Strumenti e modelli a supporto della pianificazione ... · Over the last forty years, the...

STRUMENTI E MODELLI A SUPPORTO

DELLA PIANIFICAZIONE,

PREVENZIONE E DIFESA DAGLI

INCENDI BOSCHIVI

Outils et modèles pour appuyer la planification, la

prévention et la défense contre les incendies de forêt

Tools and models to support planning, prevention, and

protection activities against forest fires

Finanziato da – Financé par - Supported by

PROTERINA 2

Il secondo passo nella protezione dei rischi naturali: gli

investimenti sul territorio

(EU Italia-Francia Marittimo 2007-2013 Programme)

A cura di – Édité par – Edited by

Valentina Bacciu – Michele Salis – Donatella Spano

Finanziato da – Financé par - Supported

by

PROTERINA 2 - Il secondo passo nella

protezione dei rischi naturali: gli

investimenti sul territorio

(EU Italia-Francia Marittimo 2007-2013

Programme)

Partner responsabile del prodotto -

Partner responsable du produit - Partner

responsible for the product

Dipartimento di Scienze della Natura e del

Territorio

Stampato da – Imprimé par - Printed by

Nuova StampaColor, S.r.l. Industria

Grafica - Zona Industriale Muros 07030

Muros (Sassari, Italy)

Layout

Valentina Bacciu

Settembre 2015

ISBN: 978 88 99 323 05 9

The Editors gratefully aknowledge Jean

Baptiste Filippi, Andrea Gallo, and

Toussaint Barboni for their precious help

in revising the French version

i

SOMMARIO - SOMMAIRE - SUMMARY SOMMARIO - SOMMAIRE - SUMMARY ...................................................................................................... i

INTRODUZIONE .............................................................................................................................................. iii

INTRODUCTION ............................................................................................................................................. iii

1. GLI INCENDI BOSCHIVI IN ITALIA E IL PERICOLO DI INCENDIO ................................................. 1

1.1. Gli incendi boschivi in Italia e le attività di previsione del Dipartimento della

Protezione Civile nazionale ...................................................................................................................... 2

1.2. Il bollettino della Regione Sardegna: struttura e modalità di elaborazione ................... 8

1.2.1. Il modello IFI (Ichnusa Fire Index) .......................................................................................... 9

1.2.2. Il modello speditivo del CFVA .............................................................................................. 10

1.2.3. Il modello RISICO (RISchio Incendi Coordinamento) ....................................................... 10

1.2.4. Il Bollettino ............................................................................................................................... 11

FOREST FIRE IN ITALY AND FIRE DANGER.......................................................................................... 14

1.3. Riferimenti bibliografici - References ...................................................................................... 19

2. I SISTEMI DI CLASSIFICAZIONE DEL COMBUSTIBILE .................................................................... 21

2.1. Introduzione ................................................................................................................................. 22

2.2. Caratteristiche del combustibile .............................................................................................. 23

2.3. Classificazioni del combustibile ............................................................................................... 25

2.3.1. Classificazioni del combustibile in Canada e Australia ..................................................... 27

2.3.2. I modelli di combustibile negli Stati Uniti ............................................................................ 28

2.3.3. Recenti approcci per la descrizione del combustibile ........................................................ 34

2.4. Conclusioni ................................................................................................................................... 38

FUEL CLASSIFICATION ............................................................................................................................ 39


3. LA MODELLISTICA DEL COMPORTAMENTO DEGLI INCENDI .................................................... 50

3.1. Introduzione ................................................................................................................................. 51

3.2. Modelli di propagazione ......................................................................................................... 52

3.2.1. Modelli fisici ............................................................................................................................ 52

3.2.2. Modelli semi-fisici ................................................................................................................... 53

3.2.3. Modelli empirici ....................................................................................................................... 54

3.2.4. Altre classificazioni ................................................................................................................. 54

3.3. Tecniche di propagazione ........................................................................................................ 56

3.3.1. Automi cellulari ....................................................................................................................... 56

3.3.2. Propagazione ad onde .......................................................................................................... 58

3.4. Alcune implementazioni ............................................................................................................. 59

3.5. Conclusioni ................................................................................................................................... 63

WILDFIRE SPREAD AND BEHAVIOUR MODELLING .......................................................................... 65


4. LA MODELLISTICA DELL‘ESPOSIZIONE E DEL RISCHIO INCENDI .............................................. 81

4.1. Introduzione ................................................................................................................................. 82

4.2. Valutazione dell‘esposizione agli incendi ............................................................................. 83

4.3. Applicazioni dell‘algoritmo minimum travel time (MTT) ...................................................... 85

4.3.1. Preparazione degli input per il MTT .................................................................................... 86

4.4. Caratterizzazione dell‘esposizione agli incendi .................................................................. 88

4.5. Casi di studio ............................................................................................................................... 89

ii

4.6. Limitazioni dell‘algoritmo MTT ................................................................................................. 92

WILDFIRE EXPOSURE EVALUATION USING MTT FIRE SPREAD MODELING ............................... 94


5. LA MODELLISTICA DEGLI EFFETTI PRIMARI DEGLI INCENDI ..................................................... 105

5.1. Introduzione ............................................................................................................................... 106

5.2. Gli effetti degli incendi ........................................................................................................... 107

5.3. I modelli di simulazione degli effetti degli incendi ........................................................... 108

5.3.1. Consumo del combustibile ................................................................................................... 110

5.3.2. Produzione di fumi ............................................................................................................... 112

5.4. I principali usi dei modelli ....................................................................................................... 113

5.5. Le fonti di incertezza: i dati di base e l‘approccio modellistico ..................................... 114

5.6. Conclusioni ................................................................................................................................. 118

MODELING THE FIRST-ORDER FIRE EFFECTS.................................................................................... 119

5.7. Riferimenti bibliografici - References .................................................................................... 126

iii

INTRODUZIONE

INTRODUCTION Italiano

La complessità delle attività di prevenzione e gestione del rischio incendi, di

pianificazione territoriale strategica volta alla sua mitigazione e di valutazione degli

effetti, ha portato, negli ultimi quaranta anni, ad un crescente sviluppo di modelli e

programmi la cui applicazione, per fini operativi e di ricerca, è andata via via

diffondendosi a livello globale.

Con l‘ambizioso obiettivo di fornire una panoramica e una guida rispetto alla

moltitudine di modelli e applicazioni, il Dipartmento di Scienze della Natura e del

Territorio (DipNET) dell‘Università di Sassari, in collaborazione con l‘Istituto di

Biometeorologia di Sassari del CNR, il Dipartimento di Protezione Civile Regionale della

Sardegna, la Fondazione CIMA e l‘Università della Corsica, ha il piacere di presentare

il compendio ―STRUMENTI E MODELLI A SUPPORTO DELLA PIANIFICAZIONE,

PREVENZIONE E DIFESA DAGLI INCENDI BOSCHIVI‖.

Il volume nasce nell‘ambito del progetto Proterina-Due (Il secondo passo nella

protezione dei rischi naturali: gli investimenti sul territorio - EU Italia-Francia Marittimo

2007-2013 Programme). Tematica centrale del progetto Proterina-Due è la

prevenzione ambientale, con particolare riferimento al rischio idrogeologico e da

incendi boschivi. Obiettivi generali del progetto (che vede coinvolte le regioni Liguria,

Sardegna, Toscana e Corsica) sono il potenziamento delle capacità di previsione e

prevenzione dei rischi naturali e il miglioramento della condivisione delle informazioni

fra enti istituzionali e territorio. Particolare attenzione è stata dedicata alla

comunicazione, intesa come miglioramento delle conoscenze dei processi che concorrono

a determinare le condizioni di rischio sul territorio e come disseminazione di ogni nuova

conoscenza acquisita.

Il presente libro si prefigge di contribuire al raggiungimento di tali obiettivi attraverso

la presentazione organica degli strumenti e dei metodi ad oggi più utilizzati nell‘ambito

delle attività di previsione, prevenzione e gestione degli incendi e di pianificazione

territoriale, corredando la parte puramente teorico-descrittiva con moderni approcci ed

esempi applicativi.

Il primo capitolo introduce il regime degli incendi in Italia, illustrando le cause più

frequenti di innesco e la legislazione attuale, per poi focalizzarsi sulle attività di

previsione della pericolosità potenziale di incendio boschivo effettuate a scala

nazionale dal Dipartimento della Protezione Civile Nazionale e dal Servizio di

Protezione Civile della Regione Sardegna.

iv

Segue la trattazione delle principali caratteristiche e dei più diffusi sistemi di

classificazione del combustibile, analizzando gli approcci seguiti per la loro

formulazione e evidenziando gli eventuali limiti e vantaggi (Capitolo 2).

Il Capitolo 3 propone una rassegna degli approcci modellistici per la simulazione del

comportamento degli incendi e discute delle prestazioni e delle capacità operative dei

differenti approcci, mentre nel Capitolo 4 vengono presentati le più recenti applicazioni

degli strumenti di supporto alle decisioni per la valutazione e la gestione del rischio

incendio.

Infine il Capitolo 5 discute dei modelli di simulazione degli effetti degli incendi, delle

loro applicazioni in ambiti operativi e di ricerca, e di come i dati di input possano

influenzare il processo modellistico.

Ringraziamo tutti gli Autori del volume per il loro prezioso contributo, e vi auguriamo

buona lettura.

I Curatori del volume


Français

La complexité des activités de prévention et de gestion de risqué incendie, de planification

stratégique et d'évaluation de ses effets, a conduit, au cours des quarante dernières années,

un développement croissant de modèles et de programmes. Leur application, pour des

raisons opérationnelles et de la recherche, a été étendue progressivement à l'échelle

mondiale.

Avec l'objectif ambitieux de fournir un aperçu et des conseils par rapport à la multitude de

modèles et d'applications, le Département des Sciences de la Nature et Territoire, (DipNET,

Université de Sassari), en collaboration avec l'Institut de Biométéorologie du CNR

(Sassari), le Département de Protection Civile de Sardaigne, la Fondation CIMA et

l'Université de Corse, est heureux de présenter le volume "OUTILS ET MODÈLES POUR LA

PLANIFICATION, LA PRÉVENTION ET LA DÉFENSE CONTRE LES INCENDIES DE FORÊTS".

Le volume est né dans le cadre du projet PROTERINA-Due (deuxième étape dans la

protection des risques naturels: les investissements dans le territoire – EU IT-FR Maritime

2007-2013 Programme). Le thème central du projet PROTERINA-Due est la prévention

des risques naturels et en particulier des risques hydrogéologiques et d’incendies de forêt.

Les objectifs généraux du projet (qui implique les régions de Ligurie, la Sardaigne, la

Toscane et la Corse) sont d’améliorer les compétences de la prévision et de la prévention

des risques naturels et le partage d’informations entre les autorités et le territoire. Une

attention particulière a été accordée à la communication, afin d’améliorer de la

v

connaissance des processus qui déterminent les conditions dans la zone à risque et de

diffuser toute nouvelle connaissance acquise.

Ce livre aide à atteindre ces objectifs grâce à la présentation synthétique des outils et des

méthodes les plus utilisées à ce jour dans le domaine de la prévision et de la gestion des

incendies, en ajoutant à l'aspect purement descriptif des approches modernes et des

exemples d'application.

Le premier chapitre présente le régime des incendies en Italie, illustrant les causes les plus

fréquentes d'ignition et la législation actuelle, puis se concentre sur la prévision du danger

potentiel d'incendie de forêt par le Département de la Protection Civile national et le

Service de la Protection Civile de la Region Sardaigne.

Le chapitre 2 decrit les principales caractéristiques et les systèmes de classification du

combustible, en analysant les approches utilisées dans leur formulation, mettant en évidence

les limites et les avantages de chaque option.

Le chapitre 3 donne un aperçu des approches de modélisation pour simuler le

comportement du feu et examine les performances et les capacités opérationnelles des

différentes approches, tandis que le chapitre 4 présente les dernières applications d'outils

d'aide à la décision pour l'évaluation et la gestion du risque incendie.

Enfin, le chapitre 5 examine les modèles de simulation des effets des incendies, de leurs

applications dans des domaines de travail et de recherche, et propose une discution sur

l’influence des données dans le processus de modélisation.

Nous remercions tous les Auteurs du volume pour leur précieuse contribution, et souhaitons

bonne lecture.

Les Rédacteurs du livre


English

Over the last forty years, the complexity of fire prevention and management activities, as

well as the strategic territorial planning toward fire risk mitigation and the fire effect

assessment, led to a growing development of models and programs whose implementation,

for operational and research purposes, gradually spread all over the globe.

The Department of Science for Nature and Environmental Resources (DipNET) (University of

Sassari), together with the Biometeorology Institute of Sassari (CNR), the Regional

Department of Civil Protection of Sardinia, the Cima Foundation and the University of

Corsica, is glad to present the volume “TOOLS AND MODELS TO SUPPORT PLANNING,

PREVENTION, AND PROTECTION ACTIVITIES AGAINST FOREST FIRES”, which has the

vi

ambitious aim of providing an overview and guidance with respect to the multitude of

models and applications.

The volume is part of the project PROTERINA-Due (The second step in the protection of

natural risks: investments in the territory - EU-Italy France Maritime 2007-2013

Programme). Central theme of the project PROTERINA-Due is the environmental

prevention, with particular focus to the hydrogeological and forest fire risks. General

objectives of the project (which involves the regions of Liguria, Sardinia, Tuscany and

Corsica) are to increase the capacity of prediction and prevention of natural disasters and

to improve the sharing of information between institutional entities and territory. Within the

project, particular attention has been paid to communication, seen as improving knowledge

of the processes that contribute to the risk conditions of the areas and as dissemination of

any new acquired knowledge.

This book aims to contribute in achieving these goals through the presentation of the tools

and methods commonly used in the field of prevision, prevention and fire management and

planning, adding to the purely descriptive part the discussion of modern approaches and

operative examples.

The first chapter introduces fire regime in Italy, illustrating the most frequent causes of

ignition and the current legislation, then focusing on the potential fire danger forecats at

the national and regional level by the National Department of Civil Protection and the

Regional Service of Civil Protection in Sardinia.

Chapter 2 discusses on the main fuel characteristics and the most common classification

systems, by analyzing the approaches used and highlighting limitations and advantages.

Chapter 3 provides an overview of modeling approaches to simulate fire behavior,

analyzing the performance and operational capabilities of the different approaches, while

Chapter 4 presents the latest applications of decision support tools for the fire risk

assessment and management.

Finally, fire effect models and their application for research and operational purposes are

the focus of Chapter 5, whith a comment on how the input data may influence the process

modeling.

We thank all authors of the book for their valuable contribution, and we wish you a

pleasant reading.

The Editors


1

1. GLI INCENDI BOSCHIVI IN ITALIA E IL PERICOLO DI

INCENDIO

LES FEUX DE FOREST EN ITALIE ET LE DANGER D’INCENDIES

Editors: Costantino Sirca1,2, Donatella Spano1,2

1Università di Sassari, Dipartimento di Scienze della Natura e del Territorio (DipNeT),

Sassari (Italia)

2Centro Euro-Mediterraneo sui Cambiamenti Climatici, Divisione Impatti in Agricoltura,

Foreste e Servizi Ecosistemici (CMCC-IAFES), Sassari (Italia)

e-mail: [email protected]

Riassunto

Il territorio italiano, a causa delle condizioni climatiche, vegetazionali e orografiche del

territorio, nonché della loro eterogeneità e variabilità, è particolarmente predisposto al

fenomeno degli incendi boschivi. In questo capitolo verranno descritti brevemente il

regime degli incendi, le cause più frequenti di innesco e la legislazione attuale. In

secondo luogo verranno trattate le attività di previsione della pericolosità potenziale di

incendio boschivo effettuate a scala nazionale dal Dipartimento della Protezione Civile

nazionale e, per la Regione Sardegna, dal Servizio di Protezione Civile Regionale.

Résumé

Le territoire italien, en raison de conditions météorologiques, de sa végétation et de la

topographie de la région, ainsi que l‘hétérogénéité et de la variabilité, est

particulièrement sensible au phénomène des incendies de forêt. Ce chapitre décrit

brièvement le regime des incendies, les causes les plus fréquentes d'ignition et la

législation actuelle. Enfin, le chapitre décrit l'activité de prévision du danger potentiel

d'incendie de forêt réalisé au niveau national par le Département de la Protection

Civile et, pour la région Sardaigne, par le Service Régional de la Protection Civile.

2

1.1. Gli incendi boschivi in Italia e le attività di previsione del Dipartimento della

Protezione Civile nazionale

Paolo Fiorucci1, Mirko D‘Andrea1, Guido Biondi1, Marco Turco2, Massimiliano Severino3,

Dario Negro3, Andrea Gollini3, Saverio Gualtieri3, Silvia Bastia3

1 Fondazione CIMA, Via Armando Magliotto 2, 17100 Savona (Italia)

2 Istituto di Scienze dell'Atmosfera e del Clima (ISAC), Consiglio Nazionale delle Ricerche

(CNR), Corso Fiume 4, 10133 Torino (Italia)

3Dipartimento Nazionale di Protezione Civile, Via Vitorchiano 2, 00189 Roma (Italia)

L‘elevata eterogeneità climatica e vegetazionale rende l‘Italia vulnerabile agli incendi

boschivi sia nella stagione estiva che nella stagione invernale. In particolare le regioni

settentrionali sono caratterizzate da un regime di incendi prevalentemente invernale,

dovuto principalmente ai frequenti venti estremamente secchi provenienti da nord,

mentre le regioni del centro sud e le grandi isole sono caratterizzate da un severo

regime di incendi estivo, dovuto alle elevate temperature e alle prolungate assenze di

precipitazione.

Gli incendi in Italia non rappresentano una minaccia limitata alle aree boscate ma si

estendono anche alle aree agricole e alle zone di interfaccia urbano forestale. Le aree

agricole e rurali, dagli anni ‘50 ad oggi, hanno subito un progressivo abbandono, sia

nelle aree ad orografia complessa dove la meccanizzazione dell‘agricoltura risulta

sfavorevole, sia nelle isole maggiori e nelle regioni del sud a causa dei cambiamenti

socio-economici, con conseguente invasione di specie pioniere. L‘invasione delle specie

pioniere è in parte naturale e in parte determinata da interventi di riforestazione cui è

mancata, nella quasi totalità degli interventi, la necessaria attività di gestione della

risorsa forestale. L‘estrema vulnerabilità al fuoco delle specie pioniere nell‘ambiente

mediterraneo pone queste aree fra le maggiormente soggette al passaggio del fuoco.

Tali aree, a causa della frequenza del passaggio del fuoco, restano costrette ai primi

stadi successionali, rappresentati principalmente da vegetazione di macchia la cui

sopravvivenza nella competizione con le specie climax è garantita proprio dal

passaggio dal fuoco.

La frequenza degli inneschi, quasi totalmente di origine antropica, fa si che il tempo che

intercorre fra un incendio e il successivo sulla medesima area è almeno di un ordine di

grandezza inferiore ai tempi forestali che permetterebbero l‘instaurarsi di specie climax

decisamente meno vulnerabili al fuoco. L‘elevata frequenza di inneschi di origine

antropica è anche riconducibile alla elevata densità abitativa superiore alla media

europea. Infatti, con una superficie di 300000 km2 e una popolazione che ha raggiunto

ormai da tempo i sessanta milioni di abitanti, l‘Italia è fra i 5 paesi a più alta densità

abitativa d‘Europa. Se si osserva il numero di incendi dal 1970 ad oggi (Fig. 1-1), si

3

nota come più di 9,000 incendi bruciano mediamente ogni anno una superficie superiore

a 100,000 ettari.

Tuttavia, si può comunque notare, nell‘ultimo decennio, una riduzione significativa delle

superfici percorse dal fuoco. Dopo il 2000, l‘area bruciata totale è sempre sotto la

media, ad esclusione del 2007 e del 2012. Tale riduzione può essere ricondotta ad una

maggiore attività di monitoraggio, di prevenzione e ad una sempre più efficiente lotta

attiva, ma anche a tutte quelle attività di sensibilizzazione della popolazione verso il

fenomeno incendi che ha portato nel corso degli anni ad una progressiva riduzione delle

condotte potenzialmente favorevoli all‘innesco e alla propagazione di incendi. Inoltre,

la migliore organizzazione dei dispositivi dell‘antincendio boschivo, con un sempre

crescente impiego di uomini e mezzi, ha condotto ad un altrettanto rapido cambiamento

negli effetti degli incendi sull‘intero territorio nazionale.

Resta da sottolineare che l‘elevato numero di mezzi aerei e la maggiore efficienza

degli interventi di spegnimento non sono stati tuttavia sufficienti ad arginare l‘effetto

catastrofico del 2007, anno in cui l‘area bruciata totale ha raggiunto uno dei valori più

elevati degli ultimi 40 anni causando 23 vittime (fonte CFS, dossier incendi 2007). Quasi

il 50% dell‘area bruciata totale è stata percorsa del fuoco in poco più di una settimana,

l‘ultima settimana di Luglio. Le regioni principalmente colpite dal fenomeno sono state

quelle del centro sud Italia.

La stagione estiva del 2007 fu caratterizzata da condizioni climatiche estreme con

prolungati periodi di umidità relativa inferiore al 30%, temperature superiori a 40°C in

buona parte del paese che hanno determinato condizioni di umidità della necromassa

critiche, persistenti nel tempo ed estese a buona parte del centro sud. Tali condizioni,

associate al forte vento, hanno condotto a situazioni di rischio pressoché incontrollabili

anche con l‘ausilio dei mezzi aerei. Gli eventi del 2007 hanno messo maggiormente in

evidenza come gli incendi boschivi non siano solo fonti di disturbo per le foreste ma

possano frequentemente trasformarsi in vere e proprie emergenze di protezione civile,

al pari di altri rischi naturali. La sempre più estesa interfaccia fra le aree rurali e le

aree urbane o ricreative fa si che la propagazione del fuoco venga sempre più

frequentemente in contatto con le popolazioni, le infrastrutture e le attività produttive.

Durante l‘incendio che si è verificato in Puglia a Peschici il 24 Luglio 2007 migliaia di

turisti furono tratti in salvo via mare mentre le fiamme e il fumo sospinti dal forte vento

si dirigevano velocemente verso le spiagge affollatissime del Gargano. Questa

tipologia di incendi richiede una stretta sinergia fra le varie entità coinvolte nelle

attività di controllo e mitigazione del rischio.

In questo contesto, che ha determinato la dichiarazione dello stato di emergenza nei

territori delle regioni centro-meridionali dell‘Italia, deliberata con decreto del

Presidente del Consiglio dei Ministri del 27 luglio 2007, il Dipartimento della Protezione

4

Civile ha coordinato numerose iniziative finalizzate a richiedere una maggiore

attenzione da parte di tutte le Autorità competenti dal livello nazionale alle autorità

locali; sono stati anche organizzati dei Gruppi di coordinamento a livello regionale con

il compito di supportare le Amministrazioni regionali e comunali nelle proprie attività di

pianificazione di protezione civile, attraverso la definizione di semplici metodologie per

la realizzazione di mappe delle aree a rischio di interfaccia e di criteri per lo sviluppo

e l‘adozione di sistemi regionali di early-warning per gli incendi boschivi e di

interfaccia. Queste attività, che hanno coinvolto 12 delle 20 regioni italiane e 3614

Comuni, hanno portato ad una crescita complessiva dell‘intero sistema coinvolto nelle

attività di previsione, prevenzione e lotta attiva contro gli incendi boschivi.

0

50000

100000

150000

200000

1970

1972

1974

1976

1978

1980

1982

1984

1986

1988

1990

1992

1994

1996

1998

2000

2002

2004

2006

2008

2010

2012

[ha]

Burned area [ha] in Italy (1970-2013)

woodlands shrubs

FIG. 1-1 AREA BRUCIATA IN ITALIA DAL 1° GENNAIO 1970 AL 31 DICEMBRE 2013. L’AREA

BRUCIATA TOTALE RAPPRESENTATA NEL GRAFICO A BARRE È SUDDIVISA IN AREA BOSCATA (ROSSO) E AREA NON BOSCATA (VERDE). BURNED AREA IN ITALY FROM 1ST JANUARY 1970 TO 31ST DECEMBER

2013. THE TOTAL BURNED AREA IS DISCRIMINED IN WOODLANDS (RED) AND SHRUBS (GREEN). FONTE: CORPO FORESTALE DELLO STATO - DATA PROVIDED BY CORPO FORESTALE DELLO STATO

Sul fronte della normativa nazionale ordinaria, un notevole contributo alla crescita

dell‘intera filiera è stato dato a seguito dell‘approvazione e della successiva

applicazione della legge n.353 del 2000, che rappresenta in Italia la prima legge

quadro in materia di incendi boschivi. Lo spirito della legge n.353 del 2000 è quello di

promuovere le attività finalizzate alla riduzione delle cause di innesco, all‘adozione di

strumenti di previsione e alla definizione di protocolli operativi per le attività di

prevenzione atte a mitigare le conseguenze del passaggio del fuoco e a migliorare

l‘efficienza delle attività di spegnimento. Nello specifico la legge n.353 del 2000

trasferisce alle Regioni tutte le competenze in materia di previsione, prevenzione e lotta

5

attiva contro gli incendi boschivi, lasciando allo Stato il concorso allo spegnimento degli

incendi con il supporto della flotta aerea antincendio di Stato.

Un ulteriore contributo alla riduzione delle cause di innesco è perseguito mediante

l‘imposizione di vincoli sulle aree percorse dal fuoco. La legge n.353 del 2000 prevede

infatti che in queste aree è fatto divieto di cambiare l‘uso del suolo per 15 anni,

costruire abitazioni, strutture ricettive, infrastrutture e instaurare attività produttive per

10 anni, esercitare la caccia ed il pascolo per 10 anni, eseguire attività di

riforestazione e opere di ingegneria ambientale per 5 anni successivi al passaggio del

fuoco. L‘applicazione di tali vincoli è possibile grazie alla definizione di un catasto delle

aree bruciate che deve riportare la perimetrazione georiferita di tutte le aree percorse

dal fuoco. La legge n.353 del 2000, inoltre, all‘articolo 11, introduce, con il reato di

incendio boschivo delle modifiche al codice penale e prevede, per chi innesca un

incendio, una pena detentiva da 4 a 10 anni. Se la causa di innesco si dimostra essere

di origine colposa la pena si riduce da 1 a 5 anni a seconda della gravità del danno

causato.

Sul fronte dell‘organizzazione della lotta attiva, la legge n.353 del 2000 stabilisce che

ogni Amministrazione regionale debba dotarsi di una Sala Operativa Unificata

Permanente (SOUP), in cui operano in sinergia il personale regionaleinsieme con quello

del Corpo Nazionale dei Vigili del Fuoco, del Corpo Forestale dello Stato, delle Forze

armate, delle Forze di Polizia e delle Organizzazioni di volontariato.

L‘insieme di tutte le attività che ciascuna Amministrazione regionale svolge, coordina e

promuove è raccolto e strutturato all‘interno di uno specifico strumento di pianificazione

denominato ―Piano di Previsione, Prevenzione e Lotta attiva contro gli incendi boschivi‖.

Il risultato della piena competenza delle Amministrazioni regionali in materia di incendi

boschivi, ha determinato nel tempo una ―crescita‖ dei sistemi regionali dedicati a tale

settore, cosicché oggi le Amministrazioni regionali si sono dotate di una propria

organizzazione in relazione alle diverse peculiarità che differenziano il regime da

incendio boschivo nei diversi territori italiani. Ad esempio, alcune Amministrazioni

regionali, durante il periodo di massima pericolosità, effettuano in totale autonomia

delle previsioni delle condizioni di pericolo del territorio che vengono diffuse agli Enti

competenti attraverso degli specifici ―Bollettini di previsione‖, in grado di allertare se

necessario il sistema di lotta attiva attraverso procedure speciali regionali e di fornire

supporto in fase decisionale al sistema di protezione civile regionale, sia in fase

preventiva che in presenza di incendi in atto.

Altre Amministrazioni regionali, invece, che al momento non hanno ancora organizzato

dei propri sistemi di previsione delle condizioni di pericolo del territorio, fanno proprie,

condividendole, le previsioni a scala nazionale elaborate dal Dipartimento di

Protezione Civile che sono raccolte nel ―Bollettino nazionale di previsione incendi

boschivi‖. Tale Bollettino è emesso, ai sensi della Direttiva del Presidente del Consiglio

6

dei Ministri del 01/07/2011, a supporto delle attività della flotta aerea antincendio

boschivo di Stato, coordinata dal Centro Operativo Aereo Unificato (COAU) del

Dipartimento di Protezione Civile stesso.

Per garantire opportuni flussi informativi delle condizioni di suscettività all‘innesco ed

alla propagazione degli incendi boschivi, valutate per l‘intero territorio nazionale dal

Dipartimento di Protezione Civile, la stessa Direttiva del Presidente del Consiglio dei

Ministri del 01/07/2011 prevede una condivisione del ―Bollettino nazionale di

previsione incendi boschivi‖ con tutte le Amministrazioni statali e regionali coinvolte nello

specifico settore della lotta attiva agli incendi boschivi.

Sotto il profilo più tecnico, il ―Bollettino nazionale di previsione incendi boschivi‖ è

redatto sulla base degli indici di pericolo descritti nel sistema ―RIS.I.CO.‖, supportati da

una valutazione soggettiva esperta dei tecnici del Dipartimento della Protezione Civile,

anche tenendo conto degli eventi in atto e del generale andamento del fenomeno

incendi sul territorio nazionale.

Il sistema ―RIS.I.CO.‖, operativo dal 2003 tutto l‘anno in h24, è stato sviluppato per il

Dipartimento di Protezione Civile dalla Fondazione CIMA (Centro di competenza

nazionale1 per il rischio idrogeologico e da incendi boschivi) che ne cura anche la

manutenzione operativa sia dal punto di vista tecnico che scientifico. Il sistema è

accessibile via web con accesso protetto da password, all‘indirizzo

http://dewetra.cimafoundation.org.

Il cuore del sistema ―RIS.I.CO.‖ è costituito da un modulo molto simile al Fine Fuel

Moisture Code (FFMC) del Fire Weather Index (FWI) canadese, opportunamente

ricalibrato ed adattato alla copertura vegetale dell‘area mediterranea. Date le

caratteristiche della vegetazione mediterranea, la sola componente dinamica del

sistema è rappresentata dall‘umidità della necromassa adattata alle differenti tipologie

di copertura vegetale. Nelle aree più frequentemente percorse dal fuoco, l‘umidità

della necromassa può passare da valori di saturazione, conseguenti a precipitazioni, a

valori inferiori al 10% in meno di 12 ore. Per questa ragione, già nella prima versione

del sistema, si ritenne che, alimentarlo con previsioni meteorologiche, sebbene soggette

ad incertezza, fosse il solo modo per fornire informazioni di maggior dettaglio.La

capacità di prevedere fino a 72 ore in anticipo, facendo continuamente uso delle

osservazioni per correggere in real time lo stato del sistema e riducendo così

l‘incertezza della previsione, rende il sistema ―RIS.I.CO.‖ lo strumento di riferimento per

la redazione del citato ―Bollettino nazionale di previsione incendi boschivi‖.

1I Centri di Competenza (università, istituti e/o organismi) sono enti pubblici attivati nell’ambito nel sistema nazionale di protezione civile per sviluppare progetti di ricerca applicata e realizzare strumenti anche di supporto tecnologico per la gestione dell’emergenza.

http://dewetra.cimafoundation.org/

7

Nella Fig. 1-2 sono riportati i risultati dell‘ultima validazione del sistema RIS.I.CO.

effettuata sul periodo che va dal 1° gennaio 2007 al 31 dicembre 2013. La

validazione consiste nel confrontare l‘indice di pericolo giornaliero a scala provinciale

valutato sulla base del modello RIS.I.CO. con l‘area bruciata totale giornaliera a scala

provinciale.

Il diagramma ROC (Relative Operating Characteristic) mostra il numero relativo di

previsioni corrette (Hit Rate), che corrisponde al numero di volte che al valore dell‘indice

di pericolo (medio, medio-alto, elevato o estremo) è corrisposto un evento, contro il

numero di falsi allarmi (False Alarm Rate), che corrisponde al numero relativo di volte

che a tale valore non è corrisposto nessun evento. In fase di validazione sono state

classificate 4 diverse classi di evento corrispondenti rispettivamente ad un‘area bruciata

totale superiore a 10 ha, superiore a 100 ha, superiore a 500 ha, e infine superiore a

1000 ha complessivi a scala provinciale. I diversi valori di soglia corrispondenti ai valori

assunti dall‘indice di pericolo sono rappresentati dai marker di confronto riportati su

ogni curva. Da sinistra a destra le classi di pericolo rappresentate sono rispettivamente

Estremo, Elevato, Medio-elevato, Medio.

FIG. 1-2 NEL DIAGRAMMA ROC (RELATIVE OPERATING CHARACTERISTIC) SONO RIPORTATI I

RISULTATI DELLA VALIDAZIONE PER 4 DIFFERENTI CLASSI DI EVENTI. OGNI CURVA RAPPRESENTA

RISPETTIVAMENTE IL RISULTATO PER EVENTI DI CLASSE 10 HA (BLUE), 100 HA (VERDE), 500 HA

(ROSSO), 1000 HA (AZZURRO). I MARKER RAPPRESENTANO RISPETTIVAMENTE, DA SINISTRA A

DESTRA, LE CLASSI DI PERICOLO ESTREMO, ELEVATO, MEDIO ELEVATO E MEDIO. THE ROC DIAGRAM

(RELATIVE OPERATING CHARACTERISTIC) SHOWS THE VALIDATION RESULTS FOR 4 DIFFERENT CLASS OF

EVENTS. EACH LINE REPRESENTS THE RESULTS OBTAINED FOR 10 HA (BLUE), 100 HA (GREEN), 500 HA

(RED), 1000 HA (LIGHT BLUE). MARKERS REPRESENT RESPECTIVELY, FROM THE LEFT TO THE RIGHT, EXTREME, HIGH, MEDIUM HIGH, AND MEDIUM DANGER CLASSES.

8

Si può osservare come, per gli eventi più severi (1000 ha), la quasi totalità degli eventi

è occorsa in condizioni corrispondenti ad un indice di pericolo elevato, con un

corrispondente numero di falsi allarmi pari solo a 0.05%. La Hit Rate resta elevata

anche per eventi meno severi con un evidente aumento dei falsi allarmi corrispondenti a

soglie di pericolo medio. Questo dimostra come indipendentemente dalle cause e da

altri fattori antropici nelle poche giornate caratterizzate da condizioni meteorologiche

estreme gli effetti al suolo degli incendi mostrano sempre comportamenti estremi. Al

contrario in condizioni di pericolo medio gli effetti al suolo sono generalmente

riconducibili alle cause di innesco e ad altri fattori antropici.

Le informazioni fornite dal modello RIS.I.CO. sono utilizzate, anche se indirettamente, a

supporto delle decisioni operative prese in occasione di eventi estremi che richiedono

aiuti internazionali per affrontare le emergenze, come per i devastanti incendi occorsi in

Russia nell‗estate 2010. In quel caso, la pericolosità potenziale prevista sull‘intero

territorio nazionale, caratterizzata da valori medio bassi, ha supportato il decisore

nella scelta di inviare in Russia due mezzi della flotta aerea antincendio di Stato,

riducendo temporaneamente il numero di mezzi disponibili in Italia.

1.2. Il bollettino della Regione Sardegna: struttura e modalità di elaborazione

Paolo Botti, Salvatore Cinus, Francesco Tola

Regione Autonoma della Sardegna, Protezione Civile, Cagliari (Italia)

Secondo quanto stabilito dal Piano Regionale Previsione Prevenzione Lotta Incendi

2014-2016 approvato con DGR 18/17 del 20 maggio 2014, ed in ottemperanza

della L. 353/2000, nel periodo compreso tra il 1 giugno e il 15 ottobre viene

elaborato quotidianamente, a cura della Direzione Generale della Protezione Civile –

Servizio Previsione e Prevenzione Rischi, il Bollettino di previsione di pericolo di incendio.

In linea con quanto descritto al paragrafo 4.10 ―L'attività di previsione del pericolo di

incendio giornaliero‖ della Relazione Generale del suddetto Piano, con l'attività di

previsione del pericolo di incendio si valuta giornalmente la probabilità che eventuali

incendi si possano propagare più o meno rapidamente in un determinato territorio a

causa delle specifiche condizioni meteorologiche desunte dalla previsione.

La previsione, che si concretizza quindi con la realizzazione del bollettino, ha come

obiettivo prioritario fornire indicazioni sulla tipologia di eventi attesi nell'area di

riferimento, al fine di consentire all'apparato di lotta di individuare la più idonea

localizzazione e predisposizione strategica del personale e dei mezzi necessari per

fronteggiare al meglio l‘estinzione degli eventuali incendi.

L‘elaborazione quotidiana del bollettino è realizzata sulla base dell‘interpretazione e

comparazione dei dati forniti da tre modelli previsionali, grazie anche al supporto

9

quotidiano del Dipartimento idrometeoclimatico dell‘Agenzia Regionale per la

Protezione dell‘Ambiente della Sardegna (ARPAS) che fornisce informazioni riguardo il

dettaglio della situazione meteorologica e le previsioni meteorologiche giornaliere.

La previsione del pericolo è espressa su base provinciale, ed è distinta in quattro livelli:

bassa, media, alta ed estrema. Per ciascun livello di pericolosità, il bollettino è

strutturato in maniera tale da descrivere tre tipologie di informazione:

1) la possibilità fenomenologica attesa in caso di innesco;

2) le azioni di prevenzione da intraprendere per ridurre le possibilità di inneschi;

3) il livello di schieramento ed impiego delle forze di lotta attiva, adeguato al

grado di pericolosità.

Il bollettino (Fig. 1-3) è reso pubblico giornalmente, ordinariamente entro le ore 14:00,

sul sito della Protezione Civile Regionale.

I modelli utilizzati a supporto della previsione sono: ―Indice IFI (Ichnusa Fire Index)‖,

―Modello Speditivo CFVA‖ e ―Modello RISICO (RISchio Incendi Coordinamento)‖. Ogni

14 giorni viene inoltre esaminato dal previsore l‘indice NDVI come indicatore dello stato

di stress della vegetazione.

1.2.1. Il modello IFI (Ichnusa Fire Index)

L'IFI (acronimo derivante dal nome della prima versione, Ichnusa Fire Index) rappresenta

un modello di pericolosità potenziale di incendio boschivo la cui versione iniziale risale

al 2003 (Spano et al. 2003). Sino al 2013 è stato elaborato tramite il software IFI ver.

1.3 (Sirca et al. 2007). A partire dalla stagione 2014 per il calcolo dell'IFI viene

utilizzato un nuovo software, anche al fine di fornire in via sperimentale le previsioni su

base trioraria, sviluppato dall'Ing. Elia Cadoni nell'ambito del lavoro di tesi del master

universitario internazionale di II livello denominato Piros ―Pianificazione, prevenzione e

lotta agli incendi boschivi in area mediterranea‖ organizzato dall'Università di Sassari.

L'IFI è calcolato come somma di quattro moduli: il Meteo Code (MC) che tiene conto

delle condizioni meteorologiche, il Drougth Code (DC), che rappresenta la

parametrizzazione del bilancio idrico ed è ottenuta come rapporto tra

l'evapotraspirazione e la precipitazione, il Fuel Code (FC) che tiene conto del tipo di

vegetazione e dell'umidità e un quarto modulo (R) che è funzione della radiazione

globale.

Per quanto riguarda i dati prognostici delle variabili meteo, utilizzate nel calcolo del

MC, DC e R, il modello usa come input i dati del modello meteorologico BOLAM forniti

quotidianamente dal Dipartimento Specialistico Meteoclimatico dell'ARPAS. Il Fuel code

utilizzato nel calcolo rappresenta un valore medio della variazione stagionale per

ciascuna classe vegetazionale (Sirca et al. 2006) e varia, a parità di classe

10

vegetazionale, giornalmente e indipendentemente dalle condizioni meteorologiche del

giorno.

L'uscita del modello è un file in formato .shp che, in corrispondenza di ogni cella del

BOLAM con risoluzione spaziale orizzontale di 5.5 km, fornisce il valore dell'IFI.

1.2.2. Il modello speditivo del CFVA

Questo modello di tipo speditivo tiene conto di alcune grandezze prognostiche derivate

dal modello meteorologico BOLAM fornite da ARPAS (temperatura massima giornaliera

dell'aria, intensità massima del vento e valore minimo dell‘umidità relativa giornaliera)

e della media delle temperature massime giornaliere registrate negli ultimi sette giorni.

L'indice speditivo (MS) è ottenuto come somma di quattro componenti: la MS Tmax che è

funzione della temperatura massima giornaliera dell'aria, la MS U.R.min funzione

dell'umidità relativa minima giornaliera, la MS I.V.max funzione dell'intensità del vento

massima giornaliera e la MS Tmed.max7gg che è funzione della media delle

temperature massime giornaliere registrate negli ultimi sette giorni.

L'applicazione per il calcolo dell'indice speditivo è inizializzata, per quanto riguarda i

dati prognostici delle variabili meteo, con i dati triorari previsti dal modello

meteorologico BOLAM forniti giornalmente dal Dipartimento Meteoclimatico dell'ARPAS.

Il dato della media delle temperature massime negli ultimi sette giorni è invece

calcolato tramite la spazializzazione sul grigliato del BOLAM della media delle

temperature massime giornaliere registrate nelle stazioni della rete meteorologica

ARPAS.

L'uscita del modello è un file in formato .shp che in corrispondenza di ogni cella del

grigliato BOLAM fornisce il valore dell'indice speditivo.

1.2.3. Il modello RISICO (RISchio Incendi Coordinamento)

Il modello RISICO (RISchio Incendi Coordinamento), è utilizzato dal Dipartimento

Nazionale di Protezione Civile sin dal 2003 per la valutazione del pericolo di incendi

boschivi a scala nazionale, per individuare le priorità di dislocamento dei mezzi aerei

dello stato per lo spegnimento.

Questo modello è stato utilizzato ed adattato alla scala regionale anche nell‘ambito del

progetto Europeo PROTERINA-C.

I moduli principali che costituiscono l‘architettura complessiva del sistema RIS.I.CO sono

(Fiorucci et al. 2011):

1) un modello fenologico per la simulazione delle variazioni del contenuto in umidità dei

combustibili morti (necromassa);

11

2) un modello per la simulazione delle variazioni della quantità di biomassa (viva e

morta) e del contenuto in umidità dei combustibili vivi (fitomassa);

3) un modello per la simulazione della velocità di propagazione (m s-1) e dell‘intensità

lineare del fronte (kW m-1) conseguente al potenziale innesco del fuoco.

In particolare a supporto della previsione viene utilizzato l‘indice di pericolo definito

sulla base delle principali grandezze che caratterizzano la pericolosità potenziale

associata all‘innesco e alla successiva propagazione di un fuoco aggregate a scala

giornaliera: l‘umidità dei combustibili morti fini (calcolata da RIS.I.CO.) e la velocità del

vento (prevista dal modello LAMI o BOLAM). L‘indice di pericolo è ottenuto

dall‘aggregazione spaziale e temporale dell‘indice meteorologico. L‘indice

meteorologico rappresenta delle classi di pericolo definite sulla base di valori soglia. I

valori di soglia sono stati ottenuti in seguito a una fase di validazione basata sul

confronto fra il valore dell‘indice e le caratteristiche fisiche di una serie storica di incendi

occorsi (2007-2009). L‘indice meteorologico è definito su una scala spaziale di 1 km2

con discretizzazione temporale trioraria, e può essere aggregato nello spazio e nel

tempo.

L‘aggregazione temporale è finalizzata a selezionare il periodo di massima

pericolosità, escludendo le dinamiche notturne dall‘analisi di pericolosità. La finestra

temporale selezionata va dalle 09:00 alle 18:00.

L‘aggregazione spaziale può essere riferita a scala regionale, provinciale o comunale.

Per quanto riguarda i dati dinamici, il modello usa i dati del modello meteo BOLAM

forniti dal Dipartimento Meteoclimatico dell'ARPAS.

Le mappe dell'indice di pericolo, elaborate tramite la piattaforma Experience, sono

valide per la giornata precedente la data del modello (D-1, mappa di analisi generata

con le sole osservazioni della rete in telemisura), per la giornata coincidente la data del

modello e per la giornata successiva (D e D+1).

1.2.4. Il Bollettino

Fino al 2011 le mappe del pericolo di incendio ed il bollettino venivano elaborati dal

Corpo Forestale e di Vigilanza Ambientale ad uso interno, finalizzato all‘individuazione

della giornate con condizioni più critiche, denominate ―ad elevato rischio di incendio‖,

del verificarsi di queste giornate veniva data comunicazione all‘apparato di lotta,

compreso i comuni.

A partire dal 15 giugno 2012, il bollettino è stato reso pubblico tramite la diffusione sul

sito internet della Protezione civile regionale e a partire dal 2013 è stata

espressamente descritta questa modalità di diffusione delle informazioni in esso

contenute nel Piano Regionale di Previsione, Prevenzione e Lotta Attiva contro gli Incendi

Boschivi.

12

FIG. 1-3 STRUTTURA DEL BOLLETTINO DI PERICOLOSITÀ DI INCENDI DELLA REGIONE SARDEGNA

(BOLLETTINO DEL 18 GIUGNO 2013). STRUCTURE OF THE REGIONAL WARNING BULLETIN OF

SARDINIA (BULLETIN OF 18 JUNE 2013).

I bollettini sono quindi accessibili a tutto il pubblico: lo scopo è quello di ridurre i

comportamenti che possono, accidentalmente, essere causa di pericolo di innesco.

Tuttavia, i principali fruitori delle informazioni divulgate sono comunque le istituzioni e le

organizzazioni impegnate nella campagna di lotta attiva, cui spetta l‘esecuzione di

specifiche azioni in funzione del grado di pericolo segnalato nel bollettino.

La scelta della massima trasparenza, effettuata dalla regione Sardegna, presenta

particolari vantaggi: i comuni, e le altre istituzioni, possono mettere a punto dei piani

AIB che contengano delle procedure di controllo quotidiano del bollettino, e che

consentano di fornire appropriate indicazioni per le diverse azioni da intraprendere a

seconda del livello di pericolosità previsto (come, ad esempio, decidere se effettuare

pattugliamento h24 mediante le strutture operative a disposizione quali ad esempio

volontari e barracelli, se attivare la reperibilità dei funzionari, ecc.).

Un'altra ricaduta importante sulla trasparenza della pubblicazione dei bollettini è che

anche il pubblico è avvisato del pericolo. Ad esempio gli appassionati della natura,

nell‘organizzare il proprio tempo libero, potranno privilegiare le giornate in cui il rischio

è basso, limitando la fruizione degli aspetti ricreativi dei boschi nelle giornate a

pericolosità alta e soprattutto estrema.

13

La scelta della massima trasparenza tuttavia, determina anche alcuni svantaggi:

fondamentalmente anche un potenziale piromane potrebbe leggere e utilizzare per i

propri scopi, il bollettino di previsione.

Gli errori che vengono commessi durante l'attività previsionale possono comportare

sottostima o sovrastima del pericolo. Se il pericolo relativo a una determinata giornata,

in una determinata provincia viene sottovalutato, e quindi sottostimato, l‘apparato di

lotta schierato in campo potrebbe non essere adeguato ad affrontare con tempestività

gli incendi; si potrebbe assistere a potenziali situazioni di pericolo per l‘uomo e per

l‘ambiente, le quali si traducono in danni e spese di ricostruzione.

Allo stesso modo anche una sovrastima del pericolo, in una determinata giornata, in una

determinata provincia, porta a uno spreco di risorse pubbliche, se l‘apparato di lotta

schierato è sovradimensionato rispetto al reale pericolo.

Gli aspetti chiave sono evidentemente, quelli della sicurezza ed economici.

Sono quindi fondamentali gli sforzi condotti per fornire informazioni precise e

dettagliate in input ai modelli e le attività di calibrazione degli stessi, con particolare

riguardo all'analisi delle giornate in cui si sono verificati incendi di notevole estensione.

Aspetto di notevole rilevanza è che il previsore, rispetto ai modelli, prende meglio in

considerazione gli aspetti sociali: conosce i costumi e gli usi della popolazione in una

determinata area geografica, in relazione al periodo dell‘anno, aspetto che può avere

una certa rilevanza per considerare gli incendi dolosi o colposi in una certa area come

più probabili in un periodo piuttosto che in un altro.

Al fine di fornire un maggiore preavviso, utile per fornire in campo il più adeguato

apparato di lotta, saranno sperimentate nel breve termine delle procedure che

consentano l'emanazione di bollettini di previsione del pericolo non solo per l'indomani,

ma anche a due giorni e possibilmente a tre. Per poter calibrare al meglio le forze

schierate in un territorio, schierandole laddove vi è effettivamente necessità, sarà

valutato, sempre a livello sperimentale, un bollettino per aree omogenee con riferimento

al pericolo incendi che superi quello attualmente in uso basato sui confini puramente

amministrativi delle province.

14

FOREST FIRE IN ITALY AND FIRE DANGER

Abstract

The Italian territory, due to its weather, vegetation, and orographic conditions, as well as their

heterogeneity and variability, is particularly susceptible to forest fires. In this chapter, after a

brief description of forest fire regime, of the most frequent causes of ignition and of the current

legislation, we describe the activity of fire danger forecasting made at national level by the

National Department of Civil Protection and, for the region Sardinia, by the Regional Civil

Protection Service.

1.1 Wildfires prevention in Italy: the activities of the National Civil Protection Department

The high climatic and vegetation heterogeneity makes Italy vulnerable to forest fires both in the

summer and in winter. In particular, northern regions are predominantly characterized by a

winter fire regime, mainly due to frequent extremely dry winds from the north, while southern

and central regions and the large islands are characterized by a severe summer fire regime,

because of the higher temperatures and prolonged lack of precipitation.

The threat of wildfires in Italy is not confined to wooded areas as they extend to agricultural

areas and urban-forest interface areas. The agricultural and rural areas, from the 50‘s to now,

have been gradually abandoned, both in areas with complex topography, where the

mechanization of agriculture is unfavorable, and on the major islands and the south regions

because of socio-economical changes. The fast spread of pioneer species is partially natural

and partially determined by reforestation activities almost never managed. The extreme

vulnerability of pioneer species to wildfire in the Mediterranean makes these areas among the

most prone to wildfires. Because of the frequent spread of fire, these areas are limited to the

early successional stages, consisting mainly of shrub vegetation; its survival in the competition

with the climax species being ensured by the spread of fire itself. Due to the frequency of fire

ignition — almost entirely man caused — the time between fires on the same area is at least

an order of magnitude less than the time that would allow the establishment of forest climax

species far less vulnerable to fire. The high frequency of anthropogenic fires is primarily due to

a higher population density than the European average. In fact, with an area of 300,000 km2

and a population that has long passed the 60 million mark, Italy is among the five countries

with the highest population density in Europe. Considering the number of wildfires since 1970, it

can be noted that over 9000 wildfires burn an average of more than 100,000 hectars per

year (Fig. 1-1).

However, it can be noted, in the last decade, a reduction in the number of fires and burned

area. Burned area, after 2000, is always under the average, with the exception of 2007 and

2012. This behavior could be attributed to increased monitoring and prevention activities and

to an increasingly efficient fire suppression, but also to a more efficient campaign for raising

awareness. A marked increase in prevention activities and a better organization of the forest

fire service, with an ever-increasing deployment of men and vehicles, led to a rapid change in

the effects of wildfires throughout the country. It should be emphasized, however, that the

15

relatively high number of water bomber and the increased efficiency of fire extinguishing

operations were not sufficient to contain the catastrophic effect of 2007, when the total burned

area reached one of the highest values of the past 40 years, causing 23 casualties (CFS,

Wildfire Report 2007). Almost 50% of the total burned area was covered by fire in little more

than a week, namely the last week of July. The regions of central and southern Italy were

mainly affected by the phenomenon.

The summer season of 2007 was characterized by extreme climatic conditions with prolonged

periods of relative humidity below 30% and temperatures above 40° C in most of the country

that led to dead fuel moisture conditions of less than 5%. These conditions, associated with

strong winds, led to almost uncontrollable situations of risk even with the aid of water bombers.

The events of 2007 further emphasized how forest fires not only cause damage to forests, but

can often turn into real civil protection emergencies, like other natural hazards. Due to the ever-

growing interface between rural and urban or recreational areas, the propagation of fire

increasingly affects people, infrastructures and productive activities. During the fire occurred in

Apulia Region in Peschici of July 24, 2007, thousands of tourists were rescued by boat while

flames and smoke blown by the strong wind were moving rapidly toward the crowded beaches

of the Gargano. This and other situations required extraordinary legal framework to be

managed. In this case a declaration of the emergency state has been issued. In this context, the

Civil Protection Department launched several initiatives aimed at gaining more attention from

all relevant authorities from national to local level. Coordination groups were organized at the

regional level to support local governments in civil protection emergencies by providing

detailed maps of interface areas at risk and by promoting the development and adoption both

of regional early-warning systems and emergency planning at local level. 12 out of the 20

Italian regions and 3,614 municipalities have been involved in these activities.

The ordinary framework law on forest fires is L.353/2000. The spirit of the law is to promote

activities aimed at reducing the causes of ignition, adopting forecast tools and defining

operating protocols for prevention activities intended to mitigate the consequences of the fire

spreading and improve the efficiency of fire extinguishing activities. According to Law 353 all

the competences in connection with forest fires are transferred to the Regions, leaving only the

forest fires fighting fleet management at national level. The reduction of the causes is achieved

through the introduction of restrictions on the burned areas. In these areas, it is forbidden to

change the land use for 15 years, to build houses, hotels, infrastructures and to establish

productive activities for 10 years, to engage in hunting and grazing for 10 years, to perform

reforestation activities and environmental engineering works for 5 years after the spreading of

fire. The application of these restrictions is possible through the creation of a record of burned

areas to be set up and maintained by municipalities. The framework law, moreover, introduced

the offence of arson, by an amendment to the Penal Code, which is punished with a prison term

of 4 to 10 years. If the cause of ignition proves to be unintentional, the sentence is reduced

from 1 to 5 years depending on the severity of the damage caused.

Each region has the right to organize its own fire fighting structure using a permanent unified

operations room (Sala Operativa Unificata Permanente) where staff of the Fire Brigade, State

Forestry Corp, voluntary organizations, the Armed Forces and Police Forces as well as regional

staff can reside.

16

Each region must draw up a forecast, prevention and fire suppression plan containing also

descriptive maps of the areas at risk of fire. As a result of the delegation of powers to the

regions in the field of forest fires, each region became autonomously organized according to

the different features characterizing forest fire regimes. For example, some regions — during

the period of maximum danger — are now able to issue forecast bulletinin full autonomy, to

alert the fire suppression system through special regional procedures and to provide the

regional civil protection system with support in decision-making, both in the preventive phase

and in the presence of going fires. Those regions that are not yet able to manage their own

forecasting systems, can refer to the national fire forecast bulletinissued by the National Civil

Protection Department. The bulletinis a valuable tool in supporting early warning activities for

the regional civil protection systems, although primarily intended for the pre-operational

management of the state aircraft fleet, i.e. pre-allocation ofthe aircrafts on the airbases closer

to the areas denoted by highest risk as a prevention measure. In order to ensure the

communication flow, the Directive of the President of the Council of Ministers, 1st July 2011, the

National fire forecast bulletin is shared with all the national and local administrations involved

in wildfire risk management.

Considering the technology, the National fire forecast bulletinis prepared on the basis of

subjective evaluations by using weather forecasts provided by the Central Functional Centre,a

specific fire danger forecast model RIS.I.CO. and taking into account the situation of active

wildfires throughout the country on a daily basis. The RIS.I.CO. system, operating 24/365 since

2003, was developed for the National Civil Protection Department, and it is constantly

updated from both a technical and a scientific point of view by CIMA Foundation

(www.cimafoundation.org). RISICO can be accessed both through a dedicated platform,

installed in the hall of the Central Functional Centre, and via web with password-protected

access at http://dewetra.cimafoundation.org. The core of RISICO consists of a module which is

very similar to the FFMC of FWI, suitably resized and adapted to the vegetation cover of the

Mediterranean. Given the characteristics of the Mediterranean vegetation, the only dynamic

component of the system is represented by dead fuel moisture adapted to different types of

vegetation cover. In the areas most frequently affected by fire, dead fuel moisture can go from

saturation values, following precipitations, to values below 10% in less than 12 hours. For this

reason, we thought that — starting from the first version of the system — feeding the system

with weather forecasts, although subject to uncertainty, was the only way to provide useful

information for the alert system. The ability to forecast the risk for the next 72 hours, with

constant use of observations to correct the state of the system in real time thus reducing the

uncertainty of the forecast, allows relocation of aircraft, on a national scale, from low risk

areas to high risk areas, reducing the response time and optimizing the scarce resources

available. In Fig. 1-2, the results of the performances analysis carried out for the period 1st

January 2007-31st December 2013 are shown. The validation consists on the comparison

between the daily fire danger index provided by RISICO at NUTS3 level and the total area

burned in each administrative area for each day.

The ROC diagram (Relative Operating Characteristic) compares the relative number of correct

forecasts (Hit Rate) with the number of false alarm (False Alarm Rate). Four different classes of

event have been considered in the validation phase. Such a classes corresponds respectively to

http://dewetra.cimafoundation.org/

17

a total burned area greater than 10 ha, 100 ha, 500 ha and 1000 ha. The markers reported

on the curves represent different thresholds associated to the danger index. From the left to the

right the danger classes corresponds to Extreme, High, Medium High, Medium.

The plot show that almost the totality of the most severe events have been classified in extreme

and high danger classes with a false alarm rate under 0.05%. The Hit Rate is maintained high

also for other kind of events with an increasing number of false alarm corresponding to medium

danger. This result prove how independently by the ignition cause and other human factors in

those days characterized by severe weather conditions wildfire are characterized by extreme

behavior. On the other hands, in medium danger conditions the damages are strictly related

with the cause of ignition and the fire attack strategies.

Forecasts provided by the RIS.I.CO. system are used for operational decisions even in the

presence of extreme events that required international assistance to deal with emergencies. It

was, for instance, the case in Russia during the summer of 2010. At that time, the situation of

low to average potential danger throughout the country encouraged the decision to reduce the

water bomber fleet without running the risk of facing emergency situations with a small number

of water bomber.

1.2 The regional warning Bulletin of Sardinia: structure and processing

Sardinia is the second largest island (24,090 km2) of the Mediterranean Sea, where about half

of the land surface is covered by forests and Mediterranean maquis. Sardinia heavily

experiences wildfires, mainly during summer and autumn. In the period 1 June – 15 October,

following the 2014-2016 Regional Plan for Fire Prevision, Prevention, and Firefighting and the

National Law 353/2000, the Regional Civil Protection publishes the daily Fire Bulletin

containing the forecasted fire danger at provincial level. The Bulletin aims to forecast the

probability of fire occurrence and the efforts needed to control it, based on weather forecast

and fuel conditions. The Bulletin is used by the firefighting corps to plan the activities basing on

the forecasted fire danger level and its location on the territory.

In the Bulletin, the fire danger is estimated at provincial level (there are 8 administrative

provinces in Sardinia) with 4 danger classes; low, medium, high, and extreme. For each class,

three information are associated:

1) the likely fire behavior if a fire occurs;

2) the actions to be implemented to reduce the fire ignitions;

3) the firefighting efforts needed with respect to the forecasted fire danger.

The Bulletin is published every day at 2.00 pm in the official website of the Regional Civil

Protection of Sardinia.

The fire danger forecast is based on the outputs coming from three fire danger models, whose

forecasted weather input data are provided at daily scale by the Partner ARPAS through the

BOLAM model at 5.5 km resolution. These models are: IFI (Ichnusa Fire Index); an empirical

model developed by the CFVA (Regional Forestry Corp), and RISICO (RISchio Incendi

COordinamento). In addition, the NDVI (Normalised Difference Vegetation Index) calculated by

ARPAS every 2 weeks is also enclosed in the analysis as indicator of the vegetation water

18

status.

1.2.1 The IFI model

IFI (acronym of Ichnusa Fire Index) (Spano et al. 2003; Sirca et al. 2006; 2007) is used for the

operational fire danger forecast since the year 2013. From the 2014, the model is under

development for new utilities (e.g. 3 hours danger forecast) (Cadoni 2014). The IFI output,

dimensionless, is composed by the sum of 4 sub-codes:

- Meteo Code MC, representing the weather conditions of the day;

- Drought code DC, a simplified water balance;

- R, a module accounting for the global radiation intensity;

- Fuel Code FC, accounting for vegetation structure and moisture content.

The fire danger is usually expressed in 5 classes (very low, low, mediaum, high, and extreme).

The software output is available in a shp file with pixels having 5.5 km resolution.

1.2.2 The empirical CFVA model

This model (called Metodo Speditivo, MS) uses as input data the weather variables calculated

by the BOLAM model (maximum air temperature, maximum wind intensity, minimum relative

humidity) and the mean of maximum daily temperatures of the last 7 days (from observations).

The output of the model is given by the sum of 4 components:

- MS Tmax, function of the air maximum temperature;

- MS U.R.min, function of the minimum relative humidity;

- MS I.V.max, function of the maximum wind speed;

- MS Tmed.max7gg, funtion of the mean of maximum daily temperatures of the last 7 days.

The software output is available in a shp file with pixels having 5.5 km resolution.

1.2.3 RISICO (RISchio Incendi Coordinamento) model

Since 2003, RISICO has been adopted by the National Department of Civil Protection to

forecast the fire danger at national level and decide the adequate location of the aircrafts.

This model was also adapted at regional scale (Sardinia) in the project Proterina C.

The main modules of RISICO estimate (Fiorucci et al. 2011):

1) the dead fuel moisture variation;

2) the variation of biomass and its moisture content;

3) the rate of spread (m s-1) and linear intensity (kW m-1) of a potential fire ignition.

The fire danger forecasts are based on the dead fuel moisture (estimated by RIS.I.CO) and the

wind speed (coming from the wether forecast model LAMI or BOLAM). The fire danger index is

obtained from the spatial and temporal integration of the ―weather index‖, that express the

fire danger degree as fire danger class, whose threshold values are based on a retrospective

validation of the index (years 2007-2009). The ―weather index‖ has a resolution of 1 km2 and

19

is calculated every three hours from 9.00 am to 6.00 pm. It can be also aggregated at

regional, provincial and local (e.g. municipal) level.

The fire danger maps, produced through the platform ―Experience‖ are referred to the

previous day (D-1, only from observed data), for the actual day (D), and for the next day

(D+1).

1.2.4 The Regional Bulletin

Until the 2011, the fire danger maps and the related daily Bulletin were produced by the

CFVA (Regional Forestry Corp) only for internal use, to identify the critical days and send the

alert to the firefighters and the Municipalities. From the 2012, the Bulletin is public, and from

the 2013 its diffusion is described in the Regional Plan for Fire Prevision, Prevention, and

Firefighting, aiming to prevent unintentional ignitions. The Regional Government of Sardinia

makes public the Bulletin aiming a wide diffusion between end users and local Institutions that

can use it for local plans (e.g. patrolling in critical days, alerts for firefighters, and so on). Also

the community living in fire prone areas has positive impacts from the Bulletin (e.g. organising

free time and field trips).

False alarms and underestimations of the fire danger are sometime possible, due to the

probabilistic approach of the estimation. In the case of a false alarm, there could be a

supplementary cost due to the efforts and people alerted for the expected critical day. A

underestimation of the fire danger is potentially more dangerous, with a possible (but with very

limited probabilities) danger condition for goods and people, more fire damages, and higher

costs for the recovery.

The experience of the fire danger analyst is crucial due its knowledge of the territory, people,

means, and the probability of ignitions in particular weather conditions.

To improve its effectiveness, the Bulletin is always under development. The fire danger forecast,

actually provided for 1 day will be tested for the next 2-3 days. In addition, a Bulletin for

homogeneous areas different from the administrative province boundaries is under evaluation.

1.3. Riferimenti bibliografici - References

Cadoni E. (2014) IFI - Ichnusa Fire Index: Reingegnerizzazione e implementazione. Master

Thesis, University of Sassari, Italy

Fiorucci P., D‘Andrea M., Negro D., Severino M. (a cura di) (2011) Manuale d‘uso del sistema

previsionale della pericolosità potenziale degli incendi boschivi RIS.I.CO., Presidenza

del Consiglio dei Ministri – Dipartimento della protezione civile e Fondazione CIMA.

Fiorucci P., Gaetani F., Lanorte A., Lasaponara R., (2007) Dynamic Fire Danger Mapping from

Satellite Imagery and Meteorological Forecast Data. Earth Interactions, 11, 1–17

American Geosciences Union.

Fiorucci P., Gaetani F., Minciardi R., (2007) Development and application of a system for

dynamic wildfire risk assessment in Italy. Environmental Modelling & Software.

20

Fiorucci P., Gaetani F., Minciardi R., Trasforini E., (2005) Natural risk assessment and decision

planning for disaster mitigation. Advances in Geosciences, 2, P. 161–165

Mazzetti P., Nativi S., Angelini V., Verlato M., Fiorucci P. (2009) A Grid platform for the

European Civil Protection e-Infrastructure: the Forest Fires use scenario. Earth Science

Informatics, Volume 2, Numbers 1-2, pp.53-62.

Sirca C., Spano D., Duce P., Delogu G., Cicalò G.O. (2007) Performance of a newly developed

integrated fire rating index in Sardinia, Italy. In ―Proceedings of Wildfire 2007 - 4th

International Wildland Fire Conference, 13-17 May 2007, Seville, Spain (Ed. DX

Viegas) (CD-ROM) (Minist. Environ., Madrid, Spain and Junta de Andalucia, Seville,

Spain)

Sirca C., Spano D., Pisanu P., Duce P., Delogu G., Cicalò G.O. (2006) Ichnusa Fire Index:

Development and Preliminary Evaluation at Local Scale. In ‗Proceedings of 5th

International Conference on Forest Fire Research‘, 27–30 November 2006, Figueira da

Foz, Portugal (Ed. DX Viegas) (CD-ROM) (Elsevier BV: Amsterdam, the Netherlands)

Spano D., Georgiadis T., Duce P., Rossi F., Delitala A., Dessy C., Bianco G. (2003) A fire index

for Mediterranean vegetation based on micrometeorological and ecophysiological

measurements. Extended abstract P3.1 of the ―Fifth Symposium on Fire and Forest

Meteorology‖, 16-20 November 2003, Orlando, FL, USA. (American Meteorological

Society, Boston)

21

2. I SISTEMI DI CLASSIFICAZIONE DEL COMBUSTIBILE

LES SYSTÈMES DE CLASSIFICATION DU COMBUSTIBLE

Grazia Pellizzaro1, Valentina Bacciu2,3, Donatella Spano2,3, Pierpaolo

Duce1

1Consiglio Nazionale delle Ricerche, Istituto di Biometeorologia (CNR-IBIMET), Sassari

(Italia)




Sassari (Italia)

e-mail: [email protected]

Riassunto

La probabilità di insorgenza di incendio e il comportamento del fuoco dipendono

strettamente dalle caratteristiche del combustibile vegetale ossia dal materiale organico

vivo o morto che cresce, si sviluppa e si deposita al di sopra del suolo e che consente i

processi di accensione e combustione. In natura esistono tipologie e complessi di

combustibili molto diversi con caratteristiche (carico, rapporto necromassa/biomassa,

dimensione e forma dei componenti, distribuzione ecc.) che possono essere molto

differenti fra loro. Descrivere nel dettaglio le caratteristiche di tutti i combustibili

presenti in una determinata area è oneroso, perciò si ricorre a sistemi di classificazioni

che permettano di raggruppare le vegetazione in singole categorie di combustibile con

caratteristiche e potenziale comportamento dell‘incendio simili. In questo capitolo, dopo

una descrizione delle principali caratteristiche del combustibile che influiscono sul

comportamento degli incendi, vengono presentati i sistemi di classificazione del

combustibili attualmente più diffusi e utilizzati analizzando gli approcci seguiti per la

loro formulazione e evidenziando gli eventuali limiti e vantaggi.

Résumé

La probabilité d'occurrence d‘incendies de végétation et leurs comportements

dépendent des caractéristiques du combustible vegetale, c'est-à-dire de la matière

organique vivante ou morte qui pousse et se dépose sur le sol et permet l‘inflammation

et la combustion. Dans la nature il y a plusieurs types de combustibles avec des

caractéristiques très différentes (la charge, le rapport nécromasse/biomasse, la taille et

forme des particules, leur distribution etc.). Il est très difficile de décrire en détail les

22

caractéristiques de tous les types de combustibles dans une zone donnée, nous avons

donc eu recourt à une classification permettant d'associer les différents types de

combustible à un comportement potentiel de l‘incendie. Dans ce chapitre, après une

description des principales caractéristiques du combustible végétal qui affectent le

comportement des incendies de végétation, il est décrit les systèmes de classification du

combustible actuellement les plus largement utilizes en analysant les approches suivies

pour leur formulation et en mettant en évidence leurs limites et leurs avantages.

2.1. Introduzione

L‘analisi delle problematiche legate agli incendi forestali spesso utilizza approcci

appartenenti a settori disciplinari molto differenti fra loro (ecologia, chimica e fisica

dell‘atmosfera, fisica, geografia, climatologia, economia, ingegneria ecc) e si riferisce a

scale temporali e spaziali molto diverse. Tutti gli studi, a partire dagli approcci più

squisitamente teorici per arrivare a quelli più empirici, hanno come obiettivo la

produzione di applicazioni operative finalizzate a una migliore previsione e riduzione

del rischio di incendio mediante una corretta gestione del problema prima, dopo e

durante l‘evento.

Ovviamente, nonostante lo sviluppo e le numerose ricerche eseguite su queste tematiche

esistono ancora una serie di interrogativi a cui dare risposte. È noto tuttavia che

un‘accurata conoscenza delle caratteristiche del combustibile forestale è fondamentale

per una corretta gestione degli incendi boschivi in quanto costituisce una componente

primaria del pericolo di incendio e del rischio ad esso connesso (Chuvieco 2004). La

probabilità di insorgenza di incendio, le modalità di propagazione, l‘intensità del

fuoco, l‘altezza delle fiamme, la possibilità che si verifichi un incendio di chioma e, in

ultima analisi, il comportamento del fuoco in generale dipendono strettamente dalle

caratteristiche del combustibile vegetale. Come evidenziato inoltre da Countryman

(1974), il comportamento di un incendio forestale è determinato principalmente dalle

condizioni meteorologiche, dalla topografia e dal combustibile presente. Non molto può

essere fatto riguardo la topografia e le condizioni meteorologiche mentre il combustibile

vegetale, che fornisce l’energia necessaria che spesso rende l’incendio ingovernabile, può

essere modificato e gestito.

Informazioni dettagliate sul combustibile unitamente alla conoscenza dell‘influenza degli

altri fattori ambientali sul comportamento degli incendi boschivi aiutano a stimare il

pericolo di insorgenza di un incendio in una determinata zona e in un particolare

momento (indici di pericolo), di prevedere quale sarà il probabile comportamento del

fuoco in termini di propagazione in un determinato territorio e in particolari condizioni

meteorologiche (simulatori di propagazione), di individuare possibili azioni di

prevenzione (riduzione del carico, costruzione fasce tagliafuoco), di predire i possibili

effetti (stima delle emissioni). Tali conoscenze, infine, accrescono l‘abilità dell‘operatore,

23

durante lo svolgimento dell‘incendio, di prevedere l‘evoluzione dell‘evento in atto e

predisporre tutte le operazioni in campo necessarie a un efficiente controllo del fuoco,

allo spegnimento e alla salvaguardia della sicurezza di abitazioni, strutture ricettive,

infrastrutture, attività produttive e persone.

Col termine combustibile forestale si intende tutto il materiale organico vivo o morto che

cresce si sviluppa e si deposita al di sopra del suolo e che consente i processi di

accensione e combustione (Albini 1976; Sandberg et al. 2001; Keane et al. 2001).

Tutto il materiale vegetale viene definito combustibile totale; in realtà in funzione delle

condizioni ambientali e delle caratteristiche dello stesso combustibile solo una parte di

questo è in grado di bruciare e perciò si parla di combustibile disponibile.

In natura esistono tipologie e complessi di combustibili molto diversi fra loro (pascoli e

praterie, arbusteti, boschi di conifere, boschi di latifoglie con lettiera più o meno

profonda ecc.) le cui caratteristiche determinano differenti modalità di comportamento

di un incendio. L‘innesco e la modalità di propagazione del fuoco nei diversi tipi di

combustibile dipendono infatti da caratteristiche quali carico, rapporto

necromassa/biomassa, dimensione e forma dei componenti, distribuzione ecc. che

possono essere molto differenti nei vari complessi. Poiché è molto complicato descrivere

nel dettaglio le caratteristiche di tutti i combustibili presenti in una determinata area, si

ricorre a delle classificazioni. Cioè si tenta di raggruppare le diverse tipologie di

vegetazione in funzione delle caratteristiche che ne determinano la combustibilità e di

associare a ogni tipologia di combustibile un probabile potenziale comportamento

dell‘incendio.

A questa esigenza si affianca quella di conoscere la distribuzione spaziale delle

tipologie di combustibile presenti cioè la necessità di realizzare delle mappe di

combustibile sia a scala regionale sia a scala di maggior dettaglio nel caso sia

necessaria una gestione degli incendi a scala locale.

Il presente capitolo, dopo una descrizione delle principali caratteristiche del

combustibile che influiscono sul comportamento degli incendi, intende presentare i sistemi

di classificazione del combustibili attualmente più diffusi e utilizzati analizzando gli

approcci seguiti per la loro formulazione e evidenziando gli eventuali limiti e vantaggi.

2.2. Caratteristiche del combustibile

Considerando i fondamentali del fuoco, sono soprattutto le caratteristiche chimiche e

fisiche intrinseche delle particelle di combustibile che influiscono sul processo di

combustione. Queste caratteristiche (es. cellulosa, lignina, composti volatili, olii e resine,

contenuto in ceneri, densità) determinano l‘infiammabilità, il potere calorifico e la

conduttività termica del materiale. Passando a una scala più ampia, quale quella di un

incendio forestale, sono le caratteristiche relative all‘intero complesso di combustibile

24

che vanno a influire sul comportamento del fuoco. A questa scala di osservazione sono

molto importanti il carico, la dimensione e forma delle diverse componenti, la

compattezza, la continuità verticale e orizzontale e l‘umidità del combustibile che

rappresenta la caratteristica maggiormente dipendente dalle condizioni meteorologiche

(Pyne et al. 1996).

Il Carico è forse la caratteristica più importante nel determinare il comportamento del

fuoco. Il carico totale di combustibile viene espresso in peso secco per unità di superficie

(Mg ha-1) e può essere definito come la quantità di materiale vivo e morto che poggia

sul suolo minerale in una determinata area. Rappresenta la quantità di combustibile

potenzialmente disponibile per il processo di combustione ed è sicuramente la proprietà

che incide maggiormente sull‘energia liberata durante un incendio e quindi sulla sua

intensità. All‘aumentare del carico aumenta anche la quantità di calore prodotto perciò

a carichi maggiori corrispondono intensità dell‘incendio maggiori. Una buona

descrizione del carico di combustibile prevede non solo il peso totale della biomassa e

necromassa presente ma anche il peso suddiviso per le diverse classi dimensionali di

combustibile presente.

La dimensione e la forma delle particelle di combustibile regolano infatti un altro

processo molto importante per la propagazione dell‘incendio: il trasferimento di calore

e di acqua. L‘energia necessaria per rimuovere l‘acqua e portare il combustibile fine

alla temperatura di ignizione è inferiore nelle particelle piccole rispetto a quelle di

maggiori dimensioni. Sono quindi le particelle di combustibile più fini la componente più

importante nel determinare l‘avanzamento del fronte dell‘incendio. Le componenti

legnose più grosse bruciano più lentamente e continuano a bruciare anche dopo il

passaggio delle fiamme. A causa dell‘importanza che la dimensione delle particelle di

combustibile riveste sia nel determinare la velocita con cui l‘acqua contenuta nel

materiale vegetale viene scambiata con l‘ambiente circostante sia nell‘influire sulla

velocità di avanzamento di un incendio, il combustibile morto viene raggruppato in

quattro classi dimensionali. Le quattro classi corrispondono alle tradizionali quattro classi

di umidità funzione del tempo di risposta (fuel moisture timelag classes)2: combustibile

con diametro inferiore a 0.6 cm (1 ora), fra 0.6 e 2.5 cm (10 ore), fra 2.5 e 7.5 cm

(100 ore), e infine maggiore di 7.5 cm (> 200 ore) (Deeming et al. 1977) (Fig. 2-1).

La forma e le dimensioni del particolato sono importanti anche per la probabilità che si

verifichi lo spotting o salto di fuoco. Frammenti di corteccia o coni di conifere possono

trasformarsi in tizzoni ardenti che, a causa dei moti ascensionali di aria calda, arrivano

a quote elevate e, trasportate dal vento, ricadono al suolo a distanze anche

2 Il tempo di risposta o timelag è definito come il tempo richiesto da un determinato combustibile morto per perdere circa il 63% della differenza fra la sua umidità iniziale e quella di equilibrio in condizioni di umidità e temperatura dell‘aria costanti (Lancaster, 1970). Il tempo di risposte è generalmente espresso in ore. Il tempo medio di risposta varia in funzione delle dimensioni del combustibile. I combustibile vengono quindi usualmente raggruppati in quattro categorie in base al loro tempo di risposta: meno di 2 ore (1 ora), da 2 a 20 ore (10 ore), da 20 a 200 ore (100 ore), più di 200 ore (Deeming et al., 1977).

25

considerevoli provocando l‘accensione di un nuovo focolaio. La presenza di spazi fra i

diversi elementi del combustibile (ad esempio fra le foglie e rametti di una lettiera) è

definita porosità e influisce su ignizione e velocità di propagazione del fuoco.

Combustibili porosi reagiscono più velocemente ai cambiamenti di umidità dell‘aria e

hanno più ossigeno disponibile per la combustione. Di conseguenza, la velocità di

propagazione aumenta nei combustibili ben aerati mentre in quelli molto compatti la

velocità di propagazione è generalmente più bassa.

0-0.6 cm 0.6-2.5 cm 2.5-7.5 cm

FIG. 2-1 CLASSI DIMENSIONALI DEL COMBUSTIBILE: DA 0 A 0.6 CM (1 ORA), FRA 0.6 E 2.5 CM (10

ORE), FRA 2.5 E 7.5 CM (100 ORE). FUEL SIZE CLASSES: FROM 0 TO 0.6 CM (1 HR), FROM 0.6 TO 2.5

CM (10 HR), FROM 2.5 TO 7.5 CM (100 HR). IMMAGINE MODIFICATA DA – PICTURE MODIFIED FROM: KEANE & DICKINSON (2007)

Il comportamento dell‘incendio è inoltre fortemente condizionato anche da come gli

elementi del combustibile sono disposti nello spazio (Fig. 2-2). In particolare la capacità

di un incendio di propagarsi nella dimensione orizzontale è legata all‘assenza di

discontinuità nello strato di combustibile (continuità orizzontale). Inoltre, nel caso in cui in

un complesso di combustibile siano presenti sia lo strato superficiale sia aereo, la

presenza dei cosiddetti ―combustibili scala‖ che determinano continuità verticale fra gli

strati, facilita la propagazione del fuoco dallo strato superficiale a quello aereo e

rende più probabile l‘innesco di un incendio di chioma.

2.3. Classificazioni del combustibile

In un ecosistema naturale si riscontra un‘enorme variabilità in termini di formazioni

vegetali e, di conseguenza, di combustibili forestali (boschi di conifere, boschi di

latifoglie con lettiera più o meno profonda, boschi misti, pascoli ecc.). Le diverse

tipologie di combustibile possono presentare grandissima variabilità in termini di carico,

dimensione, forma, distribuzione eccetera e, in definitiva, differenziarsi notevolmente in

relazione al potenziale comportamento dell‘incendio ad esse associato. Diversi autori

hanno evidenziato quanto sia problematico e difficile fornire una descrizione del

combustibile ogni qualvolta si abbia l‘esigenza di eseguire una previsione degli eventi o

26

di prendere decisioni relative alla gestione di un incendio (Sandeberg et al. 2001;

Ottmar et al. 2007). Nasce da qui l‘esigenza di semplificare parte della complessità

esistente attraverso dei processi di caratterizzazione e classificazione del combustibile

vegetale.

FIG. 2-2 ESEMPI DI DISCONTINUITÀ E CONTINUITÀ VERTICALE. EXAMPLES OF VERTICAL DISCONTINUITY

AND CONTINUITY. FOTO DI - PICTURE BY: GRAZIA PELLIZZARO

In molte delle diverse parti del mondo colpite dal problema degli incendi boschivi, le

agenzie e servizi forestali hanno adottato differenti sistemi di descrizione del

combustibile, la maggior parte dei quali utilizza variabili quali proprietà chimiche e

fisiche (potere calorifico, contenuto minerale, carico, altezza, densità rapporto

superficie/volume ecc.), biologiche (combustibile vivo o morto, legnoso o erbaceo,

annuale o perenne), presenza dei diversi strati (aereo, superficiale a suolo), tipologie

vegetazionali (foreste, macchia, prati e pascoli), infiammabilità, potenziale resistenza al

controllo o diverse combinazioni di tutti questi parametri (Hollis et al. 2014).

Sebbene i diversi sistemi di classificazione utilizzino in larga misura le medesime

proprietà per descrivere il combustibile, tuttavia gli approcci adottati per il loro

sviluppo sono spesso abbastanza differenti. La ragione dell‘esistenza di un grande

numero di sistemi di classificazione diversi fra loro è in gran parte motivata dal fatto

che esistono vari indici, algoritmi e software per la modellizzazione del comportamento

del fuoco, ciascuno dei quali richiede un set abbastanza specifico di informazioni

relative al combustibile (Keane 2013). Di conseguenza è possibile individuare approcci

differenti per descrivere i combustibili naturali a seconda del software o del modello

matematico per il quale i sistemi di descrizione sono stati sviluppati.

27

2.3.1. Classificazioni del combustibile in Canada e Australia

I sistemi di classificazione comunemente utilizzati in Australia e in Canada consistono

principalmente in una descrizione qualitativa dei combustibili vegetali e si basano su

osservazioni dirette condotte su incendi reali. I modelli di combustibile sono stati infatti

sviluppati a partire da correlazioni empiriche fra comportamento dell‘incendio,

condizioni meteorologiche e osservazioni sul combustibile vegetale. Il combustibile viene

quindi descritto in termini di ―tipologia di combustibile‖, definita come ―un‘associazione

identificabile di elementi di combustibile appartenenti a una determinata specie, con

una particolare forma e dimensione, con una determinata disposizione nello spazio o

con altre particolari caratteristiche che nel loro insieme, in particolari e definite

condizioni, inducono una determinata e prevedibile velocità di propagazione del fuoco

e determinano una certa difficoltà nel controllo dell‘incendio‖ (Canadian Interagency

Forest Fire 2003).

I modelli di pericolo australiani (McArthur Forest Fire Danger Rating System and

McArthur grassland Fire Danger Rating System) sviluppati da McArthur alla fine degli

anni sessanta (McArthur 1966, 1967) forniscono, ad esempio, una stima del pericolo di

incendio in termini di probabilità di innesco, di tasso previsto di propagazione e di

difficoltà di soppressione dell‘incendio che, in presenza di particolari condizioni

meteorologiche, può essere associato a due tipologie combustibile: foresta e prateria.

TAB. 2-1 TIPOLOGIE DI COMBUSTIBILE DEL SISTEMA CANADESE DI PREVISIONE DEL

COMPORTAMENTO DELL’INCENDIO. FUEL TYPES OF THE CANADIAN FOREST FIRE BEHAVIOUR

PREDICTION SYSTEM. FONTE – SOURCE: DE GROOT (1993)

Group Descriptive name

Coniferous

C1: Spruce lichen woodland

C2: Boreal spruce

C3: Mature jack or lodgepole pine

C4: Immature jack or lodgepole pine

C5: Red and white plantation

C7: Ponderosa pine-Douglas fir

Decidous D1: Leafless aspen

Mixedwood

M1: Borel mixedwood leafless

M2: Boreal mixedwood green

M3: Dead balsam fir mixedwood leafless

M4: Dead balsam fir mixedwood green

Slash

S1: Jack or lodgepole pine slash

S2: White spruce-balsam slash

S3: Coastal cedar-hemlock Douglas fir slash

Open O1: Grass

28

Il sistema canadese, chiamato Forest Fire Behaviour Prediction (FBP) System, è più

complesso rispetto a quello australiano in quanto fornisce delle stime quantitative del

consumo di combustibile, della velocità di propagazione, dell‘intensità del fuoco e,

infine, dello sviluppo dell‘incendio associate a ben 16 tipologie di combustibile. Le sedici

tipologie sono raggruppate in 5 categorie forestali più vaste (foreste di conifere,

foreste di latifoglie, foreste miste, residui selvicolturali e praterie) che dovrebbero

rappresentare le più importanti e diffuse categorie di combustibili forestali presenti in

Canada (Tab. 2-1). I modelli di comportamento del fuoco sono stati ottenuti attraverso

lo studio di oltre 400 incendi naturali, prescritti e provocati ad hoc a fini sperimentali.

Per ogni tipologia di combustibile è riportata una descrizione della composizione e

struttura del popolamento forestale, del combustibile di superficie e dei combustibili di

scala, della lettiera e dello strato di materia organica (Van Wagner et al. 1992; De

Groot 1993).

Entrambi i sistemi descritti sono stati realizzati associando alle diverse comunità vegetali

determinate tipologie di combustibile. Il grosso vantaggio di questo metodo consiste nel

fatto che l‘utilizzatore riconosce abbastanza agevolmente le diverse tipologie

vegetazionali presenti, è in grado di identificarne le principali caratteristiche e, di

conseguenza, attribuire con una certa facilità la vegetazione a una determinata

tipologia di combustibile. Per contro, la bontà di questo approccio è limitata dalla

scarsa rispondenza che spesso in realtà si osserva fra le tipologie di vegetazione e le

caratteristiche di combustibilità soprattutto a scale di osservazione ridotte (Keane et al.

2012; Keane &Gray 2013).

2.3.2. I modelli di combustibile negli Stati Uniti

Rothermel, nel 1972, formulò il suo modello semi - empirico per stimare l‘intensità e la

velocità di propagazione del fuoco negli incendi di superficie (per maggiori dettagli

vedasi capitolo 4). Sin dai primi anni dalla sua pubblicazione, il modello di Rothermel

divenne rapidamente il metodo maggiormente usato al mondo per la previsione delle

caratteristiche degli incendi forestali e, anche attualmente, costituisce la base sui cui si

fondano diversi sistemi di supporto alle decisioni utilizzati negli Stati Uniti quali BEHAVE

(Andrews 1986; Andrews & Chase 1989; Andrews & Bevins 1999), FARSITE (Finney

1998), e il National Fire Danger Rating System (NFDRS) (Deeming et al. 1977). Il

modello è basato su un‘equazione di conservazione dell‘energia opportunamente

calibrata mediante esperimenti di combustione condotti in laboratorio in condizioni

controllate.

Per poter essere applicato, il modello ha bisogno di informazioni sulle condizioni

ambientali (velocità del vento e pendenza del terreno) e sulle caratteristiche del

combustibile vegetale (carico di combustibile, altezza dello strato, umidità di estinzione,

calore specifico ecc.). Per rendere più facile l‘uso dei diversi sistemi che utilizzano

29

l‘equazione di Rothermel, i dati relativi ai diversi letti di combustibile sono stati

organizzati nei cosiddetti ―modelli di combustibile‖. Secondo la definizione fornita dallo

stesso Rothermel, col termine modello di combustibile si intende un set completo delle

caratteristiche del letto di combustibile, riferite a ciascuna componente presente,

necessarie come dato di input per l‘applicazione dei modelli di comportamento e/o

pericolo di incendio (Burgan & Rothermel 1984).

Nel1986 l‘Organizzazione delle Nazioni Unite per l'alimentazione e l'agricoltura (FAO)

definì, in modo più generale, come modello di combustibile ―una simulazione di un

complesso di combustibile per il quale sono state specificate tutte le variabili necessarie

per la soluzione di un modello matematico di propagazione del fuoco‖. In altre parole,

secondo questa metodologia di descrizione del combustibile, le caratteristiche attribuite

a ciascun letto di combustibile e utilizzate per costruire il modello di combustibile non

sono quelle reali, ma vengono adattate e aggiustate in modo tale che le simulazioni

fornite dal modello, con quel letto di combustibile, risultino credibili e in accordo con il

comportamento del fuoco osservato in incendi reali (Burgan 1987; Keane 2013). Per

questo motivo Keane (2013), nella sua review sui sistemi di classificazione del

combustibile, ha definito il metodo utilizzato per costruire questa tipologia di sistemi di

descrizione del combustibile come approccio astratto (abstraction approach) (Fig. 2-3).

Negli Stati Uniti, i sistemi di descrizione del combustibile sviluppati per un qualsiasi

modello di simulazione del comportamento e della propagazione di un incendio sono

definiti fire behaviour fuel models (FBFMs), anche se la maggior parte di essi è stata

realizzata per applicazioni basate sulla formula matematica di Rothermel come

BEHAVE, FARSITE, e il National Fire Danger Rating System.

Queste applicazioni sono state concepiti per scale di applicazioni e finalità operative

diverse; ad esempio il NFDRS è un sistema di stima del pericolo di incendio concepito

per essere utilizzato su ampie scale spaziali, mentre BEHAVE è stato formulato per

prevedere il potenziale comportamento di un incendio boschivo a scala locale. Di

conseguenza, nonostante esse utilizzino lo stesso modello matematico, differiscono sulle

modalità seguite nella costruzione dei modelli di combustibile.

Il National Fire Danger Rating System fu distribuito per la prima volta negli Stati Uniti

nel 1972, successive versioni modificate e aggiornate vennero in seguito distribuite dalle

agenzie governative nel 1987 e nel 1988 (Burgan 1988). Poiché, come accennato in

precedenza, il sistema era stato sviluppato allo scopo di fornire andamenti giornalieri e

stagionali del pericolo potenziale di incendio forestale su ampia scala, esso non richiede

una descrizione particolarmente precisa e dettagliata dei combustibili presenti nel

territorio (Arroyo 2008).

30

Campionamento del combustibile – Sample fuels

Osservazione e raccolta delle informazioni sul comportamento del fuoco – Observe and record

fire behaviour

Creazione di un modello di combustibile interno – Create

internal fuel model

Confronto con il comportamento osservato del fuoco – Compare

to observed fire behaviour

Sono in accordo? – Agree?

Distribuire un nuovo modello di combustibile – Release new fuel

model

Aggiustare i parametri del modello di combustibile – Adjust

fuel model parameters

NO

YES

FIG. 2-3 ESEMPIO DI APPROCCIO ASTRATTO PER CREARE IL SISTEMA DI DESCRIZIONE DEL

COMBUSTIBILE PER MODELLIZZARE IL COMPORTAMENTO DEL FUOCO. AN EXAMPLE OF THE

ABSTRACTION APPROACH USED TO CREATE A FUELS DESCRIPTION SYSTEM FOR FIRE BEHAVIOUR

MODELLING. MODIFICATO DA – MODIFIED FROM: KEANE (2013)

Originariamente furono realizzati solo nove modelli di combustibile (Deeming et al.

1972) che in seguito, nel 1977, furono portati a 20 (Deeming et al. 1977) (Tab. 2-2).

Ogni modello di combustibile viene descritto in termini di altezza dello strato, carico del

combustibile legnoso e erbaceo, carico del combustibile morto ripartito per classi

dimensionali (1 hr, 10 hr, 100 hr and 1000 hr) e umidità di estinzione (livello di umidità

del combustibile morto alla quale diviene improbabile l‘innesco di un incendio).

Passando a scale più ridotte, applicazioni per la previsione del comportamento di un

incendio a scala locale quali BEHAVE e FARSITE usano invece FBFMs sviluppati dal

Northern Forest Fire Laboratory (NFFL), conosciuti anche come ―i 13 originali modelli di

combustibile‖ (the original 13 fire behaviour fuel models) (Rothermel 1972; Albini

1976), e i cosiddetti modelli ―40+‖ di Scott & Burgan (2005). Nel 1972 Rothermel

propose inizialmente undici modelli di combustibile relativi alle principali tipologie di

vegetazione presenti nelle aree geografiche in cui era stato elaborato il suo modello

matematico, e cioè le foreste del Nord America. In seguito Albini (1976) rifinì gli undici

modelli e ne aggiunse altri due realizzando così i famosi 13 originali modelli di

31

combustibile descritti nel dettaglio da Anderson (1982). I 13 modelli sono raggruppate

in quattro classi di tipologie di combustibile (praterie, arbusteti, legname a terra, e

residui selvicolturali) ognuna delle quali comprende due o tre modelli di combustibile.

Ogni modello è in definitiva un piccolo database delle caratteristiche del letto di

combustibile e contiene il carico di combustibile diviso per categorie (vivo e morto) e

classi dimensionali, altezza dello strato e umidità di estinzione (Fig. 2-4).

TAB. 2-2 DESCRIZIONE DEI 20 MODELLI DI COMBUSTIBILE DEL SISTEMA NFDRS (1978). DESCRIPTION OF THE 20 MODELS IN THE 1978 NFDRS. FONTE – SOURCE: DEEMING ET AL. (1977)

Fuel model General description Fuel model General description

A wester annual grasses K light logging slash

B california mixed chaparral L western perennial grass

C pine grass savanna N sawgrass

D southern rough O high pocosin

E hardwoods (winter) P southern pine plantation

F intermediate brush Q alaskan black spruce

G short needle pine (heavy

dead) R hardwoods (summer)

H short needle pine (normal

dead) S tundra

I heavy logging slash T sagebush-grass

J intermediate logging slash U western long-needled

conifer

Nei 13 modelli non è incluso nessun descrittore relativo al combustibile aereo o

sotterraneo in quanto l‘equazione di Rothermel era stata formulata per descrivere

esclusivamente la propagazione negli incendi di superficie, di conseguenza essi

descrivono solo combustibili di superficie. Inoltre gli originali 13 modelli erano stati

formulati per descrivere le caratteristiche dei combustibili durante la stagione ad alto

rischio, in periodi cioè con condizioni particolarmente critiche e, conseguentemente,

grosse difficoltà nel controllo e gestione degli incendi forestali (Anderson 1982). I

modelli risultavano quindi non completamente adeguati per altre finalità applicative

quali la simulazione del comportamento nel caso di fuochi prescritti o lo studio degli

effetti dei trattamenti del combustibile sull‘evoluzione degli incendi o per il loro utilizzo

in modelli finalizzati alla simulazione degli incendi di chioma (Scott & Burgan 2005).

32

Total fuel load

(dead and live), < 6

cm (Mg ha-1)

Dead fuel load, 10

cm (Mg ha-1)

Live fuel load,

foliage (Mg ha-1) Fuel bed depth (m)

32.50 12.50 12.50 1.82

Rate of spread (m/hr) Flame length (m)

3.73 5.79

FIG. 2-4 ESEMPIO DI UNA SCHEDA DEL COMBUSTIBILE TRATTA DALLA GUIDA FOTOGRAFICA DI

ANDERSON (1982): MODELLO DI COMBUSTIBILE N° 4, CHAPARRAL. EXAMPLE OF ANDERSON’S

(1982) PHOTO GUIDE: FUEL MODEL N° 4, CHAPARRAL.

Scott & Burgan nel 2005 definirono quindi una nuova serie di 40 modelli (Tab. 2-3) allo

scopo di i) migliorare l‘accuratezza delle previsioni del comportamento del fuoco anche

al di fuori della stagione a rischio di incendio come nel caso dei fuochi prescritti, ii)

aumentare il numero di modelli applicabili anche in aree caratterizzate da valori

elevati di umidità, iii) realizzare modelli di combustibile ad altre categorie di

combustibili di superficie quali lettiera, lettiera con sottobosco erbaceo o arbustivo, iv)

valutare gli effetti dei trattamenti sul combustibile nel comportamento del fuoco.

A differenza dei 13 originali, i nuovi modelli di combustibile sono stati classificati in

funzione della loro capacità di sostenere propagare il fuoco (fire-carrying fuel type), in

modo tale che lo stesso modello potesse essere attribuito a più tipologie di vegetazione

differenti. Inoltre tutti i modelli relativi a formazioni erbacee sono dinamici, cioè a

seconda dell‘umidità del combustibile vivo, e quindi a seconda della stagione, il carico si

trasferisce dalla componente viva a quella morta (Scott & Burgan 2005).

33

TAB. 2-3 PARAMETRI DEI MODELLI DI COMBUSTIBILE PER I 40 MODELLI STANDARD SVILUPPATI DA

SCOTT AND BURGAN (2005). FUEL MODEL PARAMETERS OF THE 40 STANDARD FIRE BEHAVIOR FUEL

MODELS DESCRIBED BY SCOTT & BURGAN (2005). FONTE – SOURCE: SCOTT & BURGAN (2005)

Il merito principale di questo approccio è che i FBFMs vengono calibrati mediante

osservazioni sul comportamento di incendi reali e, di conseguenza, vengono minimizzati

incertezza e errori nella stima dell‘intensità e della velocità di propagazione del fuoco

attribuiti a ciascun combustibile (Burgan 1987). Seguendo questo approccio, inoltre, si

possono costruire modelli di combustibile sia per applicazione a scala locale sia per usi

a scale spaziale maggiori.

Per contro, lo sviluppo di questo tipo di modelli prevede il contributo di esperti in analisi

degli incendi boschivi in grado di aggiustare e bilanciare in modo ottimale i parametri

del modello e quindi ottenere simulazioni realistiche e credibili del comportamento del

fuoco in presenza di quel particolare letto di combustibile (Burgan 1987). Inoltre,

l‘utilizzatore, per attribuire il modello di combustibile più adatto alla situazione in

campo, deve conoscere a priori il potenziale comportamento del fuoco in quel

34

determinato complesso di combustibile e questo rende l‘identificazione soggettiva e non

facile (Keane 2013). Ulteriore limite di questo approccio è che gli FBFMs possono essere

prevalentemente utilizzati in quei software di comportamento degli incendi per i quali i

sistemi di descrizione del combustibile erano stati sviluppati e, raramente, trovano un

valido utilizzo in contesti differenti da quelli legati alla gestione degli incendi forestali

(Keane 2013).

2.3.3. Recenti approcci per la descrizione del combustibile

Fuel Characteristic Classification System - FCCS

Un altro approccio metodologico che può essere utilizzato per descrivere e catalogare

il combustibile è quello basato sulla ―stratificazione del combustibile‖. In questo caso la

vegetazione viene classificata considerando la posizione dei suoi elementi lungo un asse

verticale (Pyne et al. 1996). Seguendo questo approccio alcuni autori hanno proposto

uno schema di classificazione del combustibile chiamato Fuel Characteristic Classification

System (FCCS) (Sandberg et al. 2001; Ottmar et al. 2007). Questo sistema parte dal

concetto di ―letto di combustibile‖ (fuelbed) che viene definito come un’unità del

paesaggio naturale relativamente omogenea che rappresentante un unico ambiente di

combustione (Ottmar et al. 2007). Per ciasun fuelbed vengono riportate tutte le

caratteristiche fisiche che influiscono sul comportamento del fuoco e che contribuiscono a

determinarne gli effetti (Riccardi et al. 2007a). I letti di combustibili non sono riferiti a

una scala spaziale prefissata, cioè se, ad esempio, un ecosistema dell‘estensione di più

di 2000 ettari a predominanza di Artemisia tridentata nella regione occidentale degli

Stati Uniti potrebbe essere rappresentato da un singolo fuelbed, viceversa per un‘area

di 40 ettari di foresta pluviale nelle Hawai sarebbero necessari diversi fuelbed per

catturare la variabilità del combustibile presente (Prichard et al. 2011). Nel sistema

FCCS i fuelbed vengono organizzati in sei strati orizzontali principali (canopy, arbusti,

erbacee, combustibile legnoso a terra, lettiera, suolo organico). Ciascuno strato

orizzontale viene ulteriormente suddiviso in due o più categorie e sottocategorie che

possiedono caratteristiche di combustione simili. Ogni categoria è descritta da variabili

fisiognomiche e da variabili continue. Le prime danno informazioni sulle caratteristiche

qualitativa della categoria mentre le variabili continue forniscono indicazioni sulla

quantità di combustibile (Sandberg et al. 2001; Ottmar et al. 2007). Nell‘archivio del

sistema sono attualmente presenti più di 200 letti di combustibile che rappresentano le

più comuni tipologie di combustibile presenti nelle diverse ecoregioni degli Stati Uniti

(Ottmar et al. 2007). I diversi letti di combustibile sono stati sviluppati a partire da

database disponibili, dalla letteratura scientifica e, in qualche caso, dall‘opinione di

esperti del settore (Riccardi et al. 2007a; Ottmar et al. 2007). In ogni caso anche

l‘utente ha la possibilità di personalizzare le descrizioni presenti nel Sistema per

realizzare nuovi fuelbed in grado di rappresentare una particolare situazione di

35

interesse. Una volta selezionato (o personalizzato) il fuelbed che meglio rappresenta

l‘ambiente di combustione, il Sistema fornisce informazioni e caratteristiche associate ad

ogni singolo strato e categoria di fuelbed (es. percentuale di copertura, altezza,

altezza della chioma, densità, diametro del tronco, biomassa, necromassa ecc.). Infine il

FCCS calcola una serie di indici che esprimono l‘intrinseca capacità di un determinato

letto di combustibile a sostenere un incendio di chioma o di superficie e danno

indicazioni sul combustibile disponibile per la combustione con fiamma, senza fiamma e

residuale in condizioni ambientali standard (Sandberg et al. 2007; Ottmar et al. 2007)

(Fig. 2-5).

FIG. 2-5 FLUSSO DI INFORMAZIONI NEL SISTEMA FCCS (FUEL CHARACTERISTCS CLASSIFICATION

SYSTEM). INFORMATION FLOW FOR THE FCCS (FUEL CHARACTERISTCS CLASSIFICATION SYSTEM).

Uno dei grandi vantaggi di questo sistema di classificazione consiste nella sua natura

dinamica che consente ai diversi utenti di inserire ulteriori fuelbed, componenti e

caratteristiche del combustibile ogni qualvolta ne vengano individuati di nuovi (Berg

2007; Riccardi et al. 2007b).

In questo modo il sistema può essere aggiornato e migliorato con le informazioni che

vengono via via aggiunte (Ottmar et al. 2007). Inoltre le caratteristiche attribuite a

ciascun letto di combustibile sono realistiche e possono essere quindi utilizzate in diversi

ambiti di applicazione dalla gestione degli incendi alla determinazione dei fumi emessi

in atmosfera o alla valutazione del bilancio del carbonio (Keane 2013). Infine il FCCS si

36

presta ad essere applicato a diverse scali spaziale da singolo plot a scala

comprensoriale e regionale (McKenzie et al. 2007).

D‘altro canto, tuttavia, questo metodo di classificazione presenta alcuni limiti che, in

alcuni casi, possono renderne problematica l‘applicazione; ad esempio manca

completamente una chiave che consenta di identificare un fuelbed a partire dalle

caratteristiche del combustibile (Keane 2013).

Altro limite del sistema è legato al fatto che tipologie di vegetazione differenti fra loro

e presenti in località diverse, possono presentare caratteristiche del combustibile simili;

perciò si può verificare una ridondanza di fuelbed classificati come differenti ma

caratterizzati da proprietà del combustibile analoghe. Per contro, a fronte di un elevato

numero di fuelbed, a volte anche con caratteristiche simili, possono risultare assenti dalla

classificazione finale alcuni fuelbed potenzialmente rilevanti ma non catalogati (Keane

2013).

Modelli di carico di combustibile o Fuel loading models

Recentemente Lutes et al. (2009) hanno proposto un nuovo sistema di classificazione

sviluppato specificamente per prevedere gli effetti di un incendio di superficie nelle

diverse località degli Stati Uniti. Il sistema cataloga lo strato di combustibile in funzione

del carico relativo alle seguenti quattro componenti: duff (materiale organico in

decomposizione), lettiera, materiale morto a terra con diametro minore di 7.6 cm,

materiale morto a terra con diametro superiore a 7.6 cm e fornisce i cosiddetti modelli

di carico del combustibile (Fuel Loading Models o FLMs).

Il sistema di classificazione viene realizzato in quattro fasi (Lutes et al. 2009; Sikkink et

al. 2009). Durate la prima fase è stato compilato un database di carichi di combustibili

riferiti a rilievi in campo eseguiti su plot sperimentali distribuiti negli Stati Uniti. Nella

seconda fase, mediante l‘uso del modello FOFEM (Reinhardt et al. 1997; Reinhardt &

Keane 1998; Reinhardt 2003), sono stati simulati per ogni plot gli effetti di incendio di

superfice in termini di riscaldamento del terreno e di emissione di PM2.5.

Successivamente, mediante un processo di analisi cluster, i plot sono stati raggruppati in

funzione degli effetti del passaggio del fuoco. Infine, nell‘ultima fase è stato utilizzato il

metodo degli alberi di classificazione per stabilire dei criteri e delle regole guida da

utilizzare per individuare i singoli modelli di carico di combustibile a partire o da misure

di caratteristiche del combustibile eseguite in loco ad hoc o da informazioni acquisite in

campo da precedenti campagne di misura (Lutes et al. 2009). Un utilizzatore che avesse

necessità di attribuire un modello di carico a una determinata comunità vegetale,

dovrebbe semplicemente valutare se il carico di combustibile delle quattro componenti

citate in precedenza superi o meno determinati valori soglia. Una volta individuato il

modello più adeguato questo fornisce una serie di informazioni sui possibili effetti del

passaggio di un incendio in quel particolare stand vegetale. I dati del modello di carico

37

possono essere inoltre utilizzati come input nei programmi di simulazione degli effetti

degli incendi (es, FOFEM, CONSUME) allo scopo di stimare le possibili emissioni di fumi,

la quantità di combustibile consumato e il carbonio rilasciato nell‘atmosfera a causa del

verificarsi di un incendio di superficie (Lutes et al. 2009). Istruzioni più approfondite

sull‘utilizzo di questo sistema di classificazione insieme a una dettagliata guida

fotografica sono disponibili nella guida di campo realizzata da Sikkink et al. (2009).

Keane (2013), nella sua revisione dedicata ai sistemi di classificazione del combustibile,

definisce l‘approccio utilizzato per classificare i modelli di carico del combustibile come

un approccio diretto di tipo top-down (Fig. 2-6) e riporta due principali limiti che

caratterizzano questo metodo e che potrebbero renderne difficoltosa l‘applicazione

soprattutto in aree estese. Innanzitutto una corretta costruzione dei modelli presuppone

l‘esistenza di un archivio di dati sufficientemente consistente da catturare la diversità e

variabilità delle diverse tipologie di combustibile, in secondo luogo l‘aggiunta di nuove

informazioni o l‘eventuale modifica delle categorie implicherebbe inevitabilmente la

revisione e riformulazione dell‘intero sistema di classificazione.

Raccolta di dati – Collect dataCampionamento del

combustibile – Sample fuelsConsolidamento dei dati esistenti

– Consolidate existing data

Raggruppamento dei dati –Cluster fuel data

Creazione di gruppi significativi – Create meaningful groups

Creazione di una chiave identificativa – Create

identification key

Validazione e rifinitura della chiave – Validate and refine

key

Test del sistema – Test systemDistribuzione del sistema –

Release system

FIG. 2-6 ESEMPIO DEL PROCESSO PER LA CREAZIONE DI UN SISTEMA DI DESCRIZIONE DEL

COMBUSTIBILE UTILIZZANDO TECNICHE DI CLASSIFICAZIONE DIRETTA, COME NEL CASO DEI FUEL

LOADING MODELS. THE PROCESS INVOLVED IN CREATING A FUEL DESCRIPTION SYSTEM USING

DIRECT CLASSIFICATION TECHNIQUES (AS IN THE FUEL LOADING MODEL SYSTEM). MODIFICATO

DA – MODIFIED FROM: KEANE (2013)

38

2.4. Conclusioni

In questo capitolo abbiamo riportato una breve rassegna degli approcci adottati negli

ultimi cinquanta anni per la descrizione del combustibile forestale. La classificazione dei

combustibili non è semplice a causa della elevate variabilità spaziale e temporale delle

sue caratteristiche. I diversi sistemi di classificazione cercano di considerare al loro

interno questa variabilità ma, poiché sono stati sviluppati per specifici modelli

comportamento degli incendi, non possono generalmente essere utilizzate in tutte le fasi

di gestione di un incendio. Lo sviluppo di un nuovo unico sistema di descrizione del

combustibile sembra però ancora piuttosto difficile da realizzare, tuttavia grazie ai

nuovi progressi nelle tecnologie di campionamento e di mappatura unitamente a nuove

e ulteriori ricerche condotte con un approccio interdisciplinare nello studio dei

combustibili e nella modellazione del comportamento al fuoco porteranno a notevoli

miglioramenti sulla qualità e applicabilità dei sistemi di descrizione del combustibile.

39

FUEL CLASSIFICATION

Abstract

The probability of fire occurrence, the propagation and intensity of fire, and fire behaviour

strictly depends on fuel properties namely all aboveground organic material, living or dead,

available for fire ignition and combustion. There is a broad spectrum of fuel types in natural

ecosystems and each of them can be characterized by really different fuel properties.

Inventorying all fuelbed characteristics is extremely difficult so that, significant efforts have been

devoted to develop fuel classification systems that attempt to cluster vegetation into unique

categories with similar fuel properties and similar potential fire behavior. In the present chapter,

after a brief description of the main fuel properties affecting fire behavior, the most common

and widespread fuel classification systems are described. In addition, the approaches used to

develop them, and strengths and weaknesses of each system are discussed.

2.1 Introduction

The analysis of issues related to forest fires often uses approaches belonging to different

scientific disciplines (e.g. ecology, chemistry, physics, meteorology, geography, climatology,

economics, engineering, etc.) and covers a wide range of temporal and spatial scales.

Regardless the approach, from the most empirical to the most purely theoretical, the common

purpose of all study is to better predict the occurrence and severity of fire and to reduce fire

risk by producing operational applications and proper fire management actions before, after

and during the event.

Clearly, despite the large number of studies and researches conducted on wildland fire, many

questions still need answers. It is well known, however, that an accurate knowledge of the fuel

conditions is critical for forest fire management, since they greatly affect fire risk (Chuvieco et

al. 2004). In fact, the probability of fire occurrence, the propagation and intensity of fire, the

height of the flames, the transition from surface fire to crown fire, and, in brief, the wildland fire

behaviour strictly depends on fuel properties. In addition, as highlighted by Countryman (1974),

―the behaviour of wildland fire is determined primarily by the weather, the topography, and the

fuel. Little can be done about weather or topography. But wildland fuels, which supply the

energy that makes some fires uncontrollable, are subject to modification and management‖.

In wildland fire science, fuel is all aboveground organic material, living or dead, available for

fire ignition and combustion (Albini 1976; Sandberg et al. 2001; Keane et al. 2001). Total fuel

is the total amount of fuel present in a site. Available fuel is the amount that can burn, under a

given set of conditions, and depends on fuel size, arrangement, and moisture content (Brown &

See 1981). There is a broad spectrum of fuel types in natural ecosystems (e.g. pastures and

grasslands, shrubs, coniferous forests, deciduous forests, etc.). Fuel properties such as loading,

dead/live ratio, shape, size, arrangements, strongly affect fire ignition and propagation and

can vary widely among different fuel types. Although describing vegetation in term of fuels is

important to a wide range of fire management activities, it would be extremely difficult to

40

inventory all fuelbed characteristics each time that it is necessary to predict events or to make

management decisions (Sandberg et al. 2001). Therefore, significant efforts have been devoted

to develop fuel classification systems that attempt to cluster vegetation into unique categories

with similar fuel properties and similar potential fire behaviour. In addition, spatial distribution

of fuel type and fuel maps at different scale are crucial for planning managements activities at

regional and local level.

In the present chapter, after a brief description of the main fuel properties affecting fire

behaviour, the most common and widespread fuel classification systems are described. In

addition, the approaches used to develop them, and strengths and weaknesses of each system

are discussed.

2.2 Fuel properties

When studying fire at the scale of fire fundamentals, the combustion process is mainly affected

by intrinsic fuel properties, namely chemical and physical characteristics of fuel particles (e.g.

branches, leaves, barks, cones, needles). These characteristics (e.g. cellulose, lignine, volatile oils

and resins, ash content, density) influence the combustion process affecting flammability, heat

content and thermal conductivity. Moving to forest fire scale, other properties that define the

whole fuel complex play the major role in determining fire behaviour; at this level combustion

process is greatly influenced by fuel loading by size classes, size and shape of fuel components,

compactness, horizontal and vertical continuity, and fuel moisture content that is the variable

most dependent on environmental conditions (Pyne et al. 1996).

The fuel load is probably the most important fuel attribute in determining fire behaviour. The

total fuel load can be defined as the amount of alive and dead materials placed over the

mineral ground in a given area and is expressed in terms of dry weight per unit area (Pyne et

al. 1996). It represents the amount of fuel that is potentially available for combustion and

directly affects the potential energy that might be released by a forest fire; in other words, the

fuel load is strongly related to fire intensity. In general, the more available the fuel is, the

greater the amount of heat available for driving fire intensity and rate of spread will be. Fuel

loading descriptions specify not only the total weight or mass per surface unit, but should also

include weights by fuel size classes. In fact, the size and shape of fuel elements and particles

regulate the heat transfer and moisture exchange.

It is well known that litter and small woody fuels ignite and burn easier and faster than large

woody fuels as less heat is required to remove fuel moisture and to raise the ignition

temperature. Thus, fine fuels are the most important components in carrying on the flaming fire

front. Large woody fuels and deep duff fuels burn and smolder for long periods after the fire

has passed. Because of the importance of fuel size both in determining how quickly fuels gain or

loss water and in affecting fire front speed, dead fuels are traditionally clustered in four

diameter classes that correspond to fuel moisture timelag classes: dead fuel with diameter less

than 0.6 cm (1 hour), between 0.6 and 2.5 cm (10 hours), between 2.5 and 7.5 cm (100 hours),

and finally greater than 7.5 cm (> 200 hours) (Deeming et al. 1977) (Fig. 2-1)

Shape also represents a significant fuel characteristic affecting the problem of spotting. Some

fuel particles such as fruit, cones, leaves, twigs, or bark can easily become firebrands that can

41

be lifted in a convection column, be transported by wind ahead of a fire, land and cause spot

ignitions far from the flame front.

The spacing between individual fuel elements in the fuel bed (e.g. leaves and/or twigs in a

litter) is referred as porosity, or its converse, compactness. It affects both ignition and fire

spread. Porous fuels react faster to moisture changes and have more oxygen available for

combustion, thus, in general, the rate of spread increases with decreasing compactness.

Conversely, when the fuel is compact, it is common to observe slower fire spread rates.

The horizontal and vertical arrangement of the fuel is also important for determining fire

behavior (Fig. 2-2). Horizontal continuity is a measure of the degree of change in physical

characteristics of fuels over a given area. Breaks in fuel continuity contribute to limit fire

propagation. In addition, fuels that provide vertical continuity between layers of vegetation (i.e.

ladder fuels) allow fire to travel from surface fuels into the crowns increasing probability of

crown fire occurrence.

2.3 Fuel classification

There is infinite variability in fuels in a natural ecosystem. Wildland fuels can vary in type,

properties, potential fire behaviour and effects. Several authors highlighted the difficulty to

describe and to inventory all fuelbed characteristics each time that it is necessary to predict

events or to make management decisions (Sandeberg et al. 2001; Ottmar et al. 2007).

Therefore, we need to simplify and organize part of this complexity by characterization and

classification processes. Many land and forest management agencies around the world have

adopted different fuel description systems. Most of them often include variables as chemical

properties (heat content, mineral content), physical properties (loading, height, density, surface

area to volume ratio) biological properties (live or dead, woody or herbaceous, annual or

perennial) fuel strata (ground, surface, canopy), vegetation types (forest, shrubland, grassland),

potential flammability and resistance to control, or a combination of these attributes (Hollis et al.

2014).

Although most of classification systems use the same variables to describe fuel, the approaches

that have been used to create them are often different. The existence of multiple fuel

description systems is because the various fire-modelling software applications require a specific

set of fuel inputs (Keane 2013). Therefore, we can identify different approaches used to

describe wildland fuels based on specific software or mathematical fire models for which fuel

description systems were designed.

2.3.1 Canadian and Australian fuel description

Australian and Canadian fuel classifications are mainly based on fire experiences and

qualitative description. In those countries, fire models were developed correlating fire

behaviour, weather variables and fuel observation. Fuel is described as ‗fuel type‘ namely ―an

identifiable association of fuel elements of distinctive species, form, size, arrangements, or other

characteristics that will cause a predictable rate of spread or resistance to control under

defining burning conditions‖ (Canadian Interagency Forest Fire 2003).

42

McArthur developed Australian fire models (McArthur Forest Fire Danger Rating System and

McArthur grassland Fire Danger Rating System) in the 1960s (McArthur 1966, 1967). They

estimate fire danger in term of probability of ignition, expected spread rate, and fire

suppression difficulty for two fuel types: forest (mainly high eucalypt forest) and grassland.

Regarding Canada, the Forest Fire Behaviour Prediction (FBP) System is more complex than the

Australian one. It provides quantitative estimates of rate of spread, fuel consumption, fire

intensity and fire description for 16 fuel types, organized in five major groups (coniferous,

deciduous, mixedwood, slash and open) that cover most forest fuel types in Canada (Tab. 2-1).

Fire behaviour models were derived from over 400 experimental, wild and prescribed fires.

Fuel types are described qualitatively and are defined in terms of stand structure and

composition, surface and ladder fuels, and forest floor cover and organic (duff) layer (Van

Wagner et al. 1992; De Groot 1993).

Both systems were built by associating fuels to vegetation type. A big advantage of this

approach is that users can quite easily identify vegetation types and their characteristics in the

field, by contrast fuel properties are rarely correlated with vegetation categories, especially at

fine scales (Keane et al. 2012; Keane & Gray 2013).

2.3.2 American fire behaviour fuel models

In the 1972, Rothermel published his semi-empirical mathematical model for predicting fire

spread and intensity in wildland fuels. Rothermel‘s model quickly became the most widely used

method to predict fire behaviour and it is the basis for many decision support systems in United

States (US) including BEHAVE (Andrews 1986; Andrews & Chase 1989; Andrews & Bevins

1999), FARSITE (Finney 1998), and the National Fire Danger Rating System (NFDRS) (Deeming

et al. 1977). The model, developed using results from a considerable amount of experiments,

needs information on the environmental conditions (mean wind velocity and slope of terrain) and

fuelbed properties (e.g. fuel load, fuel depth, moisture extinction). To facilitate use in models

and systems, fuelbed inputs have been formulated into ―fuel models‖. Rothermel himself defined

the term ‖fuel model‖ as a complete set of fuelbed characteristics (e.g. loading, depth, heat

content, etc.) for each fuel component required as inputs for the fire behaviour and danger

models (Burgan & Rothermel 1984). In 1986, the Food and Agriculture Organization of the

United Nations (FAO) defined fuel model as ―the simulated fuel complex for which all fuel

descriptors required for the solution of a mathematical rate of spread model have been

specified‖.

Keane (2013), in his review on fuel description systems, defined the approach used to create this

kind of fuel description system as ―abstraction approach‖ (Fig. 2-3). In fact, fuel loadings and

other fuelbed characteristics used to develop fuel models are not the actual fuel characteristics,

but they are adjusted to achieve realistic and believable fire simulations based on observed fire

behaviour (Burgan 1987; Keane 2013).

In the US, fueI description systems created for fire behaviour modelling are defined as fire

behaviour fuel models (FBFMs). Most of them were developed to be used in fire behaviour and

fire danger applications that contain the Rothermel mathematical model for fire spread (e.g.

BEHAVE, FARSITE, NFDRS).

43

Although the NFDRS and BEHAVE use the same mathematical model, the two programs have

different target applications; NFDRS is a broad scale danger system, whereas BEHAVE is a

local scale fire behaviour model so that they differ in the construction of FBFMs.

The National Fire Danger Rating System (NFDRS) of the United States was released for general

use by agencies throughout the United States in 1972, with modified versions released in 1978

and 1988 (Burgan 1988). The NFRDS does not need a highly detailed description of fuels

because it is used to represent the daily and seasonal trend in fire danger or fire potential for

large areas (Arroyo 2008). Deeming et al. (1972) originally developed nine fuel models that

were expanded to 20 in 1977 (Deeming et al. 1977) (Tab. 2-2). Fuels are clustered in fuel

type, the description of the fuel include fuel depth, dead fuel moisture at which fire will not

spread (called moisture of extinction) and fuel loadings of dead, wood and herb components.

The loading of dead fuel is divided into the four classical time lag classes (i.e. 1 hr, 10 hr, 100

hr and 1000 hr).

Moving to local scale, fire behaviour applications such as BEHAVE and FARSITE use the models

from Northern Forest Fire Laboratory (NFFL), also known as ‗the original 13 fire behaviour fuel

models‘ (Rothermel 1972; Albini 1976), and the 40+ models of Scott & Burgan (2005). In 1972

Rothermel documented the initial eleven fuel models relative to the main vegetation types,

founded in the areas in which the mathematical model has been modified. They mainly refer to

the northern American forests. Later Albini (1976) refined those 11 fuel models, and added two

others. His tabulated set became what is now called ―the original 13 fire behaviour fuel models‖

and is described in detail by Anderson (1982). Since these fire models only applies to surface

fires, ground fuels and aerial fuels are not included in the fuel description. The 13 fire behaviour

fuel models are classified into four fuel types (grasslands, shrublands, timber, and slash) and

each fuel type comprises three or more fuel models. Each fuel model is a small database of

fuelbed properties and includes fuel load by category (live and dead) and particle size class,

the depth of the fuel bed involved in the fire front and the dead fuel moisture of extinction (Fig.

2-4)

The original 13 fire behaviour fuel models were mostly formulated for ―severe periods of the

fire season when wildfires pose greater control problem‖ (Anderson 1982) but can be not

adequate for other purposes, including prescribed fire, wildland fire use, simulating the effects

of fuel treatments on potential fire behaviour, and simulating the transition to crown fire using

crown fire initiation models (Scott & Burgan 2005).

Therefore, Scott & Burgan (2005) defined a new set of 40 fuel models (FBFMs) (Tab. 2-3) with

the intent to: i) improve the accuracy of fire behaviour predictions outside of the severe period

of fire season, such as prescribed fire and fire use application; ii) increase the number of fuel

model applicable in high-humidity areas; iii) increase the number of fuel models for forest litter

and litter with grass or shrub understory; and iv) increase the ability to simulate changes in fire

behaviour as a result of fuel treatment by offering more fuel model choices, especially in

timber-dominated fuelbeds. Compared with the ―original 13‖ the new set of FBFMs are grouped

by fire-carrying fuel type (e.g. heavy Load, tall Brush) in order that the same model can be

applied to many vegetation types. In addition, all fuel models with an herbaceous component

are ―dynamic‖ meaning that their herbaceous load shifts between live and dead, depending on

44

the specified live herbaceous moisture content (Scott & Burgan 2005).

The main merit of this approach is that fuel models are calibrated to actual fire behaviour

observations so that the uncertainty and error in model predictions are minimised (Burgan 1987).

Furthermore, fuel models can be developed for both local application and broad use across

large landscapes.

A problem of the FBFMs is that their development should be mainly done by experienced fire

analysts because it requires an optimal adjustment and balance of parameters to achieve

realistic and believable fire behaviour simulations (Burgan 1987). In addition, identification by

users of a given fuel model in the field is based on prior knowledge of fire behaviour in that

fuel complex, so that it can be highly subjective and difficult (Keane 2013). Another limitation is

because FBFMs can be used only in fire behaviour models for which fuel description systems

were designed and rarely can be applied in contexts different from fire management (Keane

2013).

2.3.3 Recent fuel description approaches

Fuel Characteristic Classification System

Another methodology developed in order to categorize the fuel complex is the ―fuel

stratification‖ where the vegetation is classified by considering the position of its elements with

respect to a vertical plan (Pyne et al. 1996).

According to this approach, some authors proposed a new framework to classify fuels, the Fuel

Characteristic Classification System (FCCS) (Sandberg et al. 2001; Ottmar et al. 2007). In this

system, fuelbeds are stratified into six horizontal strata (canopy, shrub, non-woody vegetation,

woody fuel, litter fuel and ground fuel). The FCCS defines a fuelbed as a relatively

homogeneous unit of the landscape, representing a unique combustion environment (Ottmar et

al., 2007). In other words, fuelbed can be described as the physical characteristics of fuels that

contribute to fire behavior and effects (Riccardi et al. 2007a). Fuelbeds are not scale

dependent therefore, for example, a 2000 ha western sagebrush ecosystem may be

adequately represented by a single fuelbed whereas a 40 ha Hawaiian rainforest may require

several fuelbeds to take account of the variability of fuel conditions (Prichard et al. 2011). Each

fuelbed stratum is further sub-divided into one or more categories, which show common

combustion characteristics. Each category is described by physiognomic and continuous (or

gradient) variables. Physiognomic variables capture qualitative features of the category

whereas continuous variables characterize the quantity of fuel (Sandberg et al. 2001; Ottmar et

al. 2007). The FCCS set of fuelbeds was compiled from scientific literature, fuel database and

expert opinion (Riccardi et al. 2007a). Over 200 fuelbeds designed to represent the most

common fuel types throughout the Bailey's ecoregion of United States, are currently available in

the FCCS reference library (Ottmar et al. 2007). Alternatively, users can customize existing

descriptions to create a set of fuelbeds to represent a particular scale of interest. Selecting (or

editing) the fuelbed that best represents the combustion environment, the System provides the

best available predictions of the information associated with every single fuelbed strata,

allowing the computation of fuel characteristics (e.g. percent cover, depth, height, height to live

crown, percent live foliar moisture content, density, diameter at breast height, loading live,

45

loading dead, etc.). Finally, the FCCS gives a set of relative index values that rate the intrinsic

physical capacity of a fuelbed to support surface and crown fire at benchmark conditions and to

consume and smolder fuel (Sandberg et al. 2007, Ottmar et al. 2007) (Fig. 2-5).

A big advantage of the FCCS is its dynamic nature that allows users, managers or scientists add

new fuelbeds, fuel components and properties in case they are identified (Berg 2007; Riccardi

et al. 2007b). Therefore, the systems can be easily updated and improved as more information

is added (Ottmar et al. 2007). In addition, FCCS provides realistic physical properties of a

fuelbed that can also be used for a range of different applications in fire, fuel, smoke and

carbon assessment (Keane 2013). Finally, the FCCS can be used at any spatial scale of interest

from single plots to large landscapes (McKenzie et al. 2007). On the other hand, this

classification presents some problems that can limit its application, for instance, it does not

include a key to identify a fuel bed from fuel properties (Keane 2013). Another limit of this

system is that fuelbeds sampled in different vegetation types and in different sites can have

similar properties so that there is often redundancy across many fuel classification categories. In

addition, following this kind of approach the number of possible categories can become infinite,

whereas many relevant fuelbeds could not be present in the final classification (Keane 2013).

Fuel loading models

Lutes et al. (2009) recently proposed a new classification system called Fuel Loading Models

(FLMs) specifically developed to predict fire effects from on-site surface fuels in the US. This

system categorizes surface fuel beds based on fuel loadings of the following four fuel

components: duff, litter, fine woody debris (dead and down woody material less than 7.6-cm

diameter, approximately 3 inches), and logs (downed dead woody material > 7.6-cm

diameter).

The FLMs classification was performed using a four step approach (Lutes et al., 2009; Sikkink et

al. 2009). The first phase was devoted to compile a database of fuel loadings from plots

sampled across the United States. Secondly, fire effects in term of PM2.5 emissions and soil

heating were simulated for each plot using the FOFEM fire effect model (Reinhardt et al. 1997;

Reinhardt & Keane 1998; Reinhardt 2003). Then, cluster analysis was used to form groups

based on fire effects. Finally, classification tree analysis was used to build a decision criteria

key (i.e. a rule set) for identifying unique FLMs classes either from direct measurements of fuel

properties on the ground or from previously collected field data (Lutes et al. 2009). In summary,

to identify FLMs for a given stand, users need only to determine if the loadings of the four

above cited components are above or below certain threshold values. FLMs gives information on

fuel load and fire effects and can be used as inputs to fire effect models (e.g. FOFEM,

CONSUME) contributing to estimate smoke emission, fuel consumption, and carbon released into

the atmosphere (Lutes et al., 2009). Detailed instructions on the use of FLMs classification,

including field sheets and photo guides, are available in the field guide of Sikkink et al. (2009).

Keane (2013), in his review on fuel classification systems, defines the approach used to develop

FLMs as ―direct top-down approach‖ and reports two main shortcomings that could limit its use in

large areas. Firstly, FLMs requires large datasets to include the diversity of fuelbeds in the

analysis, secondly, when new data become available the addition or modification of categories

46


Albini F.A. (1976) Estimating wildfire behavior and effects. Rep. No. GTR INT-30. USDA, Forest

Service, Intermountain Forest and Range Experiment Station, Ogden, UT.

Anderson H.E. (1982) Aids to Determining Fuel Models for Estimating Fire Behaviour. USDA

Forest Service, Intermountain Forest and Range Experiment Station General Technical

Report, INT-122.

Andrews P.L. (1986) BEHAVE: Fire Behaviour Prediction and Fuel Modeling System - BURN

Subsystem, Part 1. USDA Forest Service General Technical Report INT-194.

Andrews P.L., Chase C.H. (1989) BEHAVE: fire behaviour prediction system-BURN subsystem Part

2. USDA Forest Service. Intermuntain Forest and Range Experimental Station, research

paper, INT-260, Odgen, Utah, USA

Andrews P.L,. Bevins C.D. (1999) BEHAVE Fire Modeling System: redesign and expansion. Fire

Management Notes 59(2), 16–19

Arroyo L.A., Pascual C., Manzanera J.A. (2008) Fire models and methods to map fuel types: the

role of remote sensing. Forest Ecology and Management 256, 1239–1252.

doi:10.1016/J.FORECO.2008.06.048

Berg E. (2007) Characterizing and classifying complex fuels – a new approach. Canadian

Journal of Forest Research 37, 2381–2382. doi:10.1139/X07-150

Brown J.K., See T.E. (1981) Downed dead woody fuel and biomass in the northern Rocky

Mountains. USDA Forest Service, Intermountain Forest and Range Experiment Station

General Technical Report INT-117. Ogden, UT. 48 pp.

Burgan R.E. (1987) Concepts and interpreted examples in advanced fuel modeling. USDA Forest

Service, Intermountain Research Station, General Technical Report GTR-INT-238.

(Ogden, UT)

Burgan R.E., Rothermel R.C. (1984) BEHAVE: fire behavior prediction and fuel modeling system–

FUEL subsystem. USDA Forest Service, Report INT-167.

inevitably implies the revision of the entire classification system (Fig. 2-6).

2.4 Conclusions

In this chapter, we reported a brief review of the approaches taken to classify fuels in the last

fifty years. Classifying wildland fuels is difficult due to the high variability of their properties

across space and over time. The different fuel classification systems attempt to incorporate this

variability but because of they were developed for a specific fire model they cannot generally

be used in all phases of fire management. Developing a new universal fuel description system

seems still quite difficult to do however new advances in sampling and mapping technologies

and further researches in fuel science and fire behavior modeling by an interdisciplinary

approach will improve quality and applicability of fuel description systems.

47

Burgan R.E. (1988) Revisions to the 1978 National Fire-Danger Rating System. Res. Pap. SE-

273. Asheville, NC: U.S. Department of Agriculture, Forest Service, Southeastern Forest

Experiment Station. 144 p.

Canadian interagency Forest Fire (2003) Glossary of Forest Fire Management Terms 2003.

Available on http://bcwildfire.ca/mediaroom/Backgrounders/2003_Fire_Glossary.pdf

Chuvieco E., Cocero D., Riano D., Martin P., Martınez-Vega J., Riva J.d.l., Perez F. (2004)

Combining NDVI and surface temperature for the estimation of live fuel moisture content

in forest fire danger rating. Remote Sensing of Environment 92, 322–331

Countryman C.M (1974) Can Southern California conflagrations be stopped? USDA Forest

Service, Pacific Southwest Forest and Range Experiment Station, Berkeley, California.

General Technical Report PSW-7. 11 p.

http://www.fs.fed.us/psw/publications/documents/psw_gtr007/psw_gtr007.pdf

De Groot W.J. (1993) Examples of fuel types in the Canadian Forest Fire Behavior Prediction

(FBP) System. For. Can., Northwest Reg., North. For. Cent., Edmonton, Alberta. Poster

Deeming J.E., Burgan R.E., Cohen J.D. (1977) The National Fire Danger Rating System. Report

No. GTR INT-39. USDA Forest Service, Intermountain Forest and Range Experiment

Station, Ogden, UT.

Deeming J. E.; Lancaster J. W.; Fosberg M.A.; Furman W.R.; Schroeder M.J. (1972) The National

Fire-Danger Rating System. Res. Pap. RM-84. Fort Collins, CO: U.S. Department of

Agriculture, Forest Service, Rocky Mountain Forest and Range Experiment Station;

revised 1974. 165 p.

FAO, Food and Agriculture Organization of the United Nations (1986) Wildland Fire

management terminology [R]. For. Pap. M-99.

Finney M.A. (1998) FARSITE: Fire Area Simulator – model development and evaluation. USDA

Forest Service, Rocky Mountain Research Station, Research Paper RMRS-RP-4. (Fort

Collins, CO)

Hollis J.J., Gould J.S., Cruz M.G., Mc Caw W.L. (2014) Framework for an Australian fuel

classification to support bushfire management. Australian forestry DOI:

10.1080/00049158.2014.999186.

Keane R.E. (2013) Describing wildland surface fuel loading for fire management: a review of

approaches, method and systems. International Journal of Wildland Fire 22 :51-62. Doi:

http://dx.doi.org/10.1071/WF11139

Keane R.E., Gray K. (2013). Comparing three sampling techniques for estimating fine woody

down dead biomass. International Journal of Wildland Fire 22 (8):1093-1107.

doi:http://dx.doi.org/10.1071/WF13038

Keane R.E., Gray K., Bacciu V. (2012) Spatial variability of wildland fuel characteristics in

northern Rocky Mountain ecosystems. USDA Forest Service Rocky Mountain Research

Station, Research Paper RMRS-RP-98 Fort Collins, Colorado USA. 58 pp

Keane R.E., Burgan R.E., van Wagtendonk J. (2001) Mapping wildland fuel for fire management

across multiple scales: Integrating remote sensing, GIS, and biophysical modeling.

International Journal of Wildland Fire 10, 301–319.

http://www.fs.fed.us/psw/publications/documents/psw_gtr007/psw_gtr007.pdf

48

Keane R.E. and Dickinson L.J. (2007) The photoload sampling technique: estimating surface fuel

loadings from downward-looking photographs of synthetic fuelbeds. General Technical

Report RMRS-GTR-190. Fort Collins, CO: U.S. Department of Agriculture, Forest Service,

Rocky Mountain Research Station. 44 p.

Lutes D.C., Keane R.E., Caratti J.F. (2009) A surface fuels classification for estimating fire effects.

International Journal of Wildland Fire 18, 802–814. doi:10.1071/WF08062

McArthur A.G. (1966). Weather and grassland fire behaviour . Australian Forestry and Timber

Bureau Leaflet, no. 100 Canberra (ACT).

McArthur A.G. (1967) Fire behaviour in eucalypt forests. Australian Forestry and Timber Bureau

Leaflet, no. 107.

McKenzie D., Raymond C.L., Kellogg L.K.B., Norheim R.A., Andreu A., Bayard A.C., Kopper K.E.,

Elman E. (2007) Mapping fuels at multiple scales: landscape application of the Fuel

Characteristic Classification System. Canadian Journal of Forest Research 37, 2421–

2437. doi:10.1139/X07-056

Ottmar R.D., Sandberg D.V., Riccardi C.L., Prichard S.J. (2007) An overview of the Fuel

Characteristic Classification System-Quantifying. classifying, and creating fuelbeds for

resource planners. Canadian Journal of Forestry Research, 37 (12): 2383-2393

Prichard S.J.; Sandberg D.V.; Ottmar R.D., Eagle P.C., Andreu A.G, Swedin K. (2011) FCCS

user‘s guide, version 2.2. http://www.fs.fed.us/fera/fccs/publications/.

Pyne S.J., Andrews P.L., Laven A.R. (1996) Introduction to Wildfire – 2nd Edition. John Wiley

and Sons Edition. New York. 769 pp..

Reinhardt E.D. (2003) Using FOFEM 5.0 to estimate tree mortality, fuel consumption, smoke

production and soil heating from wildland fire. In ‗Proceedings of the 2nd International

Wildland Fire Ecology and Fire Management Congress and 5th Symposium on Fire and

Forest Meteorology‘, 16–20 November 2003, Orlando, FL. (American Meteorological

Society: Washington, DC) Available at

http://ams.confex.com/ams/pdfpapers/65232.pdf [Verified 4 May 2009]

Reinhardt E.D., Keane R.E. (1998) FOFEM–aFirst Order Fire Effects Model.Fire Management

Notes 58, 25–28.http://www.publish.csiro.au/journals/ijwf

Reinhardt E.D., Keane R.E., Brown J.K. (1997) First Order Fire Effects Model: FOFEM 4.0 user‘s

guide. USDA Forest Service, Intermountain Forest and Range Experiment Station,

GeneralTechnical Report INT-GTR-344.(Ogden, UT)

Riccardi C.L., Ottmar R.D., Sandberg D.V., Andreu A., Elman E., Kopper K., Long J. (2007b) The

fuelbed: a key element of the Fuel Characteristic Classification System. Canadian

Journal of Forest Research 37, 2394–2412. doi:10.1139/X07-143

Riccardi C.L., Prichard S.J., Sandberg D.V., Ottmar R.D. (2007a) Quantifying physical

characteristics of wildland fuels using the Fuel Characteristic Classification System.

Canadian Journal of Forest Research 37, 2413–2420. doi:10.1139/X07-175

Rothermel R.C. (1972) A mathematical model for predicting fire spread in wildland fuels. Res.

Pap. INT-115. Ogden, UT: U.S. Department of Agriculture, Forest Service, Intermountain

Forest and Range Experiment Station. 40 pp.

49

Sandberg D.V., Riccardi C.L., Schaaf M.D. (2007) Fire potential rating for wildland fuelbeds

using the Fuel Characteristic Classification System. Canadian Journal of Forest Research,

37(12): 2456-2463, 10.1139/X07-093.

Sandberg D.V., Ottmar R.D., Cushon G.H. (2001) Characterizing fuels in the 21st Century.

International Journal of Wildland Fire 10, 381–387.

Scott J.H., Burgan R.E. (2005) Standard Fire Behaviour Fuel Models: a Comprehensive Set for

Use with Rothermel's Surface Fire Spread Model. General Tech. Report RMRSGTR-153.

Fort Collins, CO: USDA, Forest Service, Rocky Mountain ResearchStation. 72 p..

Sikkink P., Keane R.E., Lutes D.C. (2009) Field guide for identifying fuel loading models. USDA

Forest Service, Rocky Mountain Research Station, General Technical Report RMRS-GTR-

225. (Fort Collins, CO)

Van Wagner et al (1992) A detailed description of the FBP System can be found in Forestry

Canada Information Repor t ST-X-3, Development and Structure of the Canadian Forest

Fire Behaviour Prediction System (Forestry Canada Fire Danger Group 1992)

50

3. LA MODELLISTICA DEL COMPORTAMENTO DEGLI

INCENDI

LES MODÈLES DE PROPAGATION D’INCENDIE

Bachisio Arca1, Michele Salis2,3, Paul Santoni4, Jean Louis Rossi4, Donatella

Spano2,3

1 Consiglio Nazionale delle Ricerche, Istituto di Biometeorologia (CNR-IBIMET), Sassari,

Italia


Sassari, Italia


Foreste e Servizi Ecosistemici (CMCC-IAFES), Sassari, Italia

4Università di Corsica, SPE-CNRS UMR 6134, Corte, Francia

Riassunto

In questo capitolo si fornisce una rassegna dei più importanti modelli di simulazione e

tecniche di propagazione sviluppate negli ultimi 20 anni e applicate nella maggior

parte dei simulatori di propagazione per stimare la velocità di propagazione e il

comportamento dell‘incendio. I modelli di propagazione sono classificati considerando

l‘approccio modellistico (fisico, semifisico, empirico) e il sistema fisico considerato

(modelli per incendi di superficie, modelli per incendi di chioma, modelli per salti di

fuoco). Relativamente alla tecnica di propagazione due principali approcci sono

descritti: i modelli ad automi cellulari e la tecnica di preparazione per onde ellittiche.

Infine si descrivono tre simulatori della preparazione applicati a scala europea e

internazionale: FARSITE, FLAMMAP, FOREFIRE. Viene inoltre fornita una discussione delle

prestazioni e delle capacità operative dei differenti approcci modellisti. Semplificazioni

e assunzioni considerate nello sviluppo dei modelli influenzano la loro applicabilità e la

richiesta di attività di calibrazione locale e validazione. Vegnono pertanto citati

differenti studi sull‘applicazione dei modelli di propagazione basati sull‘approccio

semifisico, condotti in Europa e in particolare nel bacino del Mediterraneo. Questi studi

hanno evidenziato le capacità dei modelli di simulazione di prevedere il comportamento

degli incendi e di stimare la probabilità e la severità di incendio. Relativamente ai

modelli fisici la rassegna ha evidenziato che la loro applicabilità è limitata a piccoli

domini computazionali e solo versioni semplificate di tali modelli possono essere

applicate a scale locali più ampie.

51

Résumé

Ce chapitre présente une revue des principaux modèles de simulation d‘incendie de

végétation et des techniques de propagation d‘incendie développés au cours des vingt

dernières années qui sont utilisés dans la plupart des simulateurs d‘incendie de

végétation afin d‘estimer vitesse de propagation et comportement de l‘incendie. Les

modèles d‘incendie de végétation sont classés en fonction de l‘approche de modélisation

(physique, semi-physique, et empirique) et du système considéré dans l‘approche

proposé (modèles de feux de surface, modèles de feux de cimes, modèles de saute de

feux). Concernant les techniques de propagation d‘incendie, deux approches principales

sont décrites: la modélisation par automate cellulaire et la modélisation par ondelettes.

Finalement, nous décrivons trois simulateurs d‘incendie de végétation utilisés aux plans

international et européen: FARSITE, FLAMMAP et FOREFIRE. Une discussion sur les

performances des simulations et les capacités opérationnelles des différentes approches

de modélisation a également été menée. Les simplifications et les hypothèses faites dans

ces modèles affectent leur applicabilité et les nécessaires calibrations et validations.

Plusieurs études sur l‘application des modèles d‘incendie de végétation basées sur les

approches semi-physique en Europe et plus particulièrement dans le bassin

Méditerranée sont décrites. Ces études ont vise à mettre en évidence les capacités de

prévision du comportement des incendies de végétation, la probabilité d‘incendie et sa

sévérité. Concernant les modèles physiques la revue a mis en évidence l‘application

limitée à des petits domaines de calculs et le fait que seules des versions simplifiées des

modèles physiques sont applicable à l‘échelle d‘une vallée.

3.1. Introduzione

Nelle ultime decadi sono stati sviluppati diversi modelli di propagazione e sistemi di

calcolo della velocità di propagazione e del comportamento degli incendi boschivi

(Sullivan 2009a; Sullivan 2009b; Sullivan 2009c). Diversi lavori hanno mostrato che la

stima accurata dei parametri che caratterizzano l‘incendio, come ad esempio l‘intensità

del fuoco e la velocità di propagazione, è importante poiché essa determina le

modalità di propagazione e consente la valutazione dei limiti al di là dei quali

l‘incendio supera le capacità di soppressione di operatori e mezzi impegnati nelle

operazioni di spegnimento. Inoltre il comportamento degli incendi è descritto da

complesse interazioni tra i fattori ambientali (ad esempio le caratteristiche e il tipo di

vegetazione, le condizioni meteorologiche, la topografia) e i fattori umani; tali fattori

possono essere presi in considerazione dai modelli di simulazione.

L‘uso dei modelli di propagazione può essere essenziale per diverse applicazioni:

prevenzione degli incendi e attività di mitigazione, gestione territoriale, istruzione delle

forze preposte allo spegnimento, pianificazione strategica del territorio. Effettivamente,

tali strumenti possono consentire la valutazione delle migliori opportunità per

52

contrastare gli incendi ricorrenti o per identificare le aree a maggiore rischio, così come

possono contribuire all‘individuazione delle migliori opzioni di trattamento per la

mitigazione degli effetti.

Questo capitolo descrive le più importanti tendenze della modellizzazione del

comportamento degli incendi analizzando le modalità con cui i modelli possono essere

inseriti all‘interno di sistemi di supporto per la pianificazione territoriale nelle condizioni

tipiche del bacino del Mediterraneo.

3.2. Modelli di propagazione

La modellizzazione degli incendi boschivi può essere effettuata con diversi approcci

modellistici, descritti in dettaglio da Pastor et al. (2003), Sullivan (2009a, 2009b) e

Perry (1998). La classificazione di Perry evidenzia tre approcci modellisti in funzione

delle equazioni di base che caratterizzano il modello. I modelli più semplici sono quelli

empirici che non considerano i meccanismi fisici (McArthur 1966). I modelli semi fisici

(Rothermel 1972) sono basati sull‘uso della conservazione dell‘energia ma non

considerano il trasferimento di calore. Infine i modelli fisici, che considerano tutti i tipi di

trasferimento del calore allo scopo di prevedere il comportamento dell‘incendio (Albini

1986; Balbi et al. 2007; Balbi et al. 2010a). Tra i modelli fisici i modelli multifase, che

prendono in considerazione in maniera dettagliata il fenomeno fisico coinvolto nella

propagazione, rappresentano attualmente l‘approccio più completo (Grishin 1997;

Larini et al. 1998; Mellet al. 2007; Morvanet al. 2009).

3.2.1. Modelli fisici

I modelli fisici sono quelli basati sull‘analisi matematica dei processi fisici e chimici

fondamentali che controllano la propagazione dell‘incendio. Le espressioni per la

velocità di propagazione dell‘intensità del fronte di fiamma vengono generate dalle

leggi che governano la meccanica dei fluidi, la combustione e il trasferimento di calore

utilizzando le caratteristiche fisiche del combustibile, del territorio e infine quelle

meteorologiche. A partire dal lavoro di Fons (1946) sono stati presentati diversi modelli

fisici per la simulazione della propagazione su letti di combustibile omogenei. Ad

esempio quelli di De Mestre et al. (1989), Santoni et al. (1998), Sero-Guillaume &

Margerit (2002), Sero-Guillaume et al. (2008), Balbi et al. (2010b). In questi approcci

l‘interazione incendio atmosfera non è modellizzata e il letto di combustibile è descritto

attraverso il grado di compattazione, il suo contenuto di umidità e il rapporto superficie

volume dei suoi costituenti. Tuttavia molti di questi modelli sono stati costruiti

considerando stazionarie le condizioni del fronte di propagazione. Inoltre vengono

considerate fisse importanti caratteristiche della fiamma e il flusso di calore sviluppato

dall‘incendio. Questi modelli prevedono la velocità di propagazione attraverso il

53

calcolo della radiazione emessa dalle fiamme e questo può dare validi risultati quando

l‘incendio è influenzato soprattutto dal trasferimento di calore radiante (Weber 1991).

Modelli differenti rispetto a questo primo approccio includono: propagazione non

stazionaria (Weber 1989), gradiente di temperatura all‘interno delle particelle

(Thomas 1967), termini per il calore sviluppato per convezione (Albini 1986).

Più recentemente diversi approcci che usano metodi computazionali alla fisica dei fluidi

sono stati sviluppati per includere la degradazione della vegetazione o il flusso

turbolento derivante dal miscela mento tra i gas presenti nell‘ambiente e il gas di

pirolisi (Morvan & Dupuy 2001, 2004). In un lavoro precedente Mell et al. (2007)

descrivono e valutano un modello fisico tridimensionale di accoppiamento tra incendio e

atmosfera. Questo modello, chiamato WFDS, è contiene un‘estensione di combustibili

vegetali del Fire Dynamics Simulator (FDS) (McGrattan 2013) sviluppato al Building and

Fire Research laboratory del National Institute of Standards and Technology (NIST,

USA). Il modello è stato valutato attraverso incendi sperimentali condotti su combustibili

di superficie sul terreno pianeggiante dal Commonwealth Scientific and Industrial

Research Organisation (CSIRO) in Australia (incendi su prateria e pascolo erbaceo). Linn

et al. (2002) hanno sviluppato un modello fisico chiamato FIRETEC. Questo modello è

stato sviluppato per lavorare sia in piano sia su orografie complesse. Le equazioni che

governano il modello sono basate sulla tecnica dell‘ensemble averaging (simile alla

Reynolds averaging) utilizzata per considerare la conservazione della massa, del

momento, dell‘energia e delle componenti chimiche. Pertanto questo modello richiede un

certo numero di assunzioni per la modellizzazione della turbolenza.

Il maggior vantaggio dei modelli fisici è legato al fatto che essi sono basati su relazioni

ben note e questa proprietà facilita il cambio di scala. Tuttavia tutti gli approcci

descritti contengono ancora un certo grado di componenti fisiche. Questi termini empirici

sono necessari per completare i modelli. Il maggior svantaggio dei modelli fisici è che è

difficile ottenere dalle sperimentazioni altezze di fiamma e temperature utili per la

modellizzazione (Rossi et al. 2006; Santoni et al. 2006; Morandini et al. 2006; Pastor

et al. 2006; Consalvi et al. 2002); inoltre l‘importanza della radiazione della

convezione variano da incendi a incendio. Per queste ragioni l‘uso operativo dei modelli

fisici è attualmente limitato.

3.2.2. Modelli semi-fisici

Diversi lavori (Fradsen 1971; Pastor et al. 2003; Sullivan 2009b) hanno evidenziato

vari modelli basati su questo approccio. Tra questi il modello di Rothermel (1972) è il

più importante. A causa della complessità del meccanismo e dei fattori di influenza

della propagazione in molti lavori è stato adottato un approccio combinato tra tecniche

fisiche ed empiriche (Burrows 1999; Catchpole & de Mestre 1986; Marsden-Smedley &

Catchpole 1995; Simeoni et al. 2001, 2003). Questi modelli fissano a priori il flusso di

54

calore e il calore di ignizione richiesto senza considerare strettamente le modalità di

trasferimento del calore o i meccanismi di assorbimento dello stesso (Beer 1991).

Pertanto questi modelli sono efficaci soprattutto delle condizioni sperimentali usate per

lo sviluppo e i test.

Un importante approccio per completare i modelli di propagazione è stato dato da

Byram (1959). Byram propose una relazione per calcolare l‘intensità del fiamma.

L‘equazione di Byram è spesso usata assieme al modello di Rothermel. In molti studi

l‘intensità delle fiamme e il flusso di calore è stato correlato con le caratteristiche della

fiamma come ad esempio la sua lunghezza (Nelson & Adkins 1986; Chetehouna et al.

2005; Zàrate et al. 2008; Chetehouna et al. 2008).

Tuttavia Cheney (1990) afferma che l‘intensità delle fiamme è un concetto dipendente

soprattutto dal sistema e nota che incendi di uguale intensità in differenti letti di

combustibile hanno caratteristiche di fiamma molto differenti. Un importante conclusione

che le caratteristiche di fiamma associate con una specifica intensità sono applicabili

solo a tipi di combustibile caratterizzati da una struttura con caratteristiche simili. L‘uso

dei modelli segni fisici non da pertanto risultati adeguati e immediati su differenti tipi di

vegetazione. Effettivamente è necessario un lavoro di calibrazione impegnativo prima

dell‘incorpora mento di questi modelli degli strumenti di analisi e previsione degli

incendi boschivi.

3.2.3. Modelli empirici

I modelli empirici sono fondamentalmente descrittori statistici del comportamento degli

incendi (Noble et al. 1980; Cheney & Gould 1995, 1997; Cheney et al. 1998) ricavati

sperimentalmente da incendi boschivi (Mc Arthur 1966). La carenza di basi fisiche indica

che l‘applicazione di questi modelli in regioni con vegetazione differente da quella

delle condizioni di sviluppo e test deve essere fatta con cautela (Marsden-Smedley

1993). L‘approccio empirico nella modellizzazione della propagazione è stato adottato

largamente in Australia (Stocks et al. 1989) e in Canada (Forestry Canada Fire Danger

Group 1992), dove ha fornito strumenti essenziali per la gestione delle foreste. Per

esempio, in Australia sono stati sviluppati modelli empirici utilizzando un database di

oltre 5000 incendi incontrollati e 500 incendi prescritti. Occorre considerare che questi

modelli sono stati successivamente utilizzati in ecosistemi specifici per i quali essi sono

stati messi a punto, ma non possono facilmente essere estrapolati oltre le condizioni

nelle quali essi stessi sono stati formulati.

3.2.4. Altre classificazioni

Esistono classificazioni addizionali dei modelli di propagazione (Albright & Meisner,

1999; Pastor et al. 2003, Johnston et al. 2005), in funzione delle variabili o dei sistemi

55

fisici studiati. Una delle più importanti è basata sul sistema fisicoal qualeviene applicata

la modellizzazione. Possiamo quindi distinguere modelli per incendi di superficie,

modelli per incendi di chioma e modelli per la previsione dei santi di fuoco.

I modelli per incendi di superficie simulano la propagazione delle fiamme attraverso

modelli di combustibile a contatto della superficie del suolo. Comunemente il sistema

fisico è costruito da combustibili con un‘altezza inferiore ai 2 m (pascoli, arbusti, piccoli

alberi, ecc.). Il modello di comportamento dell‘incendio più utilizzato è il modello semi-

empirico di Rothermel (Rothermel 1972).

Allo scopo di determinare le caratteristiche dell‘incendio (velocità di propagazione,

intensità del fronte di fiamma, altezza della fiamma, rapporto tra lunghezza e

larghezza dell‘incendio) sono richiesti i seguenti dati sul combustibile vegetale:

dimensioni delle particelle, carico di combustibile, profondità del letto di combustibile,

contenuto di umidità. L‘inserimento di queste variabili può essere semplificato attraverso

la definizione di tipi di combustibile standard. I modelli empirici sono largamente

utilizzati in Australia, dove costituiscono il McArthur Grassland MkV firemeter e il CSIRO

Grassland fire meter (Cheney et al. 1998). Questi sistemi forniscono informazioni

sull‘indice di pericolosità, l‘umidità del combustibile, la profondità del salto di fuoco e la

velocità di propagazione. Utilizzano come grandezze di input la temperatura dell‘aria,

l‘umidità relativa dell‘aria, l‘intensità del vento, il peso del combustibile e un fattore di

aridità. Un altro modello di propagazione largamente usato è il Canadian Fire

Behaviour Prediction (FBP) System (Forestry Canada FirebDanger Group 1992), che

calcola la velocità di propagazione dall‘intensità dell‘incendio.

Diversi modelli fisici si differenziano da questo tipo di approccio e considerano ad

esempio il combustibile non completamente uniforme (Huang & Xie 1984) o la

propagazione non stazionaria del fronte di fiamma (Weber 1989). Sebbene solo alcuni

dei modelli semi empirici ed empirici siano applicati con risultati soddisfacenti, questi

rappresentano degli strumenti indispensabili per la gestione forestale.

Gli incendi di chioma si propagano prevalentemente attraverso le chiome e

rappresentano una tipologia di incendio molto pericolosa e difficile da combattere. Gli

incendi di chioma possono essere classificati (Pastor et al. 2003) in diverse tipologie a

seconda che vengono studiati la transizione tra fuoco di superficie e fuoco di chioma o

le variabili di influenza sul fenomeno. Van Wagner (1993) in Canada, Rothermel

(1991) negli stati Uniti, e più recentemente Dickinson et al. (2007) negli Stati Uniti si

sono occupati della determinazione dell‘intensità del fronte di fiamma e della velocità

di propagazione per incendi di chioma passivi, attivi e incendi con transizione

indipendente. Il modello di Van Wagner è stato adottato da diversi autori e costituisce

un punto di partenza per molti dei modelli di propagazione per fuoco di chioma.

Rothermel ha utilizzato una correlazione statistica per stimare la velocità di

propagazione del fuoco di chioma, che è risultato 3.34 volte più veloce di quanto

56

previsto dal modello di superficie utilizzando il modello di combustibile numero 10

(Rothermel 1972). A causa della loro struttura empirica e difficile estrapolare questi

modelli ed essi dovrebbero essere utilizzati con incendi simili a quelli studiati

(rimboschimenti a conifere), con condizioni ambientali specifiche, ad esempio intensità

del vento superiori a 8 m s-1 e pendenze più basse del 25%. Ciononostante questi tipi di

modelli sono stati ben integrati all‘interno di strumenti utilizzatia fini operativi

unitamente ai modelli di propagazione di fuoco di superficie.

Recentemente sono stati pubblicati studi teorici che considerano la radiazione come il

meccanismo dominante di trasferimento del calore. Il più importante di questi è il

modello di Grishin (1997) e quello di Albini (1996), per la loro rigorosa formulazione

teorica. A causa della loro complessità non è attualmente possibile rendere questi

modelli operativi.

I salti di fuoco sono prodotti in testa al fronte di avanzamento principale attraverso

tizzoni e frammenti di combustibile di dimensione variabile che possono indurre nuovi

incendi i quali devono essere modellizzati separatamente rispetto al fronte principale.

Ci sono diversi modelli che considerano i salti di fuoco (Pastor et al. 2003); in molti casi

questi sono modelli fisici (Albini 1979; Albini 1981; Albini 1983) e in qualche caso essi

sono stati integrati all‘interno dei sistemi di calcolo dei servizi forestali (Rothermel 1983;

Alexander et al. 2004). Il fenomeno dello spotting è generalmente associato con incendi

molto vasti che è molto difficile prevederlo. Quindi questo riduce l‘efficacia della

prevenzione degli incendi boschivi. Tuttavia predire la loro occorrenza e stabilire dove

con maggiore probabilità possono avvenire può aiutare a minimizzare i loro effetti.

3.3. Tecniche di propagazione

Differenti tecniche di propagazione sono state sviluppate allo scopo di ottenere una

stima spazialmente esplicita della velocità di propagazione e del comportamento

dell‘incendio. I metodi possono essere divisi in due principali categorie: la tecnica di

propagazione delle onde ellittiche e una tecnica basata sull‘uso degli automi cellulari.

3.3.1. Automi cellulari

Gli automi cellulari sono strumenti software che permettono la formulazione matematica

del complesso comportamento dei sistemi reali. Essi rappresentano uno dei paradigmi

più utilizzati nella scienza dei sistemi complessi (Berjak & Hearne 2002). La descrizione

di complessi sistemi reali deriva da una descrizione semplificata del comportamento

locale ottenuta mediante i componenti cellulari. Gli automi cellulari sono stati utilizzati

con successo nella modellizzazione di vari processi e sistemi fisici (Karafyllidis &

Thanailakis 1997; Ohgai et al. 2007; Gao et al. 2008). Le ragioni di questo successo

57

sono da ricercare nel loro intrinseco comportamento parallelo, nella loro struttura locale

e regolare e, infine, nella loro modularità (Cohen et al. 2002; Zeigler 1987).

Sebbene un gran numero di modelli e simulatori basati sugli automi cellulari siano stati

organizzati, la simulazione della propagazione degli incendi ha richiesto un‘evoluzione

della struttura computazionale fondamentale degli automi cellulari. Diversi lavori hanno

proposto modifiche della struttura di base degli automi. Allo scopo di descrivere

l‘espansione del fronte di propagazione cellule contigue possono essere classificate in

gruppi, in base al fatto che le cellule siano attive o inattive, in funzione di un set di

regole che definiscono il meccanismo di propagazione da una cella alle celle adiacenti

(Fig. 3-1).

Time 1 Time 2 Time 3

Firelet source

Burning at Time 1

Burning at Time 2

Burning at Time 3

Firelet movement

FIG. 3-1 ESEMPIO DI SIMULAZIONE DELLA PROPAGAZIONE DEL FUOCO ATTRAVERSO LA TECNICA

DEGLI AUTOMI CELLULARI. EXAMPLE OF FIRE BEHAVIOUR SIMULATION THROUGH CELLULAR AUTOMATA. MODIFICATO DA – MODIFIED BY: CLARKE ET AL. (1994)

Il calcolo del minimo tempo di arrivo è uno dei parametri utilizzati per calcolare la

direzione di propagazione (Finney 2002) (Fig. 3-2). L‘esecuzione di un gran numero di

simulazioni mediante questi automi cellulari richiede l‘uso di tecniche computazionali

specificamente sviluppate (Innocenti et al. 2009), in particolare la parallelizzazione dei

processi, già utilizzate ad esempio nella modellistica atmosferica e nei processi di data

assimilation. Inoltre è importante sottolineare che la relazione tra automi cellulari e

calcolo parallelo non è solo tecnologica, ma anche concettuale (Karafyllidis et al. 2004).

Infatti, gli automi cellulari sono intrinsecamente paralleli e possono pertanto essere più

profiquamente usati nei computer paralleli. Alla fine degli anni ‗80 questi strumenti

58

modellistici hanno avuto un rinnovato successo proprio in coincidenza con l‘introduzione

di nuove tecniche computazione e lo sviluppo del calcolo parallelo.

b

a

c

dY

dX

Ignition point

α

β

γ

FIG. 3-2 DIMENSIONI DELLA POPAGAZIONE ELLITTICA DEL FUOCO (a, b, c) E ANGOLI (α, β, γ) PER

IL CALCOLO DEL TEMPO DI ARRIVO DAL PUNTO DI INNESCO VERSO UNA DISTANZA DEFINITA DA dX

E dY. ELLIPTICAL FIRE SPREAD RATE DIMENSIONS (a, b, c) AND ANGLES (α, β, γ) FOR COMPUTING FIRE

TRAVEL TIMES FROM THE IGNITION POINT OVER AN ARBITRARY DISTANCE DEFINED BY dX AND dY. MODIFICATO DA – MODIFIED FROM: FINNEY (2002)

3.3.2. Propagazione ad onde

Generalmente i modelli cellulari hanno una minor efficacia nella riproduzione della

forma attesa e del pattern di crescita quando le condizioni ambientali diventano molto

eterogenee (French 1992). Per esempio questi algoritmi di espansione hanno difficoltà

a riprodurre in maniera appropriata gli effetti di variazioni temporali delle grandezze

meteorologiche come ad esempio l‘intensità e la direzione del vento. Questi problemi

possono essere evitati utilizzando un approccio basato sulla formalizzazione di onde di

propagazione. In tale approccio, proposto per la propagazione di onde luminose, ogni

onda luminosa diventa un punto di origine per le successive onde luminose (Sullivan

2009c).

Il principio di Huygens è stato formalizzato da Anderson et al. (1982) per la

simulazione della propagazione e, successivamente, applicato per la modellizzazione

della crescita dell‘incendio in varie forme; in questo caso la propagazione del fronte

dell‘incendio viene espressa per ogni istante temporale da un poligono in continua

espansione. Questo metodo può essere considerato pertanto l‘inverso degli automi

cellulari (Fig. 3-3). Il numero dei vertici cresce al crescere dell‘incendio nel tempo e ogni

59

punto del perimetro dell‘incendio è considerato dal punto di vista teorico una sorgente

di nuovi incendi; il metodo assume che i nuovi incendi siano innescati lungo il perimetro

simultaneamente. Questa crescita è determinata attraverso il calcolo del tasso di

propagazione e della direzione di propagazione da ogni vertice, moltiplicati per la

durata di ogni time step (Balbi et al. 2007).

Van Wagner (1969) ha trovato che il più comune modello della forma del fronte

d‘incendio in condizioni uniformi sia l‘ellisse. Ciononostante, molte alternative e più

complesse forme di ellisse sono state proposte (Dorrer 1993; Wallace 1993). I criteri

propagazione sono stati stabiliti attraverso un modello matematico, e la geometria del

modello ellitico è stata determinata attraverso il tasso di propagazione. Diverse

applicazioni al computer hanno dimostrato l‘efficacia del principio di Huygen per la

modellizzazione della crescita del fuoco di superficie (Coleman & Sullivan 1996;

Richard & Brice 1995).

FIG. 3-3 AVANZAMENTO DEL FRONTE FUOCO LUNGO IL BORDO ESTERNO DELLE ELLISSI SECONDO IL

PRINCIPIO DI HUYGENS. (A) PROPAGAZIONE DELLE ONDE ELLITTICHE IN CONDIZIONI UNIFORMI E

COSTANTI A LIVELLO OROGRAFICO, METEOROLOGICO E DI COMBUSTIBILE. (B) LE CONDIZIONI NON

UNIFORMI MOSTRANO CHE LA GRANDEZZA DELLE ONDE DIPENDE DALLA TIPOLOGIA DI

COMBUSTIBILE, MENTRE LA LORO FORMA E LA LORO DIREZIONE È CORRELATA AI VETTORI VENTO E

PENDENZA. ILLUSTRATION OF HUYGENS’ PRINCIPLE USING ELLIPTICAL WAVELETS. (A) UNIFORM

CONDITIONS USE WAVELETS OF CONSTANT SHAPE AND SIZE TO MAINTAIN THE ELLIPTICAL FIRE SHAPE OVER

TIME. (B) NONUNIFORM CONDITIONS SHOWING THE DEPENDENCY OF WAVELET SIZE ON THE LOCAL FUEL

TYPE BUT WAVELET SHAPE AND ORIENTATION ON THE LOCAL WIND-SLOPE VECTOR. TRATTO DA –

PICTURE FROM: FINNEY (2004)

3.4. Alcune implementazioni

In questa sezione si descrivono tre simulatori di propagazione (FARSITE, FLAMMAP e

FOREFIRE), che consideriamo sufficientemente maturi per essere utilizzati per fini di

prevenzione e lotta agli incendi attraverso l‘integrazione all‘interno di sistemi di

60

supporto alle decisioni nelle condizioni tipiche del bacino del Mediterraneo. In anni

recenti, i progressi della velocità di calcolo, della capacità di storage e grafiche dei

calcolatori, hanno consentito lo sviluppo di diversi sistemi di previsione integrati. Tali

sistemi differiscono in alcuni aspetti riguardanti principalmente il modello fisico

implementato, la tecnica di simulazione e lo scopo applicativo.

FARSITE è un simulatore di propagazione bidimensionale (Finney 1998) sviluppato dal

Forest Service degli Stati Uniti (Missoula, Montana). FARSITE incorpora i modelli per la

propagazione del fuoco di superficie e del fuoco di chioma, la tecnica

dell‘accelerazione del fuoco, il modello per lo spotting, e il modello per la stima delle

variazioni dell‘umidità del combustibile. Questo simulatore, basato sul modello di

Rothermel (Rothermel 1972), viene utilizzato per simulare la propagazione dell‘incendio

lungo il territorio utilizzando informazioni spaziali sul combustibile, sulla topografia e

sulle condizioni meteorologiche (Dasgupta et al. 2007; Ryuet al. 2007). Di seguito si

descrivono le maggiori assunzioni di quest‘approccio modellistico (Andre & Viegas,

1994): la forma degli incendi è considerata ellittica in condizioni uniformi; la velocità di

propagazione e l‘intensità del‘incendio in un dato vertice sono assunte indipendenti

dall‘interazione tra l‘incendio e i fattori ambientali. FARSITE è basato sull‘approccio

vettoriale che propaga il fronte dell‘incendio in maniera similare a un‘onda (Anderson et

al. 1982; Richards 1990, 1995; Richards & Bryce 1995). Si assume che gli incendi

raggiungano istantaneamente la forma ellittica attesa quando le condizioni ambientali

cambiano; questo comportamento è determinato solamente dal vettore risultante

dall‘interazione vento pendenza. La propagazione di un fronte d‘incendio continuo può

essere approssimata usando un numero finito di punti. FARSITE può essere facilmente

adottato con vegetazione di tipo mediterraneo sebbene questo simulatore non sia stato

completamente validato in queste condizioni (Arca et al. 2007; Arca et al. 2009).

Inoltre questo simulatore non è del tutto idoneo alla simulazione di incendi molto grandi

in particolare a causa della bassa precisione del modulo per il fuoco di chioma sebbene

sia uno dei maggiori strumenti utilizzati nell‘analisi del rischio di incendio (Carmel et al.

2009).

FLAMMAP (Finney 2006; Fig. 3-4) è un programma per l‘analisi e la mappatura del

comportamento degli incendi che calcola il comportamento potenziale il perimetro degli

incendi e la probabilità di propagazione utilizzando l‘algoritmo Minimum Travel Time

(MTT, Finney 2002). L‘algoritmo MTT è stato inoltre implementato nel software Randig,

una versione a stringa di comando di FLAMMAP (Finney et al. 2006). In FLAMMAP la

propagazione dell‘incendio viene prevista attraverso l‘equazione di Rothermel (1972)

mentre il fuoco di chioma viene stimato secondo il metodo di Van Wagner (1977) come

implementato da Scott & Reinhardt (2001). Randig e FLAMMAP assumono come costanti

la velocità del vento, la direzione e l‘umidità del combustibile; pertanto sono

maggiormente idonei per la simulazione di incendi di breve durata e a singola ignizione

(Ager et al. 2011). L‘algoritmo MTT è stato estensivamente applicato per le

61

problematiche di gestione degli incendi negli Stati Uniti (Andrews 1986; Andrews &

Bradshaw 1990).

Recentemente, diverse applicazioni in Europa sono state sviluppate per determinare la

probabilità e la severità di incendio. Salis et al. (2013) hanno applicato la versione a

riga di comando di FLAMMAP allo scopo di determinare la variazione spaziale

dell‘esposizione agli incendi boschivi del territorio della Sardegna con particolare

attenzione per le aree caratterizzate dal maggiore valore in termini socioeconomici ed

ecologici. Un approccio simile è stato utilizzato per analizzare gli effetti sia del pattern

stagionale degli incendi sia delle variazioni recenti del regime degli incendi, allo scopo

di calcolare le variazioni spaziali e temporali dell‘esposizione degli incendi e della loro

severità (Salis et al. 2014; Salis et al. 2015). Simulazioni della propagazione

attraverso FLAMMAP sono state realizzate da Alcasena et al. (2015) per determinare

la distribuzione spaziale della probabilità di incendio e dell‘intensità delle fiamme e

per determinare l‘esposizione agli incendi di zone di rilevante interesse socioeconomico

o ecologico. Ulteriori applicazioni sono state realizzate in ambiente mediterraneo da

Kalabokidis et al. (2013), che hanno determinato la pericolosità di incendio il rischio in

due diverse aree della Grecia.

FIG. 3-4 SCHERMATA DEL PROGRAMMA FLAMMAP. MAIN MENU OF FLAMMAP

FOREFIRE è un‘estensione del modello fisico di Balbi et al. (2007) che stima la

propagazione dell‘incendio di superficie a scala di laboratorio su materiali di lettiera

(Fig. 3-5). Il modello è stato modificato per lavorare a scala territoriale, considerando la

struttura della vegetazione reale (Santoni et al. 2011). Due casi di studio di incendi

boschivi sono stati considerati ed utilizzati per la fase di test del simulatore. La

calibrazione locale del simulatore ha richiesto lo sviluppo di appropriati modelli di

combustibile per vegetazione a macchia. Il modello fisico della propagazione e

bidimensionale poiché fornisce il valore dell‘altezza di fiamma e della velocità di

62

propagazione. FOREFIRE è stato sviluppato per convertire il modello di propagazione

su due dimensioni in maniera tale da calcolare l‘intero perimetro lungo il territorio.

Questo comportamento implica due processi: bisogna rappresentare innanzitutto il

perimetro in maniera idonea per la simulazione e secondariamente propagare

l‘incendio in un modo idoneo per la rappresentazione del perimetro stesso. Entrambi i

processi possono essere realizzati attraverso FOREFIRE (Filippi et al. 2010).

Il codice di simulazione di FOREFIRE è basato sulla formalizzazione del fronte

dell‘incendio basata sul metodo Discrete Event Simulation (DEVS) (Ziegler 1987). Il

fronte dell‘incendio è decomposto da un set di punti connessi tra di loro, chiamati anche

markers, analogamente a quanto avviene in FARSITE. Ogni marker è un modello

atomico DEVS (Ziegler 1987) con una specifica direzione di propagazione e velocità. Il

vettore della direzione di propagazione è dato dalla bisettrice dell‘angolo formato dal

marker e dai suoi punti vicini di sinistra e destra. I markers vengono ridistribuiti lungo il

fronte se separati da almeno una distanza pari alla risoluzione Δr e rimossi se separati

da meno di Δr/4. Un fronte è definito come un set completo di markers interconnessi. Se

due punti di differenti fronti di incendio sono separati da meno di Δr/4 i due fronti

vengono uniti.

FIG. 3-5 SCHERMATA DEL PROGRAMMA FOREFIRE. MAIN MENU OF FOREFIRE

(HTTP://FOREFIRE.UNIV-CORSE.FR/)

L‘integrazione di un avanzamento dei marker viene realizzata per eventi discreti, senza

utilizzo di un time step globale, ma utilizzando uno specifico tempo di attivazione per i

markers. Ogni marker avanza sempre con la stessa distanza Δq, stimando questo

63

valore dalla velocità di propagazione necessaria per coprire questa distanza. Gli

eventi di attivazione vengono messi in una lista ordinata e la simulazione viene

realizzata attivando i gli eventi più vicini temporalmente. Il metodo è stato selezionato

per la sua efficienza computazione a perla sua abilità a simulare la propagazione di

un‘interfaccia ad alta risoluzione (submetrica) necessaria per considerare differenti

vegetazioni, strade, case, le fasce tagliafuoco nelle aree dove tipicamente si verificano

incidenti (centinaia di chilometri quadrati). Per quanto riguarda l‘ignizione, il simulatore

necessita della definizione di un‘aria bruciata (normalmente un triangolo) poiché esso

segue uno schema lagrangiano.

3.5. Conclusioni

Differenti fattori devono essere considerati allo scopo di analizzare le capacità dei

modelli di comportamento degli incendi e dei simulatori, tra queste il tipo di

applicazione (operativa in tempo reale o applicazioni off-line), la risoluzione spaziale

del dominio di simulazione (applicazioni locali o regionali) e la disponibilità di valori

degli input accurati per le differenti risoluzioni spaziali e temporali. I modelli empirici

hanno diverse semplificazioni in modo da consentire la previsione del comportamento

dell‘incendio velocemente per applicazioni in tempo reale; questi possono essere molto

efficienti in presenza di condizioni ambientali e di combustibile comparabili con quelle

che hanno caratterizzato i test utilizzati per la messa a punto. Differenti relazioni

empiriche sono state sviluppate nelle aree mediterranee (Baeza et al. 2002; Fernandes

2001; Sauvagnargues-Lesage et al. 2001). Tuttavia l‘applicabilità di queste relazioni in

condizioni diverse da quelle nelle quali sono state formulate è controversa. Le

informazioni fornite da questi modelli possono essere considerate come un utile supporto

per i servizi locali di lotta agli incendi e le agenzie di protezione, sebbene essi

forniscano valori della velocità di propagazione monodimensionali lungo il fronte

principale dell‘incendio nella direzione del vento dominante (Sullivan 2009b).

I modelli semifisici tentano di rappresentare solo la fisica della propagazione mentre gli

altri processi vengono parametrizzati utilizzando i dati forniti dagli esperimenti di

laboratorio e validati mediante l‘utilizzo di larghi database di incendi reali. A causa

della natura empirica di questi approcci i parametri del processo vengono stimati con

diverse semplificazioni e assunzioni (omogeneità del letto di combustibile, propagazione

in condizioni di equilibrio, ecc.). Pertanto la calibrazione della validazione di questi

simulatori in aree differenti da quelle dove sono stati originati è generalmente richiesta,

in particolare a causa della grande variabilità delle caratteristiche del combustibile e

delle condizioni meteorologiche. La maggior parte degli studi condotti in Europa

(Sauvagnargues-Lesage et al. 2001; Dimitrakopoulos 2001; Santoni et al. 2011)

descrivono gli effetti della vegetazione mediterranea sulla propagazione. FARSITE, così

come altri simulatori basati sul modello di Rothermel, forniscono risultati accettabili nella

64

regione mediterranea solo quando accoppiati con realistici modelli di combustibile e

accurati dati meteorologici in particolare relativi all‘intensità e direzione del vento (Arca

et al. 2007; Lopes et al. 2002; Ribeiro 2006). La disponibilità di dati di input a diverse

scale spaziali rende questi simulatori in grado di fornire stime della velocità di

propagazione del comportamento dell‘incendio per applicazioni off line a scala

territoriale. Sfortunatamente, un set standardizzato di modelli di combustibile a livello

europeo non esiste, sebbene diverse collezioni di modelli siano state realizzate a livello

nazionale (Dimitrakopoulos 2001; Cruz 2005). Per quanto riguarda i dati meteorologici

la disponibilità di risorse computazione a basso costo può essere un fattore chiave per

ottenere dati accurati in particolare del campo di vento con un approccio fisico, ad

esempio mediante modelli di fluidodinamica computazione. Per quanto riguarda i

modelli fisici essi sono limitati alla simulazione di incendi lineari a piccola e media scala.

Modelli fisici dettagliati sono generalmente caratterizzati da piccoli domini

computazione sebbene pochi modelli fisici semplificati possano essere applicati a livello

territoriale (Santoni et al. 2011; Balbi et al. 2007). I dati di input richiesti per le

applicazioni a livello di landscape non sono generalmente disponibili quando l‘utente

tenta di validare i modelli con incendi boschivi realmente verificatisi. Il miglioramento

dei modelli fisici è richiesto poiché attualmente questi modelli possono essere considerati

solo come uno step nella realizzazione dei futuri modelli di propagazione operativi.

65

WILDFIRE SPREAD AND BEHAVIOUR MODELLING

Abstract

This chapter provides a review of the most important wildland fire models and fire

propagation tecniques developed in the last twenty years and applied in most of the wildland

fire simulators to estimate the fire spread and behavior. Wildfire models are classified

considering the modelling approach (physical, semi-physical, and empirical), and the physical

system considered by the proposed approach (surface fire models, crown fire models, and

spotting models). Regarding the fire propagation technique, two main approaches were

described: cellular modelling and elliptical wave propagation modelling. Finally, we describe

three wildland fire simulators applied at European and international level: FARSITE, FLAMMAP,

and FOREFIRE. A discussion on the simulation performances and the operational capabilities of

different modelling approaches were also carried out. Simplifications and assumptions

considered by the models affected their applicability as well as the calibration and validation

demands. Several studies on the application of wildfire models based on the semiphysical

approach in Europe and specifically in the Mediterranean basin were described; these studies

highlighted the capabilities in the prediction of wildfire behavior, fire probability and severity.

Regarding the physical models, the review highlighted their applicability limited only to small

computational domains, while only simplified versions of physical models can be applied at

landscape level.

3.1 Introduction

In the last decades, several wildfire spread models and calculation systems have been

developed (Sullivan 2009a; Sullivan 2009b; Sullivan 2009c). Previous works showed that

accurate estimation of wildfire parameters such as fire intensity and rate of spread is important

as they determine how a wildfire may spread and allow evaluation of limits beyond which

wildfiresoverwhelm suppression capacity. Furthermore, wildfire behaviour and spread is

affected by complex interactions among environmental factors such as vegetation type and

characteristcs, meteorological conditions, topography, and human factors, which can be taken

into account by fire modelling. Overall the use of wildfire modelling can be essential for

several applications, ranging from fire prevention and mitigation activities, land management,

firefighters training, and strategic planning. Indeed, tools may enable managers to evaluate

the best opportunities to face recurrent wildfires or to identify areas at risk, as well as to

define the best treatment options for mitigation purposes. This chapter reviews some of the most

important trends in fire behaviour modelling and considers how such models may be integrated

within land management decision support systems under Mediterranean conditions.

3.2 Wildfire models

Forest fire modelling deals with several different approaches reviewed by Pastor et al. (2003)

and Sullivan (2009a, 2009b). Following the classification of Perry (1998), three kinds of

modelling, in accordance with the methods used in their basic equations, can be defined. The

66

simplest models are the empirical ones, which do not attempt to involve physical mechanisms

(McArthur 1966). Semi-physical models (Rothermel 1972) are based upon the conservation of

energy, but they do not distinguish among the modes of heat transfer. Finally, physical models

differentiate the various kinds of heat transfer in order to predict fire behaviour (Albini 1986;

Balbi et al. 2007; Balbi et al. 2010a). Among them, multiphase modelling, which takes into

account the detailed physical phenomena involved in fire spread, represents the most complete

approach developed so far (Grishin 1997; Larini et al. 1998; Mell et al. 2007, Morvan et al.

2009).

3.2.1 Physical models

Physical models are those based on mathematical analysis of the fundamental physical and

chemical processes, which control fire spread. Indeed, expressions for the rate of spread and

fire line intensity are generated from the laws that govern fluid mechanics, combustion and heat

transfer using physical fuel and landscape features under weather conditions.

Starting with Fons (1946), many physics-based models for a fire spreading along a spatially

homogeneous fuel bed have been presented. Examples are De Mestre et al. (1989), Santoni et

al. (1998), Sero-Guillaume & Margerit (2002), Sero-Guillaume et al. (2008), and Balbi et al.

(2010b). In these approaches, the fire-atmosphere interaction is not modelled and the fuel bed

is characterized by its packing ratio, its moisture content and the surface area to volume ratio

of its constituent particles. Therefore, most of these models are built according to a steady fire

line spread hypothesis. Also, some relevant flame properties and the heat flux from the fire are

fixed. These models predict rate of spread by calculation of flame radiation and can only give

valid results when radiative heat transfer (Weber 1991) is driving the fire. Several models

differed from this first approach including: non-steady propagation (Weber 1989),

temperature gradient inside the particles (Thomas 1967) or convection heat term (Albini 1986).

More recently, some approaches that use the methods of computational fluid have been

developed to include the degradation of the vegetation or the turbulent/reactive flow resulting

from the mixing between the ambient gas and the pyrolizate (Morvan & Dupuy 2001, 2004).

In a previous work, Mell et al. (2007) describe and evaluate a physic-based, three-

dimensional, transient, coupled fire-atmosphere model. This model called WFDS, is an extension

to vegetative fuels of the structural Fire Dynamics Simulator (FDS) (McGrattan 2013)

developed at the Building and Fire Research laboratory at the National Institute of Standards

and Technology (NIST), USA. It was evaluated using experimental fires spread through surface

fuels on flat terrain conducted by the Commonwealth Scientific and Industrial Research

Organisation (CSIRO) in Australia (grassland fires). Linn et al. (2002) have developed a physic-

based model called FIRETEC. It was designed to operate over flat or complex terrain. The

governing model equations in this model are based on ensemble averaging (similar to Reynolds

averaging) of conservation equations for mass, momentum, energy, and chemical species. Thus,

this approach requires a number of turbulence modelling assumptions.

The major advantage of detailed physical models is that they are based on known

relationships, and so this property facilitates their scaling. Nevertheless, all these approaches

contain some degree of empirical components. These empirical terms are necessary to complete

67

these models. The main disadvantages of physical models are that (i) it is difficult to obtain

flame height and temperature from experimentation (Rossi et al. 2006; Santoni et al. 2006,

Morandini et al. 2006, Pastor et al. 2006, Consalvi et al. 2002) and that (ii) the relative

importance of radiation and convection can vary from fire to fire. For these reasons, the

operational use of physical fire behaviour models has limited.

3.2.2 Semi-physical models

According to several works (Fradsen 1971; Pastor et al. 2003; Sullivan 2009b), the most

important semi-physical model is that proposed by Rothermel (1972). Indeed, because of the

complexity of the mechanisms and conditions underlying fire spread in the field, several

approaches have adopted a combination of physical and empirical techniques (Burrows 1999;

Catchpole & de Mestre 1986; Marsden-Smedley & Catchpole 1995; Simeoni et al. 2001,

2003). Such models postulate the heat flux and the required heat of ignition without strict

regard as to the mode of heat transfer or the mechanism of heat absorption (Beer 1991).

Consequently, these models are reliant on the experimental conditions of testing.

An important approach to complement wildfire models was given by Byram (1959). Byram

proposes a relationship to calculate the fire line intensity. Byram‘s equation is often used in

conjunction with the Rothermel‘s model. In many studies, fire intensity and heat flux have been

correlated to flame characteristics such as flame length (Nelson & Adkins 1986; Chetehouna et

al. 2005; Zàrate et al. 2008; Chetehouna et al. 2008). Nevertheless, Cheney (1990) asserts

that fire intensity is very much a system-dependent concept and notes that fires of identical

intensities in different fuel beds have very different flame characteristics. An important

conclusion is that the flame characteristics associated with specific fire intensity are only

applicable to fuel types with the same fuel structure characteristics.The use of semi-physical

models to different vegetation can not give success immediately. Indeed, a tough calibration

process is necessary before the incorporation of this model into wildland fire analysis tools.

3.2.3 Empirical models

Empirical models are statistical descriptions of experimental fires (Noble et al. 1980; Cheney &

Gould, 1995, 1997; Cheney et al. 1998). These statistical correlations are extracted from

experimental burns or wildland fires (Mc Arthur 1966) and their lack of physical basis means

that the use of these models in regions with vegetation different from that of the tests conditions

should be done with caution (Marsden-Smedley 1993). Empirical modelling approach was

especially carried out in Australia (Stocks et al. 1989) and in Canada (Forestry Canada Fire

Danger Group 1992) and providedessential tools for forest management. For example,

empirical models were developed in Australia using a database of over 5000 uncontrolled

fires and 500 prescribed burns. It can be noticed that these models have been successfully used

in specific ecosystems for which they were designed, but they cannot be easily extrapolated

beyond the conditions in which they were formulated.

3.2.4 Other classifications

68

Additional classifications of fire models exist (Albright & Meisner 1999; Pastor et al. 2003,

Johnston et al. 2005), according to the variables studied or to the physical system studied. One

of the most important is based on the physical system on which fire modelling is applied.

According to this classification, we can distinguish surface fire models, crown fire models and

spotting models. Surface fire models simulate fires spreading through fuels contiguous with the

ground. Usually, the physical system is made up of fuel less than 2 m high (grass, shrubs, small

trees, etc.). The most widely used fire behaviour model is the semi-physical Rothermel‘s model

(Rothermel 1972). In order to determine the fire characteristics (rate of spread, fire line

intensity, flame height and fire length-to-width ratio), it requires the following fuel data to be

collected: fuel size, live and dead fuel load, fuel bed depth and moisture content. One can note

that the input of these variables is simplified by defining ―typical fuel types‖. In Australia,

empirical models are used: the McArthur Grassland Mk V meter and the CSIRO Grassland fire

meter (Cheney et al. 1998). The meters produce a fire danger index, the fuel moisture content,

the spotting distance and the rate of spread. They take as inputs temperature, relative

humidity, wind speed, fuel weight and a drought factor. The other widely used surface fire

spread model is the Canadian Fire Behaviour Prediction (FBP) System (Forestry Canada Fire

Danger Group 1992) which determines fire rate of spread and intensity. Some physical models

differ of this approach and consider, for example, the fuel characteristics not completely

uniform (Huang & Xie 1984) or a non-steady propagation of the fire front (Weber 1989).

Although only some of the empirical and semi-empirical surface fire spread models are applied

with satisfactory results, they are an essential tool for forest management.

Crown fires are fires that burn through the canopies. These fires are extremely dangerous and

very difficult to fight. The crown fire models may be classified (Pastor et al. 2003) as crown

fire initiation models (analysis of surface to crown fire transition) and crown fire spread models

(study of fire behaviour variables). Van Wagner (1993) in Canada, Rothermel (1991) in the

United States and more recently Dickinson et al. (2007) in the United States are ones of the

most relevant studies which establish fire line and rate of spread conditions for passive, active

and independent crown fire transition. Van Wagner‘s model was adopted by several authors

and constituted the starting point for most crown fire spread models. Implementation of

Rothermel‘s model was more critical. Rothermel used a statistical correlation and estimate that

crown fire rate of spread was 3.34 times higher than that predicted with his surface fire model

using fuel model 10 (Rothermel 1972). Because of their empirical character, it is difficult to

extrapolate these models and we can note that it should be used with similar fires to those

studied (conifer plantations) with specific environmental conditions (wind speed higher than 8 m

s-1 and slopes lower than 20%). Nevertheless, these kinds of models were well integrated with

surface fire modelling procedures to provide operational tools. Recently, theoretical studies

have been published and consider the radiation as the dominant heat transfer mechanism. The

most notable of these are the Grishin‘s (1997) and Albini‘s models (1996), due to their rigorous

theoretical treatment. Due to the complexity of these models, it is not possible to make them

operational yet.

Spot fires are produced ahead of the fire front by embers carried further of it, starting new

fires that need to be modelled separately from the main fire front. There are few spotting

models (Pastor et al. 2003) and they are physical in most cases (Albini 1979; Albini 1981;

69

Albini 1983). Spotting models have been integrated into Forest Service calculation system

(Rothermel 1983; Alexander et al. 2004). This phenomenon is associated generally to large

fires and is very difficult to predict. Therefore, it reduces the effectiveness of fire prevention.

However, predicting its occurrence and establishing the places where it happen help to minimise

its effects.

3.3 Fire propagation techniques

Regarding the method to obtain a spatially explicit calculation of the fire front, different

propagation techniques were developed. The methods can be split into two main categories:

the wave propagation technique and the cellular technique, which are described below.

3.3.1 Cellular modelling

Cellular automata models are tools allowing to accurately phrasing the behaviour complexity

of a real system. They constitute one of the most used simulation paradigm in complex systems

science (Berjak & Hearne 2002). They allow the complexity of real systems to emerge from a

simplified description of the local behaviour, which is modelled using cellular components. They

have been often used successfully in modelling physical systems and processes (Karafyllidis &

Thanailakis 1997; Ohgaiet al. 2007; Gao et al. 2008). The success is due to their inherent

parallelism, to their structural locality, regularity and modularity (Cohen et al. 2002; Zeigler

1987) (Fig. 3-1).

Although a variety of simulation models based on basic automata have been performed,

simulating wildfire spread requires several evolutions of this fundamental computational

structure. Many works have been proposed to modify the basic automata model. In order to

describe the expansion of the propagation front the groups of continuous cells can be classified

as active or inactive depending on sets of rules that define the spread mechanism from a cell to

his neighbours. The calculation of the minimum time of arrival has been used (Finney 2002; Fig.

3-2) to calculate the propagation path. Many of these new enhanced CA simulations

necessitate to use techniques for high performance computing (coarse-grained parallelization

for data assimilation or atmospheric models) so cellular space models are adapted for parallel

computations (Innocenti et al. 2009). Furthermore, it is also interesting to notice that the

relationship between CA and parallel computation is not only technological, but also conceptual

(Karafyllidis 2004). In fact, CA models are inherently parallel and can potentially run on

parallel computers. In the late 1980s, theses modelling tools renewed with the computing

techniques and parallel computers evolutions.

3.3.2 Wave propagation modelling

Generally, cellular models have had diminishing success in reproducing the expected shapes

and growth patterns as environmental conditions become more heterogeneous (French 1992).

For example, this form of expansion algorithm has difficulty in responding appropriately to

temporal changes as shifting wind speed and direction.

These problems are avoided by the wave approach. Originally, Huygens‘ principle was

70

proposed for the propagation of light waves in which each light wave becomes the point source

for subsequent light waves (Sullivan 2009c). Anderson et al. (1982) formalised the Huygens‘

concept for fire spread simulation, and this principle has been applied to fire growth modelling

in various forms. In this case, the fire front is propagated as a continuously expanding fire

polygon at specified time steps. Therefore, it is essentially the inverse of the cellular method

(Fig. 3-3). A fire polygon is defined by a series of vertices. The number of vertices increases as

fire grows over time and, each point on a fire perimeter is considered as theoretical source of

a new fire (the new fires around the perimeter are assumed to ignite simultaneously). This grows

is determined by computing the spread rate and direction from each vertex and multiplying by

the duration of the time step (Balbi et al. 2007).

Van Wagner (1969) found that the most common model fire shape under uniform conditions is

the simple ellipse. Nevertheless, many alternative and more complex ellipse shapes have been

proposed (Dorrer 1993; Wallace 1993). The propagation criterion is established by a

mathematical model, and the geometry of the ellipse template is determinate by the rate of

the forward spread A number of computer applications have demonstrated the use of

Huygen‘s principle for modelling surface fire growth (Coleman & Sullivan 1996; Richard &

Brice 1995).

3.4 Some implementations

In this section, we describe threewildland fire simulators (FARSITE, FLAMMAP and FOREFIRE)

that we consider sufficiently mature to be used by fire managers and may be integrated within

land management decision support systems under Mediterranean conditions. Over recent years,

with the advances in computing speed, storage capacity and graphical capabilities, several

integrated fire prediction systems have been developed. The systems differ in several aspects

regarding the physical models implemented, the simulation technique, the intended use.

FARSITE is a two-dimensional fire spread simulation model developed by the US Department of

Agriculture Forest Service, Missoula, Montana, USA (Finney 1998). FARSITE incorporates

existing models of surface fire, crown fire, point-source fire acceleration, spotting, and fuel

moisture. This simulator, based on Rothermel‘s model (Rothermel 1972), is increasingly used to

simulate the spread of wildfires across landscape using spatial information on fuel and

topography along with weather conditions (Dasgupta et al. 2007; Ryuet al. 2007). The major

assumptions of the modelling approach used for this program are following described (Andre &

Viegas 1994): the shapes of fires are assumed to be elliptical under uniform conditions; fire

spread rate and intensity at a given vertex are assumed to be independent of fire and

environmental interactions. Indeed, FARSITE is based on the vector approach which propagates

the fire front in a fashion similar to a wave (Anderson et al.1982; Richards 1990, 1995;

Richards & Bryce, 1995); fires are assumed to instantly achieve the expected elliptical shape

when environmental conditions change; the fire shape is fuel independent. The resultant wind-

slope vector only determines it. The spread of a continuous fire front can be approximated

using a finite number of points. FARSITE can be easily adapted to the Mediterranean

vegetation although this simulator has not been completely validated (Arca et al. 2007; Arca et

al. 2009). Moreover, this simulator is not suitable for the studies of large forest fires. This is

71

essentially due to the poor precision in crown fire models. Nonetheless, it is the main tool used in

the risk analysis (Carmel et al. 2009).

FLAMMAP (Finney 2006) is a fire behavior mapping and analysis program that computes

potential fire behavior characteristics, fire perimeters, and burn probabilities using the Minimum

Travel Time (MTT) algorithm (Finney 2002; Fig. 3-4). The MTT algorithm was also implemented

in Randig, a command line version of FLAMMAP (Finney et al. 2006). In FLAMMAP the fire

spread is predicted by the equation of Rothermel (1972) and crown fire initiation is evaluated

according to Van Wagner (1977) as implemented by Scott & Reinhardt (2001). Randig and

FLAMMAP assumes constant windspeed, direction and fuel moisture, and are appropriate

forsimulating short duration, single-burn-event fires (Ager et al. 2011). The MTT algorithm has

been extensively applied to fire management problems in the US (Andrews 1986; Andrews &

Bradshaw 1990). Recently, several applications in Europe were devoted to assess fire

probability and severity. Salis et al. (2013) applied the command line version of Flammap

(Randing) in Sardinia (Italy), in order to assess the spatial pattern of wildfire exposure for key

human and ecological values to wildfires. A similar approach was used to analyse the effects of

both seasonal pattern of wildfires and fire regime shifts on the spatiotemporal changes of

wildfire exposure (Salis et al. 2014a; Salis et al. 2015). Wildfire simulations by FLAMMAP

were realised by Alcasena et al. (2015) to assess spatially explicit likelihood and intensities at

landscape scale and to analyze and map wildfire exposure for the different high valued

resources. Other applications on Mediterranean forests were realised by Kalabokidis et al.

(2013) that assessed the fire hazard and risk for several values at risk of two study areas of

Greece.

FOREFIRE is an extension of a physical model (Balbi et al. 2007) for the spreading of surface

fire at landscape scale (Fig. 3-5). The model was first validated at laboratory scale for fire

spreading across litters. It was then modified to consider the structure of actual vegetation

(Santoni et al. 2011) and was included in the wildland fire calculation system Forefire that

allows converting the two-dimensional model of fire spread to three dimensions, taking into

account spatial information. Two wildland fire behavior case studies were elaborated and used

as a basis to test the simulator. The local calibration of the simulator required the development

of appropriate fuel models for shrubland vegetation (maquis) in adequacy with the model of

fire spread. The physical model of fire spread is bi-dimensional since it provides the flame

height and the forward rate of spread. Forefire was developed to convert the forward spread

model into a two-dimensional one that could spread the entire perimeter across a landscape.

This involves two distinct processes: first, representing the fire perimeter in a manner suitable for

simulation, and second, propagating that perimeter in a manner suitable for the perimeter‘s

representation. Forefire (Filippi et al. 2010) carries out both processes. The Forefire simulation

code is based on a Discrete Event Simulation (DEVS) (Ziegler 1987) formalization of a front

tracking method. In the front tracking method, the fire line is decomposed into a set of

connected points, or markers, like in FARSITE. Each marker is a DEVS (Ziegler, 1987) atomic

model that has a specific propagation direction and speed. The speed at which the marker is

traveling along its propagation vector is given by the rate of spread of the fire model. The

bisector of the angle formed by the marker with its left and right neighbor‘s gives the direction

of the propagation vector. Markers are redistributed along the front if separated by more

72

than the resolution distance Δr and removed if separated by less than Δr/4. A fire line is

defined as a full set of interconnected markers. If two points of different fire lines are

separated by less than Δr/4 the two fronts are merged. The integration of a marker advance

is performed in a discrete event manner, with no global time step but specific activation time

for markers. Every marker is always advancing by the same distance Δq, estimating from the

propagation speed when the marker would travel this distance. The timed activations events

are placed in a sorted event list, and the simulation is performed by activating the imminent

event. The method has been selected because of its computational efficiency and its ability to

simulate the propagation of an interface at high resolution (submeter) needed to take into

account different vegetations, roads, houses and fire breaks over a large area typical of

wildfires (hundreds of square kilometers). Concerning ignition, the fire simulator necessitates

defining a burning area (usually a triangle) since it follows a Lagrangian schema.

3.5 Conclusions

Different factors must be considered in order to analyse the capabilities of fire behaviour

models and simulators, as the type of application (real time operational or off line application),

the spatial resolution of the simulation domain (local or regional applications), and the

availability of accurate input values for the different spatial and temporal resolutions.

Empirical models are as simple as possible to predict fire behaviour faster than real time; yet

they may be very efficient for fuel and environmental conditions comparable to those of test-

fires. Several empirical relations were developed even in Mediterranean areas (Baeza et al.

2002; Fernandes 2001; Sauvagnargues-Lesage et al. 2001). However, the applicability of

these relations beyond the conditions in which they were formulated is controversial. Information

provided by these models can be considered as a useful support for local firefighter services

and protection agencies, although they provided only one-dimensional values of rate of spread

at the head of fire in the direction of wind (Sullivan 2009b).

Semi-physical models attempts to represent only the physics of the fire spread, where the other

processes are parameterized using data provided by laboratory experiments and validated

using large databases of real fires. Due to the empirical or semi-empirical approach in

developing these models, several parameters related to the process are estimated by different

simplifications and assumptions (homogeneous fuel bed and steady-state propagation).

Therefore, the calibration and validation of the simulators in areas different from those ones

where the models were originally developed is generally required, in particular due to the

wide range of fuel characteristics and weather conditions. Most of the studies conducted in

Europe (Sauvagnargues-Lesage et al. 2001; Dimitrakopoulos 2001; Santoni et al. 2011)

reported the effect of the Mediterranean vegetation on fire spread. FARSITE, as other fire

spread and behaviour simulators based on the Rothermel‘s model, provided acceptable results

in the Mediterranean region only when coupled with realistic fuel models and accurate weather

data, especially wind field (Arca et al. 2007; Lopes et al. 2002; Ribeiro 2006). The

availability of input data at different spatial resolutions makes these simulators able to provide

estimations of fire spread and behaviour for off-line operational applications at landscape

level. Unfortunately, at European level a standardized fuel model set does not exist, although

73

few collections of fuel models were realized at national level (Dimitrakopoulos 2001; Cruz

2005). Regarding to the weather data, the availability of computational resources at low cost

could be the key factor in obtaining accurate data, in particular of wind field, by a physical

approach, e.g. by the computational fluid dynamics models.

Regarding the physical models, they are limited to the simulation of small or medium scale line

fires. Detailed physical models are generally characterized by small computational domains,

although few simple physical models can be applied at landscape level (Santoni et al. 2011;

Balbi et al. 2007). The input data required for the landscape level applications are not

generally available; in particular, when the user tries to validate the models with wildland fires

actually occurred. Therefore, an improvement of the physical models is required, because at

present these models can only be a step in the realization of the future operational fire

behaviour models.


Ager A.A., Vaillant N., Finney M.A. (2011) Application of fire behaviour models and geographic

information systems for wildfire risk assessmentand fuel management planning. Journal

of Combustion. doi:10.1155/2011/572452.

Albini F.A. (1986) Wildland Fire Spread by Radiation - A Model Including Fuel Cooling by

Natural Convection. Combustion Science and Technology, 45, 101–113

Albini F.A. (1979) Spot fire distance from burning trees: a predictive model, USDA Forest

Service, Res Pap INT-56

Albini F.A. (1981) Spot fire distance from isolated sources. Extensions of a predictive model,

USDA Forest Service, Res Note INT-309

Albini F.A. (1983) Potential spotting distance from wind-driven surface fires, USDA Forest

Service, Res Pap INT-309

Albini F.A. (1996) Iterative solution of the radiation transport equations governing spread of fire

in wildland fuel. FizikaGoreniyaZvryva, 32(5), 71–82

Albright D., Meisner B.N. (1999) Classification of Fire Simulation Systems, Fire Management

Notes, 59 (2), 5–12

Alcasena F.J., Salis M., Ager A.A., Arca B., Molina D., Spano D. (2015). Assessing Landscape

Scale Wildfire Exposure for Highly Valued Resources in a MediterraneanArea.In:

Environmental Management, pp. 1–17. issn: 0364-152X. doi: 10.1007/s00267.

Alexander M.E., Tymstra C., Frederick K.W. (2004) Incorporating breaching and spotting

considerations into PROMETHEUS - the Canadian wildland fire growth model ,

Chisholm/Dogrib Fire Research Initiative, Quicknote 6, Foothills Model Forest, Hinton,

Alberta, Canada

Alexandridis A., Vakalis D., Siettos C.I., Bafas G.V. (2008) A cellular automata model for forest

fire spread prediction: The case of the wildfire that swept through Spetses Island in

1990, Applied Mathematics and Computation, 204, 191–201

74

Anderson H.E. (1982) Aids to determining fuel models for estimating fire behavior, USDA Forest

Service General Technical Report INT-122. (Ogden, UT).

Anderson D.H. and Catchpole E.A., De Mestre N.J., Parkes T. (1982) Modelling the spread of

grass fires, The Journal of the Australian Mathematical Society. Series B. Applied

Mathematics, 23, 451–466

Andre J.C.S. and Viegas D.X. (1994) A strategy to model the average fireline movement of a

light to medium intensity surface forest fire. Proc. 2nd International Conference on Forest

Fire Research, Coimbra, 221–242

Andrews P.L. (1986) BEHAVE: Fire behavior prediction and fuel modeling system-BURN

subsystem, part 1, Gen. Tech. Rep. INT-194. Ogden, UT: U.S. Department of Agriculture,

Forest Service, Intermountain Research Station. 130p.

Andrews P.L., Bradshaw L.S. (1990) RXWINDOW: defining windows of acceptable burning

conditions based on desired fire behavior. Gen. Tech. Rep. INT-273. Ogden, UT: U.S.

Department of Agriculture, Forest Service, Intermountain Research Station. 54 p.

Arca B., Duce P., Laconi M., Pellizzaro G., Salis M., Spano D. (2007) Evaluation of FARSITE

simulator in mediterraneanmaquis, International Journal of Wildland Fire, 16, 563-572.

Arca B., Bacciu V., Pellizzaro G., Salis M., Ventura A., Duce P., Spano D., Brundu G. (2009) Fuel

model mapping using IKONOS imagery to support spatially explicit fire simulators,

Proceedings of the 7th International Workshop of the EARSeL, Matera (Italy), 2-5

September.

Baeza M., De Luìs M., Raventós J., Escarré A. (2002) Factors influencing fire behaviour in

shrublands of different stand ages and the implications for using prescribed burning to

reduce wildfire risk, Journal of Environmental Management, 65(2), 199–208.

Balbi J.H., Rossi J.L., Marcelli T., Santoni P.A. (2007) A 3D physical real-time model of surface

fires across fuel beds, Combustion Science and Technology, 179(12), 2511–2537

Balbi J.H., Rossi J.L., Marcelli T., Chatelon F.J. (2010a) Physical modelling of surface fire under

non-parallel wind and slope conditions, Combustion Science and Technology 182 (7),

922-939.doi: 10.1080/00102200903485178

Beer T. (1991) Bushfire rate-of-spread forecasting: deterministic and statistical approaches to

fire modeling, Journal of Forecasting, 10, 301–17

Berjak S.G., Hearne J.W. (2002) An improved cellular automaton model for simulating fire in a

spatially heterogeneous Savanna system, Ecological Modelling, 148(2), 133–151

Burrows N.D. (1999) Fire behaviour in jarrah forest fuels.1, laboratory

experiments.CALMScience, 3, 31–56

Burrows N.D. (1999) Fire behaviour in jarrah forest fuels.2, field experiments.CALMScience, 3,

57–84

Byram G.M. (1959) Combustion of forest fuels. In: Davis, K. P., ed. Forest Fire: Control and Use.

New York: McGraw Hill

Carmel Y., Paz S., Jahashan F., Shoshany M. (2009) Assessing fire risk using Monte Carlo

simulations of fire spread, Forest Ecology and Management, 257(1), 370–377

75

Catchpole T. and de Mestre N. (1986) Physical models for a spreading line fire, Aust. For., 49,

102–111

Cheney N.P. and Gould J.S. (1995) Fire Growth in Grassland Fuels, International Journal of

Wildland Fire, 5(4), 237–247

Cheney N.P. and Gould J.S. (1997) Fire Growth and Acceleration, International Journal of

Wildland Fire, 7(1), 1–5

Cheney N.P., Gould J.S., Catchpole W.R. (1998) Prediction of fire spread in grasslands.

International Journal of Wildland Fire, 8(1), 1–13.

Cheney N.P. (1990) Quantifying Bushfires. Mathematical and Computer Modelling, 13(12), 9-

15

Chetehouna K., Séro-Guillaume O., Degiovanni A. (2005) Identification of the upward gas flow

velocity and of the geometric characteristics of a flame with a specific thermal sensor,

International Journal of Thermal Sciences, 44, 966–972

Chetehouna K., Séro-Guillaume O., Sochet I., Degiovanni A. (2008) On the experimental

determination of flame front positions and of propagation parameters for a fire,


Cohen M., Rigolot E., Étienne M. (2002) Modelling fuel distribution with cellular-automata for

fuel-break assessment. In Proc. IV Int. Conf. on Forest Fire Research, Viegas, D.X. (Ed.),

Luso, 18-23 Nov. Millpress Science Publishers, Rotherdam.

Coleman J.R. and Sullivan A.L. (1996) A real-time computer application for the prediction of fire

spread across the Australian landscape, Simulation, 67, 4, 230–240

Consalvi J.L., Porterie B., Loraud J.C. (2002) A formal averaging procedure for radiation heat

transfer in particulate media, International Journal of Heat and Mass Transfer, 45(13),

2755–2768(14)

Cruz M.G. (2005) Guia fotográfico para identificação de combustíveisflorestais - Região

Centro de Portugal, Centro de Estudos sobre Incêndios Florestais - ADAI, Coimbra, 38p

Dasgupta S., Qu J.J., Hao X., Bhoi S. (2007) Evaluating remotely sensed live fuel moisture

estimations for fire behavior predictions in Georgia, USA, Remote Sensing of

Environment, 108(2), 138–150

De Mestre N.J., Catchpole E.A., Anderson D.H (1989) Uniform propagation of a planar fire front

without wind. Combustion Science and Technology, 65, 231–244

Dickinson J., Robinson A., Harrod R., Gessler P., Smith A. (2007) Modification of VanWagner‘s

Canopy Fire Propagation Model, USDA Forest Service Proceedings RMRS-P-46CD

Dimitrakopoulos A.P. (2001) Mediterranean fuel models and potential fire behaviour in Greece,

International Journal of Widland Fire, 11, 127–130

Dorrer G.A. (1993) Modelling forest fire spreading and suppression on basis of Hamilton

mechanics methods. In Scientific Siberian A: special issue Forest Fires Modelling and

Simulation, 97–116.

Fernandes P. (2001) Fire spread prediction in shrub fuels in Portugal. Forest Ecology and

Management, 144(1-3), 67–74

76

Filippi J.B., Morandini F., Balbi J.H., Hill D.R.C. (2010) Discrete event front-tracking simulation of

a physical fire spread model. Simulation, transactions of the SCS, 86(10), 629–646.

Finney M.A. (1998) FARSITE: Fire Area Simulator-Model Development and Evaluation, Research

Paper RMRS-RP-4, UT: UDSA Forest Service Rocky Mountain Research Station.

Finney M.A. (2002) Fire growth using minimum travel time methods, Can. J. For. Res. 32(8):1420-

1424.

Finney M.A. (2006) An overview of FlamMap fire modelingcapabil- ities. In: Andrews PL, Butler

BW (eds) Fuels management—how to measure success. USDA Forest Service, Rocky

Mountain Research Station, Fort Collins, pp 213–220.

Fons W.T. (1946) Analysis of fire spread in light forest fuels, Journal of Agricultural Research

72, 93–121

Forestry Canada Fire Danger Group (1992) Development and structure of the Canadian forest

fire behaviour prediction system. Canadian Department of Forestry, Inf Rep ST-X-3

Frandsen W.H. (1971) Fire spread through porous fuels from the conservation of energy,

Combusion and Flame, 16, 9–16

French I. (1992) Visualisation techniques for the computer simulation of bushfires in two

dimensions. Master‘s thesis, Department of Computer Science, University College,

University of New South Wales, Australian Defence Force Academy.

Gao N., Weng W., Ma W., NI S., Huang Q., Yuan H. (2008) Fire Spread Model for Old Towns

Based on Cellular Automaton, Tsinghua Science and Technology, 13(5), 736-740

Grishin A.M. (1997) Mathematical modeling of forest fires and new methods of fighting them,

Publishing house of the Tomsk state university, ed. Albini.

Huang C.C., Xie Y. (1984) Flame Propagation along Matchstick Arrays on Inclined Base Boards,

Combustion Science and Technology, 42, 1-12

Innocenti E., Silvani X., Muzy A., Hill D.RC. (2009) A software framework for fine grain

parallelization of cellular models with OpenMP: Application to fire spread,

Environmental Modelling & Software, 24, 819–831

Johnston P., Milne G., Klemitz D. (2005) Overview of Bushfire Spread Simulation Systems, Report

prepared for the Bushfire CRC. School of Computer Science and Software Engineering,

University of Western Australia.31 March 2005. 24 pp.

Kalabokidis K., Palaiologou P, Finney M. (2013) Fire Behavior Simulation in Mediterranean

Forests Using the Minimum Travel Time Algorithm. In: Fourth Fire Behavior and Fuels

Conference Progeedings. Fairfield (WA): International Association of Wildland Fire, pp.

468–492.

Karafyllidis I. (2004) Design of a dedicated parallel processor for the prediction of forest fire

spreading using cellular automata and genetic algorithms, Engineering Applications of

Artificial Intelligence, 17, 19–36

Karafyllidis I. and Thanailakis A. (1997) A model for predicting forest fire spreading using

cellular automata, Ecological Modelling, 99, 87–97

77

Larini M., Giroud F., Porterie B., Loraud J.C. (1998) A multiphase formulation for fire

propagation in heterogeneous combustible media, International Journal of Heat and

Mass Transfer, 41(6), 881–897

Linn R.R., Reisner J., Colman J.J., Winterkamp J. (2002) Studying wildfire behavior using

FIRETEC, International Journal of Wildland fire, 11, 233–246.

Lopes A., Cruz M., Viegas D. (2002) Firestation-an integrated software system for the numerical

simulation of fire spread on complex topography, Environmental Modelling & Software,

17(3):269–285.

Margerit J. and Séro-Guillaume O. (2002) Modelling forest fires. Part II: reduction to two-

dimensional models and simulation of propagation, International Journal of Heat and

Mass Transfer, 45, 1723–1737

Marsden-Smedley J.B. and Catchpole W.R. (1995) Fire Behaviour Modelling in Tasmanian

Buttongrass Moorlands. I. Fuel Characteristics, International Journal of Wildland Fire,

5(4), 203–214

Marsden-Smedley J.B. and Catchpole W.R. (1995) Fire modelling in Tasmanian buttongrass

moorlands. II. Fire behaviour, International Journal of Wildland Fire, 5(4), 215–228.

Marsden-Smedley J.B. (1993) Fuel Characteristics and Fire Behaviour in Tasmanian Buttongrass

Moorlands. A fire and research study conducted by the Protection Branch, Parks and

Wildlife Service, Department of Environment and Land Management, Hobart, Tasmania

McArthur A.G. (1966) Weather and Grassland Fire Behaviour, Australian Forest and Timber

Bureau Leaflet 100

Mc Grattan K., Hostikka S., McDermott R., Floyd J., Weinschenk C., Overholt K. (2013) Fire

Dynamics Simulator Technical Reference Guide, volume 1 : Mathematical Model.

Technical Report. NIST Special Publication, 1018-6, National Institute of Standards and

Technology, Gaithersburg, Maryland.

Mell W., Jenkins M.A., Gould J., Cheney P. (2007) A physics-based approach to modelling

grassland fires, International Journal of Wildland Fire, 16, 1–22

Morandini F., Silvani X., Rossi L., Santoni P.A., Simeoni A., Balbi J.H., Rossi J.L., Marcelli T. (2006)

Fire spread experiment across Mediterranean shrub: Influence of wind on flame front

properties, Fire Safety Journal, 41, 229–235

Morvan D., Dupuy J.L. (2001) Modeling of Fire Spread Through a Forest Fuel Bed Using a

Multiphase Formulation, Combustion and Flame, 127, 1981–1994

Morvan D., Dupuy J.L. (2004) Modeling the propagation of a wildfire through a Mediterranean

shrub using a multiphase formulation, Combustion and FIame, 138, 199–210

Morvan D., Méradji S., Accary G. (2009) Physical modelling of fire spread in Grasslands, Fire

Safety Journal, 44, 50– 61

Nelson R.M. JR, Adkins C.W. (1986) Flame characteristics of wind-driven surface fires, Canadian

journal of forest research, 16(6), 1293–1300

Noble I.R., Gill A.M., Bary G.A.V. (1980) McArthur‘s fire-danger meters expressed as equations.

Austral Ecology, 5(2), 201–203

78

Ohgai A., Gohnai Y., Watanabe K. (2007) Cellular automata modeling of fire spread in built-

up areas - A tool to aid community-based planning for disaster mitigation, Computers,

Environment and Urban Systems, 31, 441–460

Pastor E., Águeda A., Andrade-Cetto J., Munõz M., Pérez Y., Planas E. (2006) Computing the

rate of spread of linear flame fronts by thermal image processing, Fire Safety Journal,

41, 569–579

Pastor E., Zárate L., Planas E., Arnaldos J. (2003) Mathematical models and calculation systems

for the study of wildland fire behaviour, Progress in Energy and Combustion Science,

29, 139–153

Perry G.L.W. (1998) Current approaches to modelling the spread of widland fire: a review,

Progress in Physical Geography, 22(2), 222–245

Ribeiro L.M., Viegas D.X., Mangana P., Moura P. (2006) Operational Application of a Decision

Support Tool in Fire Management in Portugal. Proceedings of the V International

Conference on Forest Fire Research. D. X. Viegas (Ed.).

Richards G.D. (1990) An elliptical growth model of forest fire fronts and its numerical solution.

Int. J. Numer. Meth. Eng., 30, 1163–1179

Richards G.D. (1995) A general mathematical framework for modelling two-dimensional

wildland fire spread, Int. J. Wildl. Fire. 5(2), 63–72

Richards G. and Bryce R. (1995) A computer algorithm for simulating the spread of wildland fire

perimeters for heterogeneous fuel and meteorological conditions. International Journal

of Wildland Fire, 5(2), 73–80.

Rossi L., Balbi J.H., Rossi J.L., Marcelli T. and Pieri A. (2006) Front fire propagation model: Use

of mathematical model and vision technology, Advanced Technology, research –

development- application, 745 – 750, Ed. Bojan Lalic

Rothermel R.C. (1991) Predicting behavior and size of crown fires in the Northern Rocky

Mountains. Res., Pap. INT-438. Ogden, UT: U.S. Department of Agriculture, Forest

Service, Intermountain Forest and Range Experiment Station. 46 p.

Rothermel RC (1983) How to predict the spread and intensity of forest and range fires.USDA

Forest Service, Gen Tech Rep INT-143.

Rothermel R.C. (1972) A Mathematical Model for Predicting Fire Spread in Wildland Fuels.

Research Paper INT-115. Ogden, UT: U.S. Department of Agriculture, Forest Service,

Intermountain Forest and Range Experiment Station. 40 p.

Ryu S.R., Chen J., Zheng D., Lacroix J.J (2007) Relating surface fire spread to landscape

structure: An application of FARSITE in a managed forest landscape, Landscape and

Urban Planning, 83(4), 275–283

Salis M, Ager A.A., Alcasena F., Arca B., Finney M.A., Pellizzaro G., Spano D. (2015) Analyzing

seasonal patterns of wildfire exposure factors in Sardinia, Italy. In: Environmental

Monitoring and Assessment 187.1, 4175. issn: 0167-6369. doi:10.1007/s10661-014-

4175-x.

79

Salis M., Ager A.A., Finney M.A., Arca B., Spano D. (2014) Analyzing spatiotemporal changes in

wildfire regime and exposure across a Mediterranean fire-prone area. In: Natural

Hazards 71.3, pp. 1389–1418. issn: 0921-030X. doi: 10.1007/s11069-013-0951-0.

Salis M., Ager A.A., Arca B., Finney M.A., Bacciu V., Duce P., Spano D. (2013) Assessing

exposure of human and ecological values to wildfire in Sardinia,Italy. In: International

Journal of Wildland Fire 22, pp. 549–565. issn: 1448-5516. doi: 10.1071/WF11060.

Santoni P.A. and Balbi J.H. (1998) Modelling of two-dimensional flame spread across a sloping

fuel bed, Fire Safety Journal, 31, 201–225

Santoni P.A., Marcelli T., Leoni E. (2002) Measurement of Fluctuating Temperatures in a

Continuous Flame Spreading Across a Fuel Bed Using a Double Thermocouple Probe,

Combustion and Flame, 131, 47–58

Santoni P.A., Simeoni A., Rossi J.L., Bosseur F., Morandini F., Silvani X., Balbi J.H., Cancellieri D.,

Rossi L. (2006) Instrumentation of wildland fire: Characterisation of a fire spreading

through a Mediterranean shrub, Fire Safety Journal, 41, 171–184

Santoni P.A., Filippi J.B., Balbi J.H., Bosseur F. (2011) Wildland fire behaviour case studies and

fuel models for landscape-scale fire modelling, Journal of Combustion, Article ID

613424.

Sauvagnargues-Lesage S., Dusserre G., Robert F., Dray G., Pearson D.W. (2001) Experimental

validation in Mediterranean shrub fuels of seven wildland fire rate of spread models,

International Journal of Widland Fire, 10, 15–22

Séro-Guillaume O., Margerit J. (2002) Modelling forest fires. Part I: a complete set of equations

derived by extended irreversible thermodynamics, International Journal of Heat and

Mass Transfer, 45, 1705–1722

Séro-Guillaume O., Ramezani S., Margerit J., Calogine D. (2008) On large scale forest fires

propagation models, International Journal of Thermal Sciences, 47, 680–694

Simeoni A., Santoni P.A., Larini M., Balbi J.H. (2001) On the wind advection influence on the fire

spread across a fuel bed: modelling by a semi-physical approach and testing with

experiments, Fire Safety Journal, 36, 491–513

Simeoni A., Santoni P.A., Larini M., Balbi J.H. (2003) Reduction of a multiphase formulation to

include a simplified flow in a semi-physical model of fire spread across a fuel bed,


Stocks B.J., Lawson B.D., Alexander M.E., Van Wagner C.E., McAlpine R.S., Lynham T.J., Dube

D.E. (1989) The Canadian Forest Fire Danger Rating System: An Overview. Forestry

Chronicle, 65, 450–457

Sullivan A.L. (2009a) Wildland surface fire spread modelling, 1990–2007. 1: Physical and

quasi-physical models, International Journal ofWildland Fire 2009, 18, 349–368

Sullivan A.L. (2009b) Wildland surface fire spread modelling, 1990–2007. 2: Empirical and

quasi-empirical models, International Journal ofWildland Fire 2009, 18, 369–386

Sullivan A.L. (2009c) Wildland surface fire spread modelling, 1990–2007. 3: Simulation and

mathematical analogue models, International Journal ofWildland Fire 2009, 18, 387–

403

80

Thomas P.H. (1967) Some Aspects of the Growth and Spread of Fire in the Open, Forestry,

40(2), 139–164

Van Wagner C.E. (1993) Prediction of crown fire behavior in two stands of jack pine.

CanadianJournal of Forest Research 23: 442-449.

Van Wagner C.E. (1977) Conditions for the start and spread of crown fire, Canadian Journal of

Forest Research, 7, 23–34

Van Wagner C.E (1969) A simple fire growth model, The Forestry Chronicle, 45,103–104

Wallace G. (1993) A Numerical Fire Simulation Model, International Journal of Widland Fire,

3(2), 111–116

Weber R.O. (1991) Modelling fire spread through fuel beds. Progress in Energy and

Combustion Science 17, 67–82

Weber R.O. (1989) Analytical models for fire spread due to radiation. Combustion and flame,

78, 398–408

Zeigler B.P. (1987) Hierarchical, modular discrete-event modelling in an object-oriented

environment. Simulation, 49 (5) 219–230.

81

4. LA MODELLISTICA DELL’ESPOSIZIONE E DEL RISCHIO

INCENDI

LES MODÈLES DE L’EXPOSITION ET DE RISQUE

D’INCENDIE

Michele Salis1,2, Olga Munoz Lozano1, Bachisio Arca3, Paul Santoni4, Liliana

Del Giudice1, Carla Scarpa1, Valentina Bacciu1,2, Donatella Spano1,2

1Università di Sassari, Dipartimento di Scienze della Natura e del Territorio (DIPNET),

Sassari (Italia)




(Italia)

4Università di Corsica, SPE-CNRS UMR 6134, Corte (Francia)

Riassunto

La crescente rilevanza dei grandi incendi che hanno interessato beni di interesse ed

aree di interfaccia urbana nel corso degli ultimi decenni ha spinto verso attività di

ricerca focalizzate su strumenti di supporto alle decisioni per la valutazione e la

gestione del rischio incendio. La relativa complessità della gestione del rischio e della

pianificazione del trattamento dei combustibili ha portato a una crescente applicazione

di programmi di simulazione della propagazione e del comportamento degli incendi,

per fini di ricerca e per applicazioni operative. I modelli di simulazione consentono di

analizzare il comportamento potenziale dell‘incendio e di compiere valutazioni su rischio

ed esposizione e sulle strategie di mitigazione considerando un ampia gamma di scale,

dal popolamento forestale (di alcuni ettari) ai grandi territori. Gli outputs possono

essere utilizzati per lo studio della tipologia di incendio su territori complessi, e per

l‘analisi delle incertezze associate agli eventi di incendio in termini temporali, spaziali,

di intensità e di durata. Opportunamente calibrati e validati, i metodi di simulazione

degli incendi garantiscono un rafforzamento del contenuto di informazioni utili per la

conservazione, il ripristino e la pianificazione di piani di protezione per aree suscettibili

agli incendi e in particolare per le aree di interfaccia urbano rurale.

82

Résumé

L'importance croissante des grands incendies impactant des interfaces urbaines et zones

à enjeux au cours des dernières décennies a conduit à activité de recherche focalisée

sur des outils d'aide à la décision pour l'évaluation et la gestion des risques d'incendie.

La relative complexité de la gestion des risques et la planification du traitement des

combustibles a conduit à une demande croissante de programmes informatiques de

simulation et de propagation du comportement du feu, tant pour des applications de

recherche que pour des applications opérationnelles. Les modèles de simulation

permettent d'analyser le comportement potentiel du feu et d‘évaluer le risque et

l'exposition ainsi que des stratégies d'atténuation pour des gammes d'échelles allant du

peuplement forestier (quelques hectares) à de grands territoires, en particulier à l‘aide

de l‘algorithme dit «minimum travel time». Les résultats de ces simulations peuvent être

utilisées pour l'étude des types d‘incendies sur des territoires complexes et l'analyse des

incertitudes associées aux événements d‘incendies en termes temporel, spatial, d‘intensité

et de durée. Convenablement calibrés et validés, les méthodes de simulation du feu sont

capables de renforcer le contenu de l'information pour la conservation, la restauration

et la réalisation des plans de protection des zones sujettes aux incendies, et en

particulier des zones d'interface urbaine-rurale.

4.1. Introduzione

La crescente incidenza degli incendi boschivi e delle perdite associate ad essi nella

regione Mediterranea ha promosso lo sviluppo di numerosi approcci per l‘analisi e la

mappatura di pericolo, rischio ed esposizione agli incendi (Chuvieco et al. 2003, 2010;

Carmel et al. 2009; Martinez et al. 2009; Verde & Zezere 2010). La quantificazione

formale del rischio di incendio richiede l‘analisi di: (i) probabilità di incendio in un luogo

specifico; (ii) intensità media dell‘incendio, misurata in termini di lunghezza di fiamma e

(iii) conseguente variazione del valore ecologico o finanziario (Finney 2005). Dal punto

di vista del rischio, è importante evidenziare che una piccola percentuale di incendi, a

livello mondiale, incide per la maggior parte della superficie bruciata, così come per i

relativi danni e le perdite di vite umane (Pereira et al. 2005; San-Miguel-Ayanz &

Camia 2009; Salis et al. 2013). Perciò, valutare il rischio rappresentato dai grandi

incendi distruttivi richiede una forte attenzione a comportamento e propagazione degli

stessi eventi su grandi aree.

Gli effetti dei grandi incendi vengono attualmente considerati come parte della

valutazione del rischio e dell‘esposizione negli Stati Uniti, in Canada e nell‘area

mediterranea, attraverso l'utilizzo dei metodi di simulazione (e.g.: Ager et al. 2011;

Finney et al. 2011; Thompson et al. 2011; Salis et al. 2013, 2014a, 2015). Questo è

possibile grazie ad efficienti algoritmi per la stima della propagazione degli incendi

incorporati in modelli come FlamMap e FSIM (Finney 2006; Finney et al. 2011), che

83

consentono di saturare le aree studio con la simulazione di migliaia di incendi, e di

stimare le burn probability di diverse intensità potenziali di incendio. I risultati di queste

valutazioni sono stati utilizzati per una serie di aspetti inerenti le politiche e la

pianificazione, tra cui la gestione del combustibile, la preparazione e le strategie di

soppressione. Infatti, per ridurre le crescenti perdite finanziarie ed ecologiche dovute ai

grandi incendi, la valutazione del rischio e la scelta di attività di mitigazione

economicamente vantaggiose sono diventate una sfida per i pianificatori, i decisori

politici, i gestori del combustibile e i servizi forestali (Ager et al. 2011; Calkin et al.

2011; Ager et al. 2014). La rilevante importanza della valutazione del rischio di

incendio e della gestione del combustibile giocherà un ruolo chiave sull‘espansione

urbana nelle aree boscate, e sugli effetti delle variazioni dell‘uso del suolo e dei

cambiamenti climatici su incidenza degli incendi, burn probability, intensità e

conseguenze relative (Brown et al. 2004; Westerling et al. 2006; Moreira et al. 2011;

Arca et al. 2012; Kloster et al. 2012; Brotons et al. 2013; Ager et al. 2014; Salis et al.

2015).

4.2. Valutazione dell’esposizione agli incendi

Il rischio incendio viene definito come la perdita (o il beneficio) in termini economici

dopo un incendio, mentre l‘esposizione all‘incendio è definita come l‘analisi delle

probabilità di incendio a diverse intensità (Tab. 4-1; Fairbrother & Turnley 2005;

Finney 2005; Salis et al. 2013). I fattori di rischio rappresentano i singoli componenti

che contribuiscono al rischio (probabilità, intensità e suscettibilità).

La valutazione quantitativa del rischio (la perdita attesa E(L)) viene espressa secondo la

seguente formula

E(L) = ∑P(FI)*R(FI) EQ. 4-1

dove p(fi) rappresenta la probabilità di un incendio in una specifica località ad una

intensità i (esposizione) e R(fi) la risposta all‘intensità i (suscettibilità).

Quindi per determinare il rischio abbiamo bisogno della (a) probabilità di un incendio

in una specifica località, (b) dell‘intensità media dell‘incendio, misurata dalla lunghezza

di fiamma, e (c) della risultante variazione netta dei valori finanziari o ecologici (Finney

2005; Miller & Ager 2013). L‘esposizione agli incendi è un passo necessario nella

valutazione del rischio, e non include la quantificazione degli impatti attesi dell‘incendio.

I modelli di simulazione vengono abitualmente usati per analizzare il comportamento

potenziale dell‘incendio e per sviluppare stime del rischio e strategie di mitigazione, su

un range di scale, dal popolamento forestale (di pochi ettari) a grandi territori (< 105

ha), fino a scale regionali (< 107 ha) o nazionali (Calkin et al. 2011; Salis et al.

2014b). I modelli di comportamento del fuoco più utilizzati includono NEXUS (Scott

84

1999), BehavePlus (Andrews 2007), FVS-FFE (Rebain 2010), FARSITE (Finney 1998),

FlamMap (Finney 2006), RANDIG (Finney 2002), e FSIM (Finney et al. 2011).

L‘interfaccia geospaziale a questi modelli, ArcFuels, viene usata per semplificare la

preparazione dei files di input e processare gli outputs della simulazione (Vaillant et al.

2013). Per analizzare le incertezze associate agli incendi in termini temporali, di

localizzazione, tasso di propagazione, intensità e durata, vengono generalmente

simulati migliaia di incendi a scala territoriale. In combinazione con i database storici,

possono essere utilizzati a supporto diversi modelli e software per stimare il vento, le

condizioni meteorologiche, l‘umidità del combustibile vivo e morto, ed altre variabili di

input necessarie peril modello di comportamento dell‘incendio (Nelson 2000; Butler et

al. 2006; Stratton 2006; Forthofer 2007).

TAB. 4-1 DESCRIZIONE DELLE DEFINIZIONI USATE NEL TESTO PER RISCHIO INCENDI, ESPOSIZIONE E

SUSCETTIBILITA’. OVERVIEW OF THE DEFINITION USED FOR FIRE RISK, EXPOSURE, AND SUSCEPTIBILITY.

Wildfire Risk = Expected Loss = Probability of a fire at a specific intensity x the loss at

that intensity

E(L) = ∑p(fi)*R(fi)

Expected Loss RISK

Probability of burning at intensity level i EXPOSURE

Response for intensity i SUSCEPTIBILITY

summing over i is fundamental because a fire can arrive at many intensity in a given location

Mentre l'applicazione di modelli non spaziali di comportamento degli incendi per

un‘unica tipologia di combustibile e condizioni meteorologiche costanti risulta

relativamente semplice, la progettazione e la valutazione del rischio e delle attività di

gestione su larga scala richiedono una più complessa attività modellistica, al fine di

caratterizzare pienamente l‘esposizione agli incendi e i potenziali effetti degli eventi

che si possono verificare con diverse condizioni in un‘area specifica. I problemi citati

hanno portato a una forte domanda di sistemi modellistici integrati pervalutare

l'esposizione e il rischio incendi, e analizzare i potenziali benefici delle proposte di

gestione del combustibilee delle altre attività di mitigazione (Miller & Ager 2013). I

modelli di simulazione degli incendi boschivi sono stati anche combinati con software di

ottimizzazione spaziale per progettare piani di trattamento del combustibile (Finney

2006).

