ¡of ¡10 ¡hours ¡fuel ¡

(shown ¡for ¡Santa ¡Ana ¡fires ¡near ¡San ¡Diego) ¡

Need ¡to ¡transport ¡the ¡data ¡and ¡the ¡uncertainty ¡

to ¡all ¡grid ¡nodes ¡

SLIDE 20

20 ¡

Transport ¡the ¡moisture ¡data ¡values ¡ and ¡variances ¡to ¡grid ¡nodes ¡

Data ¡analysis ¡shows ¡some ¡spa9al ¡covariance ¡structure ¡between ¡

RAWS ¡in ¡California, ¡but ¡none ¡in ¡Colorado ¡Rocky ¡Mountains. ¡Can’t ¡do ¡ kriging, ¡trend ¡surface ¡modeling ¡instead. ¡First ¡a ¡linear ¡regression: ¡

20 ¡

RAWS data = Xsβ + e, e ∼ N(0,γ 2I +σ 2I) γ 2I = stations error cov (assumed known, more generally diagonal Γ) σ 2 = microscale variance (unknown) RSS n − k = unbiased estimate of γ 2 +σ 2, max likelihood at RSS n − k − 2 n = number of stations (measurements) k = number of columns of β (covariates) Different station variances more complicated - EM method

SLIDE 21

21 ¡

Fitting RAWS data = Xsβ + error

Choice of the covariates = columns of X rows = locations on the whole domain, Xs is the matrix of rows for the locations of the data − All ones − Current forecast from the moisture model − T2 - temperature at 2m − P2 - pressure at 2m − Current rain intensity − Latitude, longitude, elevation

SLIDE 22

22 ¡

Fuel ¡moisture ¡data ¡assimila9on ¡ at ¡the ¡nodes ¡

extended ¡Kalman ¡filter ¡applied ¡to ¡the ¡extended ¡fuel ¡

moisture ¡state ¡at ¡every ¡grid ¡node ¡separately ¡

observa9on ¡func9on: ¡10h ¡fuel ¡moisture ¡at ¡the ¡node ¡
state ¡covariance ¡at ¡each ¡node ¡will ¡couple ¡the ¡moisture ¡of ¡

all ¡fuel ¡types ¡and ¡affect ¡affect ¡also ¡those ¡not ¡measured ¡

22 ¡

m = (m1,m2,…,mn,ΔE,ΔS) where mk is the moisture in fuel type k ΔE is common change in drying and wetting equilibria ΔS is the change in the soaking equilbrium (from 250%)

SLIDE 23

23 ¡

Data ¡assimila9on ¡results ¡

The ¡mean ¡square ¡differences ¡between ¡non-‑assimilated ¡and ¡ assimilated ¡fuel ¡moisture ¡state ¡es9mates ¡and ¡RAWS ¡observa9ons ¡ (top) ¡and ¡microscale ¡variability ¡variance ¡es9mates ¡as ¡a ¡func9on ¡of ¡ 9me ¡(bo[om) ¡for ¡the ¡Southern ¡California ¡test. ¡

SLIDE 24

Opera9onal ¡FMC ¡simula9on ¡and ¡more ¡ at ¡demo.openwfm.org ¡

24 ¡

SLIDE 25

Satellite ¡Fire ¡Detec>on ¡-‑ ¡2010 ¡ Fourmile ¡Canyon ¡Fire, ¡Boulder, ¡CO ¡

25 ¡

SLIDE 26

MODIS/VIIRS ¡Ac>ve ¡Fire ¡ ¡ Detec>on ¡Data ¡ ¡

MODIS ¡instrument ¡resolu9on ¡750m ¡at ¡nadir ¡to ¡1.6km, ¡geo-‑loca9on ¡

uncertainty ¡up ¡to ¡1.5km, ¡VIIRS ¡resolu9on ¡375m. ¡ ¡

MODIS ¡processed ¡to ¡1km ¡detec9on ¡squares ¡available, ¡VIIRS ¡750m. ¡

Research ¡processing ¡VIIRS ¡to ¡375m ¡polygons ¡exists ¡(Schroeder ¡2013). ¡ Much ¡coarser ¡scale ¡than ¡fire ¡behavior ¡models ¡(10-‑100m) ¡

