An Optimized Spatial Ensemble of Interpolation Methods with a Focus on the Fire Weather Index in Ontario
Accurate interpolation of meteorological data is essential for wildland fire science and management, as it directly impacts the modeling and prediction of fire risk indicators, such as the Fire Weather Index. In this study, we introduce a spatial ensemble approach that optimally combines multiple interpolation methods, including types of Inverse Distance Weighting (IDW), Kriging, and Thin Plate Splines. The ensemble assigns spatially optimized mixing weights that vary between locations to enhance predictive accuracy across our study region of Ontario, Canada. We also developed an Adjusted-Adaptive IDW method to be integrated into the ensemble, which improves spatial predictions by incorporating adaptive weighting based on local data density and directional shielding effects. Our findings demonstrate that the spatial ensemble method consistently outperforms individual interpolation methods, providing more reliable and accurate fire weather predictions.
Un ensemble spatial optimisé de méthodes d'interpolation avec un accent sur l'index des incendies de forêt en Ontario
L'interpolation précise des données météorologiques est essentielle pour la science et la gestion des incendies de forêt, car elle a un impact direct sur la modélisation et la prévision des indicateurs de risque d'incendie, tels que l'index des incendies de forêt. Dans cette étude, nous présentons une approche d'ensemble spatial qui combine de manière optimale plusieurs méthodes d'interpolation, y compris des types de pondération de la distance inverse (IDW), de krigeage et de splines à plaques minces. L'ensemble attribue des poids de mélange spatialement optimisés qui varient d'un endroit à l'autre afin d'améliorer la précision de la prédiction dans notre région d'étude, l'Ontario, au Canada. Nous avons également développé une méthode IDW ajustée-adaptative à intégrer dans l'ensemble, qui améliore les prédictions spatiales en incorporant une pondération adaptative basée sur la densité locale des données et les effets de blindage directionnel. Nos résultats démontrent que la méthode d'ensemble spatial est toujours plus performante que les méthodes d'interpolation individuelles, fournissant des prévisions météorologiques plus fiables et plus précises sur les incendies.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais