Data  Assimila*on  of  Satellite  Ac*ve  Fire  Detec*on  in  Coupled    Atmosphere-‐

Fire  Simula*on  by  WRF-‐SFIRE  

Jan Mandel University of Colorado Denver

with Adam K. Kochanski, Martin Vejmelka, Jonathan D. Beezley,

and Sher Schranz University of Utah, Czech Acadeny of Sciences, Kitware,

Colorado State University/NOAA

Supported partially by NASA NNX13AH59G, NSF DMS-1216481, and Czech Science Foundation 13-34856S.

VII  Interna)onal  Conference  on  Forest  Fire  Research,  Coimbra,  Portugal,  November  18,    2014    

!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!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  sta)ons   VIIRS/MODIS  fire  detec)on  

HRRR  forecast  

Data  assimila)on  

WRF-‐SFIRE  components  

Data  assimila*on  

Satellite  Fire  Detec*on  –  2010  Fourmile  Canyon  Fire,  Boulder,  CO  

3  

MODIS/VIIRS  Ac*ve  Fire    Detec*on  Data    

•  MODIS  instrument  resolu)on  750m  at  nadir  to  1.6km,  geo-‐loca)on  uncertainty  up  to  1.5km,  VIIRS  resolu)on  375m.    

•  MODIS  processed  to  1km  detec)on  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%  detec)on  at  best.  100m2  flaming  fire  has  50%  detec)on  probability  (MODIS.  VIIRS  is  be[er  but  nothing  can  be  ever  100%  accurate).  

•  No  detec)on  under  cloud  cover  -‐  should  not  count    

•  Detec)on  squares  in  arbitrary  loca)ons  -‐  fire  sensed  somewhere  in  the  square,  not  that  the  whole  square  would  be  burning.  

•  No  global,  binary  fire/no  fire  map.  

•  Data  assimila)on  =  data  improve  the    model  in  a  sta)s)cal  sense.      

5  

•  Ac)ve  Fire  detec)on  should  be  used  to  improve  fire  modeling  in  a  sta)s)cal  sense  only,  not  as  a  direct  input.    

•  Data  assimila)on  ≠    cyclic  reini)aliza)on  from  new  data.    

Assimila*on  of    Ac*ve  Fire  detec*on  data  

VIIRS  Ac*ve  Fire  Detec*on  for  2013  Barker  Canyon  fire  

VIIRS  fire  detec)on  squares  

Simulated  fire  arrival  )me  Time  

MODIS  ac*ve  fires  detec*on    with  simulated  fire  arrival  *me  

7  

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  Microsoa  Kinect,  which  modifies  a  model  of  human  mo)on  to  simultaneously  minimize  the  change  and  to  maximize  the  likelihood  of  the  observed  images  (A.  Blake,  Gibbs  lecture  at  JMM    2014)  

•  Bayesian  sta)s)cs  view:  maximum  posterior  likelihood,  found  by  nonlinear  least  squares.  

8  

Fit  the  fire  arrival  )me  T to  the  forecast  Tf  and  fire  detec)on  data  ,  inspired  by  computer  vision  (Microsoa  Kinect  design,  Blake  2014)  

9  

Assimila*on  of  MODIS/VIIRS  Ac*ve  Fire  detec*on  

•  Ts  =  satellite  overpass  )me  •  constraint  C(T-Ts)=0  :  no  change  of  fire  arrival  )me  at  igni)on  points  •  f(t,x,y) =  likelihood  of  fire  detec)on t hours  aaer  )me  arrival  •  A  =ellip)c  differen)al  operator  to  penalize  non-‐smooth  changes  •  smooth  descent  direc)on  δ  by  solving  the  saddle  point  problem  

J (T ) = ε

2T −T f

A

2− f (T S∫ −T ,x, y)dxdy → minC (T−T f )=0 ,

Aδ +Cλ = ∂

∂tf (T S −T ,x, y), CTδ = 0,

f(t,x,y)  :  log  of  the  likelihood  of  fire  detec)on  as  a  func)on  of  the  )me  t  elapsed  since  the    

fire  arrival  at  the  loca)on  (x,y)  

10  

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

11  

Forecast   Search  direc)on  

Analysis   Fireline  =  contour  of  fire  arrival  )me  

Decrease  of  the  fire  arrival  )me  

VIIRS  fire  detec)ons  

Time  

Forecast  fire  arrival  )me  

But  fire  is  coupled  with  the  atmosphere  

   

12  

Atmosphere  

Heat  release  

Fire    propaga)on  

Wind  Heat  flux  

•  Heat  flux  from  the  fire  changes  the  state  of  the  atmosphere  over  )me.  

•  Then  the  fire  model  state  changes  by  data  assimila)on.  •  The  atmospheric  state  is  no  longer  compa)ble  with  the  fire.  •  How  to  change  the  state  of  the  atmosphere  model  in  

response  data  assimila)on  into  the  fire  model?  •  And  not  break  the  atmospheric  model.      

Spin  up  the  atmospheric  model  aRer  the  fire  model  state  is  updated  by  data  assimila*on  

Fire  arrival  )me  changed  by  data  assimila)on  

Ac*ve  fire    detec*on  

Atmosphere  out  of  sync  with  fire    

Forecast  fire    simula)on  

Coupled  atmosphere-‐fire  

Replay  heat  fluxes    derived  from  the  changed  fire  arrival  *me  

Rerun  atmosphere  model  from  an  earlier  *me    

Con)nue  coupled  fire-‐atmosphere  simula)on  

Atmosphere  and  fire  in  sync  again  

Conclusion  •  A  simple  and  efficient  method  –  implemented  by  FFT  2-‐3  itera)ons  are  sufficient  to  minimize  the  cost  func)on  numerically,  1  itera)on  already  pre[y  good  

•  Pixels  under  cloud  cover  do  not  contribute  to  the  cost  func)on  

•  Standard  bayesian  data  assimila)on  framework  Forecast  +  data  =  analysis  

•  Future:    –  Ac)ve  fire  detec)on  likelihood  from  the  physics  and  the  instrument  proper)es?  

–  Combina)on  with  standard  data  assimila)on  into  the    atmospheric  model,  e.g.  add  4DVAR  cost  func)on?  

14