False ¡nega>ves ¡are ¡common. ¡90% ¡detec9on ¡at ¡best. ¡100m2 ¡flaming ¡fire ¡

has ¡50% ¡detec9on ¡probability ¡(MODIS. ¡VIIRS ¡is ¡be[er ¡but ¡nothing ¡can ¡ be ¡ever ¡100% ¡accurate). ¡

No ¡detec9on ¡under ¡cloud ¡cover ¡-‑ ¡should ¡not ¡count ¡ ¡
Detec9on ¡squares ¡in ¡arbitrary ¡loca9ons ¡-‑ ¡fire ¡

sensed ¡somewhere ¡in ¡the ¡square, ¡not ¡that ¡ the ¡whole ¡square ¡would ¡be ¡burning. ¡

No ¡global, ¡binary ¡fire/no ¡fire ¡map. ¡

SLIDE 27

Data ¡assimila9on ¡= ¡data ¡improve ¡the ¡ ¡model ¡in ¡

a ¡sta9s9cal ¡sense. ¡

¡ ¡

Ac9ve ¡Fire ¡detec9on ¡should ¡be ¡used ¡to ¡improve ¡

fire ¡modeling ¡in ¡a ¡sta9s9cal ¡sense ¡only, ¡not ¡as ¡a ¡ direct ¡input. ¡ ¡

Data ¡assimila9on ¡≠ ¡ ¡cyclic ¡reini9aliza9on ¡from ¡

new ¡data. ¡ ¡

Assimila>on ¡of ¡ ¡ Ac>ve ¡Fire ¡detec>on ¡data ¡

SLIDE 28

VIIRS ¡Ac>ve ¡Fire ¡Detec>on ¡for ¡2013 ¡ Barker ¡Canyon ¡fire ¡

VIIRS ¡fire ¡detec9on ¡squares ¡ Simulated ¡fire ¡arrival ¡9me ¡ Time ¡

SLIDE 29

MODIS ¡ac>ve ¡fires ¡detec>on ¡ ¡with ¡simulated ¡fire ¡arrival ¡>me ¡

29 ¡

SLIDE 30

A ¡method ¡for ¡assimila>on ¡of ¡ac>ve ¡ fires ¡detec>on ¡data ¡ ¡

Modify ¡the ¡fire ¡arrival ¡0me ¡to ¡simultaneously ¡

minimize ¡the ¡change ¡and ¡to ¡maximize ¡the ¡likelihood ¡of ¡ the ¡observed ¡fire ¡detec;on. ¡

Inspired ¡by ¡computer ¡vision ¡in ¡Microsoh ¡Kinect, ¡which ¡

modifies ¡a ¡model ¡of ¡human ¡mo9on ¡to ¡simultaneously ¡ minimize ¡the ¡change ¡and ¡to ¡maximize ¡the ¡likelihood ¡of ¡ the ¡observed ¡images ¡(A. ¡Blake, ¡Gibbs ¡lecture ¡at ¡JMM ¡ ¡ 2014) ¡

Bayesian ¡sta9s9cs ¡view: ¡maximum ¡posterior ¡

likelihood, ¡found ¡by ¡nonlinear ¡least ¡squares. ¡

30 ¡

SLIDE 31

Fit ¡the ¡fire ¡arrival ¡9me ¡T to ¡the ¡forecast ¡Tf ¡and ¡fire ¡detec9on ¡data ¡, ¡ inspired ¡by ¡computer ¡vision ¡(Microsoh ¡Kinect ¡design, ¡Blake ¡2014) ¡

31 ¡

Assimila>on ¡of ¡MODIS/VIIRS ¡ Ac>ve ¡Fire ¡detec>on ¡

Ts ¡= ¡satellite ¡overpass ¡9me ¡
constraint ¡C(T-Ts)=0 ¡: ¡no ¡change ¡of ¡fire ¡arrival ¡9me ¡at ¡igni9on ¡points ¡
f(t,x,y) = ¡likelihood ¡of ¡fire ¡detec9on t hours ¡aher ¡9me ¡arrival ¡
A ¡=ellip9c ¡differen9al ¡operator ¡to ¡penalize ¡non-‑smooth ¡changes ¡
smooth ¡descent ¡direc9on ¡δ ¡by ¡solving ¡the ¡saddle ¡point ¡problem ¡

J(T) = ε 2 T −T f

A 2 −

f (T S

∫

−T,x, y)dxdy → min

C(T−T f )=0 ,

Aδ + Cλ = ∂ ∂t f (T S −T,x, y), C Tδ = 0,

SLIDE 32

f(t,x,y) ¡: ¡log ¡of ¡the ¡likelihood ¡of ¡fire ¡detec9on ¡ as ¡a ¡func9on ¡of ¡the ¡9me ¡t ¡elapsed ¡since ¡the ¡ ¡ fire ¡arrival ¡at ¡the ¡loca9on ¡(x,y) ¡

32 ¡

SLIDE 33

Assimila>on ¡of ¡the ¡VIIRS ¡Fire ¡Detec>on ¡into ¡ the ¡Fire ¡Arrival ¡Time ¡for ¡the ¡2012 ¡Barker ¡Fire ¡

33 ¡

Forecast ¡ Search ¡direc9on ¡ Analysis ¡

Fireline ¡= ¡contour ¡of ¡fire ¡arrival ¡9me ¡ Decrease ¡of ¡the ¡fire ¡arrival ¡9me ¡ VIIRS ¡fire ¡ detec9ons ¡

Time ¡ Forecast ¡fire ¡arrival ¡9me ¡

SLIDE 34

But ¡fire ¡is ¡coupled ¡with ¡the ¡atmosphere ¡

¡ ¡

34 ¡

Atmosphere ¡ Heat ¡ release ¡ Fire ¡ ¡ propaga9on ¡ Wind ¡ Heat ¡flux ¡

Heat ¡flux ¡from ¡the ¡fire ¡changes ¡the ¡state ¡of ¡the ¡atmosphere ¡
ver ¡9me. ¡
Then ¡the ¡fire ¡model ¡state ¡changes ¡by ¡data ¡assimila9on. ¡
The ¡atmospheric ¡state ¡is ¡no ¡longer ¡compa9ble ¡with ¡the ¡fire. ¡
How ¡to ¡change ¡the ¡state ¡of ¡the ¡atmosphere ¡model ¡in ¡

response ¡data ¡assimila9on ¡into ¡the ¡fire ¡model? ¡

And ¡not ¡break ¡the ¡atmospheric ¡model. ¡

¡ ¡

SLIDE 35

Spin ¡up ¡the ¡atmospheric ¡model ¡aZer ¡the ¡fire ¡ model ¡state ¡is ¡updated ¡by ¡data ¡assimila>on ¡

Fire ¡arrival ¡9me ¡ changed ¡by ¡ data ¡assimila9on ¡

Ac>ve ¡fire ¡ ¡ detec>on ¡

Atmosphere ¡out ¡

f ¡sync ¡with ¡fire ¡

¡ Forecast ¡fire ¡ ¡ simula9on ¡ Coupled ¡ atmosphere-‑fire ¡ Replay ¡heat ¡fluxes ¡ ¡ derived ¡from ¡the ¡ changed ¡ fire ¡arrival ¡>me ¡ Rerun ¡atmosphere ¡ model ¡from ¡an ¡ earlier ¡>me ¡ ¡ Con9nue ¡coupled ¡ fire-‑atmosphere ¡ simula9on ¡ Atmosphere ¡and ¡ fire ¡in ¡sync ¡again ¡

SLIDE 36

Conclusion ¡

A ¡simple ¡and ¡efficient ¡method ¡– ¡implemented ¡by ¡FFT ¡

2-‑3 ¡itera9ons ¡are ¡sufficient ¡to ¡minimize ¡the ¡cost ¡ func9on ¡numerically, ¡1 ¡itera9on ¡already ¡pre[y ¡good ¡

Pixels ¡under ¡cloud ¡cover ¡do ¡not ¡contribute ¡to ¡the ¡cost ¡

func9on ¡

Standard ¡bayesian ¡data ¡assimila9on ¡framework ¡

Forecast ¡+ ¡data ¡= ¡analysis ¡

Future: ¡ ¡

– Ac9ve ¡fire ¡detec9on ¡likelihood ¡from ¡the ¡physics ¡and ¡the ¡ instrument ¡proper9es? ¡ – Combina9on ¡with ¡standard ¡data ¡assimila9on ¡into ¡the ¡ ¡ atmospheric ¡model, ¡e.g. ¡add ¡4DVAR ¡cost ¡func9on? ¡

36 ¡

WRF-­‑SFIRE: ¡ Coupled ¡Atmosphere-­‑Fire ¡Modeling ¡ with ¡Data ¡Assimila>on

Scope ¡of ¡WRF-­‑SFIRE ¡ ¡