Dal punto di vista della valutazione del rischio, il beneficio chiave dei nuovi approcci

della simulazione degli incendi, rispetto a precedenti lavoridi modellizzazione spaziale

85

dei pattern di insorgenza degli incendi, è che i primi tengono in considerazione i fattori

di rischio che influenzano la propagazione degli incendi nel territorio (Ager et al. 2011,

2014). Se opportunamente calibrati e validati, i metodi di simulazione degli incendi

boschivi garantiscono un notevole contenuto informativo utile per la conservazione, il

ripristino e la pianificazione della protezione antincendio in aree soggette a incendi

ricorrenti (Arca et al. 2007; Ager et al. 2007, 2010a; Salis et al. 2013).

La valutazione del rischio basata su metodi di simulazione si è anche legata ad una

serie di tematiche, tra cui il bilancio del carbonio, la conservazione degli habitat, la

protezione delle aree di interfaccia, e la protezione della biodiversità. In questo

contributo verrà discussa l'applicazione di modelli di simulazione e di strumenti geo-

spaziali per la gestione e la valutazione del rischio di incendi in diverse aree di studio,

tra cui gli Stati Uniti occidentali e il bacino del Mediterraneo.

4.3. Applicazioni dell’algoritmo minimum travel time (MTT)

La maggior parte dei modelli di comportamento degli incendi derivano da sistemi che

simulano il comportamento monodimensionale dell‘incendio, come funzione di una

propagazione lineare. La maggior parte dei modelli collegano o integrano i modelli di

Rothermel per la previsione della propagazione degli incendi di superficie e di chioma,

con i modelli di transizione e propagazione degli incendi di chioma di Van Wagner o

Scott, e stimano come outputs le diverse caratteristiche del comportamento dell‘incendio

(velocità di propagazione, intensità lineare del fronte, lunghezza di fiamma, etc.)

(Rothermel 1972; Anderson 1983, Van Wagner 1993; Scott & Reinhardt 2001).

L‘approfondimento della discussione di questi modelli e delle loro limitazioni, così come i

programmi e gli strumenti per determinare gli input relativi alle condizioni

meteorologiche, la selezione degli scenari di gestione del combustibile, o per

semplificare la preparazione dei dati di input e l‘analisi degli output derivati dalle

simulazioni, sono descritti in numerosi lavori recenti, come presentato nell‘introduzione.

Numerosi modelli di simulazione degli incendi utilizzano l‘algoritmo minimum travel time

(MTT, Finney 2002), molto utile per la simulazione di migliaia di incendi con tempi

computazionali limitati e la generazione di mappe di probabilità e intensità di incendio

per grandi aree (Ager et al. 2012).

L‘algoritmo MTT identifica il percorso più rapido per la propagazione dell‘incendio sul

territorio individuando linee di avanzamento connesse dagli angoli delle celle (nodi)

(Fig. 4-1): i percorsi del MTT vengono successivamente interpolati per rivelare la

posizione del perimetro dell‘incendio a un determinato momento nel tempo. L‘algoritmo

MTT è stato esaustivamente descritto da Finney (2002, 2006) e viene applicato

abitualmente per rispondere ai problemi di gestione degli incendi negli Stati Uniti e non

solo. Numerosi articoli scientifici hanno descritto e presentato la calibrazione e

validazione del modello di Rothermel, implementato in FARSITE e nel MTT (Ager et al.

86

2007, 2012; Arca et al. 2007; Duguy et al. 2007; Andrews 2009; Salis 2008; Salis et

al. 2013, 2014a).

FIG. 4-1 PRINCIPALI LINEE DI AVANZAMENTO DI UN INCENDIO (IN GIALLO) E PERIMETRO DI UN

INCENDIO (IN ROSSO) SU UNA FOTOGRAFIA AEREA. LE LINEE DI AVANZAMENTO, OTTENUTE CON

L’ALGORITMO MTT, IDENTIFICANO LE VIE PIÙ VELOCI PER LA PROPAGAZIONE DELL’INCENDIO SUL

TERRITORIO CONNESSE DAI NODI. L’ESEMPIO DI RIFERISCE AD UN INCENDIO PROPAGATOSI IN

NORD-EST SARDEGNA (LU LIONI, COMUNE DI ARZACHENA – OT, AGOSTO 2004). MAJOR FIRE

FLOW PATHS (YELLOW) AND OBSERVED WILDFIRE PERIMETER (RED) OVER AN AERIAL PHOTOGRAPH. THE

FLOW PATHS, OBTAINED BY THE MTT SPREAD ALGORITHM, SEARCHES FOR THE FASTEST PATH OF FIRE

SPREAD ALONG STRAIGHT-LINE TRANSECTS CONNECTED BY NODES. THE EXAMPLE REFERS TO A WILDFIRE

OCCURRED IN NORTH-EAST SARDINIA, ITALY (LU LIONI, ARZACHENA, OT, AUGUST 2004).

4.3.1. Preparazione degli input per il MTT

Il MTT utilizza lo stesso sistema di input spaziali in formato raster come il simulatore

FARSITE. Gli input spaziali comprendono otto tematismi raster che descrivono la

topografia, i combustibili di superficie e le caratteristiche del combustibile di chioma, e

sono combinati in un file binario Landscape (LCP) (Fig. 4-2). I combustibili di superficie

vengono descritti dai modelli di combustibile, che caratterizzano il carico di combustibile

vivo e morto (per classi dimensionali), il rapporto superficie-volume per il combustibile

vivo e morto, la profondità del letto di combustibile, l‘umidità di estinzione, e il potere

calorifico. I modelli di combustibile derivano generalmente da misure in campo, guide

fotografiche, o sono ottenutida altri studi o dati disponibili (Anderson 1982; Scott and

Burgan 2005; Arca et al. 2009).

Le caratteristiche della chioma necessarie per le simulazioni MTT sono la percentuale di

copertura aerea, la densità volumetrica della chioma, l‘altezza della base della chioma,

e la media dell‘altezza. Un input addizionale necessario per le simulazioni è

rappresentato dal contenuto di umidità del combustibile. Altre informazioni spaziali

richieste dal MTT sono relative ai pattern e alla localizzazione delle insorgenze, che

possono derivare da dati storici o si assegnano in modo casuale, e la direzione e

velocità del vento (Fig. 4-3).

87

FIG. 4-2 RAPPRESENTAZIONE DEI DATI SU GRIGLIA DI TOPOGRAFIA E COMBUSTIBILE (DI SUPERFICIE

E DI CHIOMA) CHE VENGONO USATI DAI SIMULATORI DI COMPORTAMENTO DEGLI INCENDI COME

FLAMMAP, FARSITE, RANDIG, AND FSIM. I DATI SONO FACILMENTE CONVERTITI TRAMITE SCIPT DI

ARCFUEL NEL FORMATO BINARIO (DETTO ANCHE FILE LANDSCAPE) RICHIESTO DAI MODELLI DI

PROPAGAZIONE. TOPOGRAPHY, SURFACE AND CROWN FUELS GRID DATA USED FOR WILDFIRE

SIMULATIONS BY FLAMMAP, FARSITE, RANDIG, AND FSIM. THE DATA ARE EASILY CONVERTED WITH

ARCFUELS SCRIPTS TO THE BINARY FORMAT (LANDSCAPE FILE) REQUIRED BY THE ABOVEMENTIONED FIRE

MODELS. MODIFICATA DA – MODIFIED FROM: FINNEY (1998)

FIG. 4-3 QUADRO SINOTTICO DELLA METODOLOGIA PER MODELLIZZARE IL COMPORTAMENTO DEGLI

INCENDI E LA VALUTAZIONE DEL RISCHIO. METHODOLOGICAL FRAMEWORK FOR WILDFIRE GROWTH

AND BEHAVIOR MODELING AND WILDFIRE RISK EVALUATION.

88

4.4. Caratterizzazione dell’esposizione agli incendi

Per caratterizzare l‘esposizione agli incendi di un‗areastudio, i numerosi outputs forniti

dall‘algoritmo MTT possono essere processati e analizzati in ambiente GIS e in

congiunzione con ArcFuels. Uno degli input più interessanti è la burn probability (BP), che

definisce la probabilità che un pixel venga bruciato, considerando una singola ignizione

nell‘intera area studio:

n

BBP

EQ. 4-2

dove B è il numero di volte che un pixel brucia e n è il numero totale degli incendi

simulati.

Per ciascun pixel dell‘area studio, gli output della FLP (probabilità di lunghezza di

fiamma) riportano la probabilità condizionale considerando venti categorie di

lunghezza di fiamma, con intervalli di 0.5 m. L‘intensità dell‘incendio è calcolata dal

tasso di propagazione dell‘incendio calcolato dall‘algoritmo MTT. L‘intensità dipende

dalla direzione in cui l‘incendio incontra un pixel rispetto alla direzione principale di

avanzamento (i.e., coda dell‘incendio, fianco, etc.), dalla pendenza del terreno e

dall‘esposizione. L‘intensità del fronte di fiamma (FLI, kW m-1) è convertita in lunghezza

di fiamma (FL, m) mediante l‘equazione di Byram (1959), riformulata in unità SI da

Wilson (1980):

46.00775.0 FLIFL EQ. 4-3

La distribuzione della lunghezza di fiamma viene utilizzata per calcolare la lunghezza

media di fiamma (CFL), che è la probabilità ponderata della FL, ed è il risultato dei

diversi incendi che bruciano ciascun pixel:

20

1i

ii FL

BP

BPCFL EQ. 4-4

dove FLi è il valore medio della lunghezza di fiamma della categoria iesima, Bpi è la

probabilità che un pixel bruci con intensità di incendio i e la BP è la burn probabilityper

un pixel.

La Fire Size (FS, ha) è un ulteriore output che può essere derivato e definisce la

dimensione potenziale media di ciascun incendio generato in un dato pixel.

89

4.5. Casi di studio

L‘algoritmo MTT è stato applicato per numerosi casi di studio nel bacino del

Mediterraneo e negli Stati Uniti, ad esempio per quantificare il rischio e l‘esposizione

agli incendi, per determinare i profili di esposizione agli incendi per beni di interesse,

per valutare variazioni temporali nell‘esposizione agli incendi, per comparare

alternative di trattamento del combustibile, o per esaminare il bilancio del carbonio a

seguito di trattamenti del combustibile.

Una delle prime applicazioni di FlamMap MTT è stata presentata da Ager et al.

(2007). Il rischio di incendio è stato calcolato per l‘habitat dell‘allocco macchiato (Strix

occidentalis caurina), costituito da foreste secolari, e per valutare le emissioni di carbonio

in Oregon (Ager et al. 2007, 2010a, 2010b). Nel primo articolo, il sistema di analisi

probabilistica del rischio è stato utilizzato per quantificare la minaccia costituita dagli

incendi per l‘habitat dell‘allocco macchiato. Sono stati simulati 10,000 incendi con

inneschi localizzati casualmente per calcolare la probabilità spazialmente esplicita di

perdita di habitat per diversi scenari di trattamento del combustibile su un‘area studio

di 70,245 ha. È stato definito un valore limite di lunghezza di fiamma per ciascun bosco

ed habitat della specie, attraverso l‘uso di FVS-FFE, e tale soglia è stata usata per

determinare la proporzione degli incendi che portavano alla perdita di habitat.

In una successiva applicazione con RANDIG, i fattori di esposizione agli incendi (burn

probability, fire intensity) di beni antropici ed ecologici sono stati valutati negli stati

dell‘Oregon e Washington (Ager et al. 2012; Fig. 4-4) e in Sardegna (Salis et al.

2013). Esempi di fattori di esposizione agli incendi sono stati usati per identificare le

risorse ad alto valore a rischio, e per individuare le priorità di gestione del

combustibile.

Altri esempi di quantificazione del rischio incendio mediante il MTT sono state

presentate da Thompson et al. (2011) e Ager et al. (2013). Il primo studio propone una

valutazione quantitativa e geospaziale del rischio, basata su FSIM, sulla burn robability,

sull‘identificazione dei beni a rischio, e sulla produzione di funzioni di risposta per la

quantificazione del rischio. Nel secondo lavoro, con RANDIG è stata valutata

l‘esposizione agli incendi per importanti valori sociali ed ecologici delle foreste

nazionali in Oregon e Washington, e si è evidenziata una grande variazione spaziale

nella burn probability e nella lunghezza di fiamma per molti degli elementi analizzati.

Un approccio metodologico basato sul rischio è stato utilizzato per analizzare i trade-

off tra obiettivi di gestione ecologica (grandi alberi resilienti agli incendi) e protezione

di strutture residenziali nell‘interfaccia urbano rurale (WUI) (Ager et al. 2010a). La

prima è stata quantificata utilizzando come indicatore la mortalità dei grandi alberi,

mentre la secondo attraverso la burn probability nelle aree in cui sono presenti le

strutture residenziali. Questo studio è stato condotto in un‘area studio di 16,000 ha, in

Oregon, USA. Le strategie di trattamento sono state valutate attraverso la simulazione

90

di 10,000 incendi con ignizioni casuali nel territorio, e replicando eventi severi di

incendio basati sul 97° percentile delle condizioni meteorologiche storiche. I risultati

indicano che i trattamenti posizionati strategicamente su una porzione relativamente

limitata dell‘aera studio (10%) hanno determinato una riduzione di circa il 70% della

perdita prevista dei grandi alberi per lo scenario di gestione ecologica; le aree di

trattamento nei pressi delle strutture residenziali hanno evidenziato una maggior

perdita di grandi alberi, ma burn probability e flame length relativamente inferiori

all‘interno del buffer delle strutture.

FIG. 4-4 MAPPE DI BURN PROBABILITY (BP, A), CONDITIONAL FLAME LENGTH (CFL, B), FIRE SIZE

(FS, C), E SOURCE SINK RATIO (SSR, D) PER L’HABITAT DELL’ALLOCCO MACCHIATO DELL’OREGON

CENTRALE, USA. MAPS OF BURN PROBABILITY (BP, A), CONDITIONAL flAME LENGTH (CFL, B), fiRE SIZE

(FS, C), AND SOURCE SINK RATIO (SSR, D) FOR THE FOR NORTHERN SPOTTED OWL HABITAT IN CENTRAL

OREGON, US. MODIFICATO DA – MODIFIED FROM: AGER ET AL. (2012)

In lavori successivi, le simulazioni con RANDIG sono servite ad analizzare le variazioni

spaziali e temporali nell‘esposizione agli incendi in Sardegna (24,000 km2), Italia (Salis

et al. 2013, 2014a, 2015). Nel primo lavoro, i modelli di simulazione sono stati usati

per determinare le variazioni spaziali nell‘esposizione agli incendi in relazione a beni

ecologici ed economici nell‘isola. Questo studio ha permesso di quantificare i profili di

esposizione (burn probability, lunghezza di fiamma, dimensione degli incendi) e di

identificare le aree in grado di sostenere incendi estesi e severi. Le condizioni

meteorologiche associate ai grandi incendi sfuggiti al controllo sono state utilizzate

come input per simulare centinaia di migliaia di eventi all‘interno dell‘area studio,

selezionando in modo casuale dalla distribuzione di frequenza della durata degli

91

incendi e delle direzioni del vento. Nel secondo articolo (Salis et al. 2014a), sono state

analizzate le variazioni spazio temporali dell‘esposizione agli incendi in Sardegna dal

1980 al 2009, in relazione con i cambiamenti storici nei pattern delle ignizioni, le

condizioni meteorologiche, le attività di soppressione, e gli usi del suolo. Insieme a una

netta riduzione dell‘area bruciata e del numero delle ignizioni, un anticipo di 15 giorni

del picco della stagione degli incendi e un aumento delle temperature primaverili, la

simulazione degli incendi ha evidenziato forti variazioni spaziali nella burn probability

(Fig. 4-5) e un incremento dell‘esposizione agli incendi nelle aree di interfaccia urbano

rurali negli ultimi anni. Considerando i ridotti cambiamenti osservati nelle tipologie di

uso del suolo e dei combustibili per il periodo analizzato, la combinazione tra fattori

sociali e la cresciuta capacità di soppressione possono essere responsabili dei suddetti

risultati. Nel terzo lavoro (Salis et al. 2015), i modelli di simulazione di incendio sono

stati applicati per esplorare i pattern spazio-temporali storici della probabilità e

dell‘intensità degli incendi in Sardegna, utilizzando come riferimento otto periodi

dall‘inizio di Giugno a fine Settembre. L‘analisi dell‘esposizione agli incendi è stata

successivamente applicata per alcune risorse di interesse nell‘isola, per identificare la

variazione temporale del rischio.

FIG. 4-5 ANDAMENTI SPAZIO-TEMPORALI DI CONDITIONAL FLAME LENGTH SIMULATI PER LA

SARDEGNA, DA GIUGNO A SETTEMBRE, PRENDENDO IN CONSIDERAZIONE LE CONDIZIONI STORICHE

OSSERVATE NEL PERIODO DI STUDIO 1995-2009. SIMULATED SPATIOTEMPORAL PATTERNS OF

CONDITIONAL FLAME LENGTH IN SARDINIA, FROM JUNE TO SEPTEMBER, CONSIDERING THE HISTORIC

CONDITIONS OBSERVED IN THE STUDY PERIOD 1995–2009. MODIFICATO DA – MODIFIED FROM: SALIS

ET AL. (2014A)

92

Più recentemente, Alcasena et al. (2015) hanno usato l‘approccio di FlamMap MTT per

stimare l‘esposizione agli incendi per beni e risorse di valore nella Sardegna centrale.

Sono stati simulati 90,000 incendi e generate mappe di probabilità e intensità di

incendio per l‘area studio, focalizzando successivamente l‘attenzione sull‘esposizione

agli incendi dei buffer intorno alle strutture di interesse.

Per quanto concerne le attività di mitigazione e la gestione del combustibile, sono stati

riportati impatti sia positivi sia negativi (Finkral & Evans 2008; Mitchell et al. 2009;

Reinhardt & Holsinger 2010). In un lavoro di notevole interesse (Ager et al. 2010b), è

stato selezionato come caso studio un bacino idrografico di 70,000 ha, nella Foresta

Nazionale del Fremont-Winemadel sud dell‘Oregon, per valutare le variazioni di

carbonio legate ai trattamenti del combustibile, combinando le funzioni di perdita del

carbonio con gli output della lunghezza di fiamma. In questo lavoro, sono stati simulati

30,000 sia per paesaggi trattati che non trattati. I risultati suggeriscono che le perdite

di carbonio dovute ai trattamenti per la riduzione del combustibile eccedono i benefici

attesi per il carbonio associati a minori burn probability e ridotte fire severity nelle

zone trattate.

4.6. Limitazioni dell’algoritmo MTT

In generale, i tre problemi ampiamente noti per l‘applicazione dei modelli di

simulazione del comportamento degli incendi sono: la scelta di modelli di

combustibileappropriati, la quantificazione del combustibile di chioma, e le limitazioni

del modello di Rothermel in orografie complesse. Riguardo il primo punto, numerosi

modelli di comportamento degli incendi richiedono un modello di combustibile di

superficie che viene tipicamente scelto fra modelli standard o custom. I modelli di

combustibile sono difficili da calibrare e raramente vengono validati con osservazioni

del comportamento del fuoco (Arca et al. 2007; Salis 2008; Ager et al. 2011).

Inoltre, i metodi di stima delle caratteristiche del combustibile di chioma, fondamentali

per simulare il comportamento degli incendi di chioma (Cruz and Alexander 2010)

presentano diverse limitazioni. L‘altezza della base della chioma e il contenuto di

umidità fogliare vengono entrambi usati per calcolare l‘intensità critica del fronte di

fiamma, mentre la densità volumetrica della chioma viene usata per determinare il tasso

di propagazione degli incendi di chioma attivi. Poiché le misure di tipo distruttivo del

combustibile di chioma sono complesse e costose, sono necessari dei metodi indiretti di

stima basati su dati di inventario (Reinhardt et al. 2006). I sistemi di modellizzazione

della vegetazione, come FVS-FFE, vengono usati per elaborare i dati dell‘inventario con

l‘obiettivo di determinare l‘effettiva altezza della base della chioma, e la densità della

chioma, attraverso una media mobile. Infine, i modelli di comportamento degli incendi si

basano sulle equazioni di Rothermel per gli incendi di superficie, e il comportamento

dell‘incendio viene rappresentato soltanto considerando una combustione frontale.

93

Questo rappresenta una limitazione per la propagazione degli incendi in orografie

complesse, in cui fenomeni fisici associati agli incendi (e.g. incanalamenti dell‘incendio)

non vengono adeguatamente rappresentati e riconosciuti dal modello di propagazione

di Rothermel (Viegas & Pita 2004; Viegas 2006; Sharples et al. 2012; Raposo et al.

2015).

94

WILDFIRE EXPOSURE EVALUATION USING MTT FIRE SPREAD MODELING

Abstract

The growing incidence of large wildfires affecting urban interfaces and values of interest over

the past decades has led to extensive research on decision support tools for fire risk assessment

and management. The inherent complexity of risk management and fuel treatment planning has

led to a rapid increase in the application of fire spread and behavior modeling software for

both research and operational applications. Simulation models allow to analyze potential fire

behavior and to develop risk and exposure assessments and mitigation strategies, over a range

of scales, from forest stands (a few hectares) to large landscapes, especially through the

minimum travel time algorithm. The outputs can be used to study wildfire topology on complex

landscapes, and analyze uncertainty associated with wildfire events in terms of timing, location,

intensity, and duration. Properly calibrated and validated, wildfire simulation methods offer a

dramatic increase in information content for conservation, restoration, and fire protection

planning on fire-prone landscapes and especially for WUI areas.

4.1 Introduction

The growing incidence of wildfires and related losses in the Mediterranean region has

prompted the development of several approaches for analyzing and mapping wildfire hazard,

risk and exposure (Chuvieco et al. 2003, 2010; Carmel et al. 2009; Martinez et al. 2009;

Verde & Zezere 2010). Formal, quantitative assessment of wildfire risk requires (i) the

probability of a fire at a specific location; (ii) the conditional fire intensity, measured in terms of

flame length and (iii) the resulting change in financial or ecological value (Finney 2005). From a

risk standpoint, it is important to note that a very small proportion of fires globally accounts for

most of the burned area, as well as resulting damages and human casualties (Pereira et al.

2005; San-Miguel-Ayanz & Camia 2009; Salis et al. 2013). Thus, accounting for the risk posed

by large destructive fires requires consideration of their behavior and spread over large

areas. Effects of large fires are now being considered as part of risk and exposure assessments

in the US, Canada and the Mediterranean area through the use of simulation methods (e.g.:

Ager et al. 2011; Finney et al. 2011; Thompson et al. 2011; Salis et al. 2013, 2014a, 2015).

The work is made possible by efficient fire spread algorithms incorporated into models like

FlamMap and FSIM (Finney 2006; Finney et al. 2011) that allow to saturate landscapes with

thousands simulated fire events and to estimate the burn probability at different fire intensities.

The products from these assessments have been used in a range of policy and planning

problems, including fuel management, preparedness and suppression strategies. In fact, to

reduce the growing financial and ecological losses from large wildfires, risk assessment and

cost-effective mitigation activities have become a challenge for planners, policy makers, fuel

managers and Forest Services (Ager et al. 2011; Calkin et al. 2011; Ager et al. 2014). The

relevant importance of wildfire risk assessment and fuel management will play a key role with

urban expansion into the wildlands, land use variations and climate-change effects on fire

occurrence, burn probability, fire intensity and the related consequences (Brown et al. 2004;

Westerling et al. 2006; Moreira et al. 2011; Arca et al. 2012; Kloster et al. 2012; Brotons et

95

al. 2013; Ager et al. 2014; Salis et al. 2015).

4.2 Assessing fire exposure

Fire risk is defined as the expected economic loss (or benefit) after a fire, while fire exposure is

defined as the analysis of the probabilities of a fire at given intensities (Descrizione delle

definizioni usate nel testo per rischio incendi, esposizione e suscettibilita‘. Overview of the

definition used for fire risk, exposure, and susceptibility.; Fairbrother & Turnley 2005; Finney

2005; Salis et al. 2013). Risk factors are the individual contributing components to risk

(likelihood, intensity and susceptibility). As previously reported, quantitative assessment of

wildfire risk requires (a) the probability of a fire at a specific location; (b) the conditional fire

intensity, measured by flame length; (c) the resulting net value change in financial or ecological

value (Finney 2005; Miller & Ager 2013). Wildfire exposure is a necessary step in risk

assessment and does not include the quantification of expected wildfire impacts.

Simulation models are routinely used to analyze potential fire behavior and to develop risk

assessments and mitigation strategies, over a range of scales, from forest stands (a few

hectares) to landscapes (< 105 ha), regional (< 107 ha) or national scales (Calkin et al. 2011;

Salis et al. 2014b). Fire behavior models used include NEXUS (Scott 1999), BehavePlus

(Andrews 2007), FVS-FFE (Rebain 2010), FARSITE (Finney 1998), FlamMap (Finney 2006),

RANDIG (Finney 2002), and FSIM (Finney et al. 2011). The geospatial interface to these

models, ArcFuels, is used to streamline preparation of input files and post-process simulation

outputs (Vaillant et al. 2013). To analyze uncertainty associated with wildfire events in terms of

timing, location, rate of spread, intensity, and duration, simulation of thousands fires at

landscape scales are commonly performed. A number of supporting models and software can

be used, in conjunction with historical databases, to estimate appropriate wind, weather, dead

and live fuel moisture, and other input variables required to run a fire behavior model (Nelson

2000; Butler et al. 2006; Stratton 2006; Forthofer 2007). While the application of non-spatial

fire behavior models for a single fuel type and constant weather conditions is relatively

straightforward, the design and evaluation of large-scale risk assessment and management

activities requires more complex landscape fire modeling to fully characterize fire exposure

and potential effects of events burning with diverse conditions in an area.

The abovementioned issues have created a strong demand for an integrated modeling system

to assess current wildfire exposure and risk, and to analyze the potential benefits of proposed

fuel management and other mitigation activities (Miller & Ager 2013). Wildfire simulation

models have also been coupled with spatial optimization software to design efficient landscape

fuel treatment plans (Finney 2006). From a risk assessment standpoint, the key benefit of newer

wildfire simulation approaches, compared to previous works on spatial ignition patterns, is that

the former accounts for risk factors that influence landscape wildfire spread, while the latter

does not (Ager et al. 2011, 2014). Overall, properly calibrated and validated, wildfire

simulation methods offer a dramatic increase in information content for conservation,

restoration, and fire protection planning on fire-prone landscapes (Arca et al. 2007; Ager et

al. 2007, 2010a; Salis et al. 2013). Risk assessments using simulation methods have now been

completed for a range of issues including carbon offsets, wildlife habitat conservation, WUI

96

protection, and protection of biodiversity. In this paper, we will discuss the application of

wildfire simulation models and geospatial tools for wildfire risk assessment and management

for several study areas including the western US and the Mediterranean Basin.

4.3 Applications of the minimum travel time (MTT) algorithm

The majority of fire behavior models are derived from systems that model one-dimensional fire

behavior as part of a spreading line fire. Most models linked or integrated Rothermel‘s models

for predicting surface and crown fire rates of spread with Van Wagner‘s or Scott‘s crown fire

transition and propagation models, and provided outputs of diverse fire behavior

characteristics (rate of spread, fireline intensity, flame length, crown fire activity, etc.)

(Rothermel 1972; Anderson 1983; Van Wagner 1993; Scott & Reinhardt 2001). In depth

discussions of these models and their limitations, as well as programs and tools to determine

appropriate weather inputs, to select fuel management scenarios, or to streamline preparation

of input files and post-process simulation outputs, can be found in several recent papers, as

presented in the Introduction.

Several landscape fire simulation models use the minimum travel time algorithm (MTT, Finney

2002), a compact fire simulation algorithm that makes computationally feasible to simulate

thousands of fires and generate burn probability and intensity maps over large areas (Ager et

al. 2012). The MTT algorithm searches for the fastest path of fire spread along straight-line

transects connected by the cell corners (nodes) (Fig. 4-1): MTT pathways are then interpolated

to reveal the fire perimeter positions at specific instants in time. The MTT algorithm has been

extensively described (Finney 2002, 2006) and is routinely applied to fire management

problems in the US and elsewhere. Initial calibration and validation of the Rothermel‘s fire

spread model as implemented in FARSITE and the MTT were performed and described by

several research papers (Ager et al. 2007, 2012; Arca et al. 2007; Duguy et al. 2007;

Andrews 2009; Salis 2008; Salis et al. 2013, 2014a).

4.3.1 MTT inputs

The MTT uses the same set of gridded spatial inputs as FARSITE simulator. The spatial inputs

include eight grid themes that describe topography, surface fuels, and fuel canopy

characteristics, combined into a binary landscape (LCP) file (Fig. 4-2). Surface fuels are

described by fuel models that characterize dead and live fuel load (by size class), surface-

area-to-volume ratio for live and dead fuels, fuel bed depth, moisture of extinction, and heat

content. Fuel models are commonly derived from field measurements, photo guides, or obtained

from other studies or data sources (Anderson 1982; Scott & Burgan 2005; Arca et al. 2009).

Canopy characteristics needed are percentage of canopy cover, crown bulk density, crown

base height, and average height. An additional input necessary for the simulations is

represented by the fuel moisture content. Other spatial information required by the MTT is

related to fire ignition pattern and location, which can be derived from historical data or

randomly attributed, and to wind speed and direction (see also Fig. 4-3).

97

4.4 Fire exposure characterization

To characterize wildfire exposure for a study area, several outputs provided by the MTT

algorithm can be processed and analyzed in GIS environment and in conjunction with ArcFuels.

One of the most interesting outputs is the burn probability (BP), which defines the chance that a

pixel will burn considering one ignition in the whole study area:

n

BBP

where B is the number of times a pixel burns and n is the total number of fires simulated.

For each pixel of the study area, FLP (Flame Length Probability) output file reports the

conditional probability by twenty flame length categories of 0.5-m intervals. Fire intensity is

calculated from the fire spread rate predicted by the MTT algorithm. The modeled intensity

depends on the direction in which the fire encounters a pixel relative to the major direction of

spread (i.e. heading, flanking or backing fire), as well as terrain slope and aspect. Fireline

intensity (FLI, kW m-1) is converted to flame length (FL, m) using Byram‘s (1959) equation,

reformulated in SI units by Wilson (1980):

46.00775.0 FLIFL

The flame length distribution is used to calculate the conditional flame length (CFL), which is the

weighted probability of FL generated from the multiple fires burning each pixel:

20

1i

ii FL

BP

BPCFL

Where FLi is the flame length mid-value of the ith category, BPi is the probability that the pixel

burns at a fire intensity i and BP is the burn probability for the pixel.

Fire Size (FS, ha) is another output that can be derived and defines the average potential size

of each fire generated in a given pixel.

4.5 Case studies

The MTT algorithm was applied to several case studies in the Mediterranean Basin and in the

US, as for instance to quantify landscape wildfire exposure and risk, to determine fire

exposure profiles for values at risk, to assess temporal variation in fire exposure, to compare

fuel treatment alternatives, and to examine expected carbon offsets from fuel treatments.

Ager et al. 2007 provided one of the first application of the MTT as implemented in FlamMap.

Wildfire risk was calculated for northern spotted owl (Strix occidentalis caurina) habitat, old

growth forests, and to evaluate carbon emissions in Oregon (Ager et al. 2007, 2010a, 2010b).

In the first paper, the probabilistic risk analysis system was used for quantifying wildfire threats

to spotted owl habitat. 10,000 wildfire simulations with randomly located ignitions were run to

calculate spatially explicit probabilities of habitat loss for fuel treatment scenarios on a 70,245

98

ha study area. A flame length threshold for each spotted owl habitat stand was determined

using FVS-FFE and used to predict the proportion of fires that resulted in habitat loss. In a

subsequent application with RANDIG, the analyses were scaled up to analyze wildfire

exposure factors (burn probability, fire intensity) to social and ecological values on Oregon

and Washington States, and Sardinia (Italy) (Ager et al. 2012; Salis et al. 2013). Example

plots of fire exposure factors were used to identify highly valued resources at risk, and to

prioritize fuel management activities (Fig. 4-4).

Thompson et al. (2011) and Ager et al. (2013) presented other examples of quantifying fire

risk with the MTT. The first study described a quantitative, geospatial fire risk assessment tool

based on FSIM and on burn probability modeling, identification of values at risk, and

production of response functions to quantify fire risk. In the second work, wildfire exposure was

assessed with RANDIG for important social and ecological assets on the national forests in

Oregon and Washington, showing strong spatial variation in burn probability and conditional

flame length for many of the analyzed features.

A risk framework was used to analyze tradeoffs between ecological management objectives

(large fire resilient trees) versus the protection of residential structures in the wildland urban

interface (WUI) (Ager et al. 2010a). The former was quantified using the expected mortality of

large trees and the latter with burn probability in the location of residential structures. This

study was conducted in a 16,000 ha study area in Oregon, US. The treatment strategies were

evaluated by simulating 10,000 wildfires with random ignition locations, and replicating severe

fire events based on 97th percentile historic weather conditions. The main findings were that

treatments strategically located on a relatively minor percentage of the landscape (10%)

resulted in a roughly 70% reduction in the expected wildfire loss of large trees for the

restoration scenario; treating stands near residential structures resulted in a higher expected

loss of large trees, but relatively lower burn probability and flame length within structure

buffers.

In later works, RANDIG simulation modeling was used to analyze spatial and temporal

variation in wildfire exposure on the island of Sardinia (24,000 km2), Italy (Salis et al. 2013,

2014a, 2015). In the first work, simulation modelling was used to determine spatial variation in

wildfire exposure relative to key social and economic features on the island. This study allowed

to quantify exposure profiles (burn probability, flame length, fire size) and to identify

landscapes able to support large and severe fires. Weather conditions associated with large

escaped fires were used as input to simulate hundred thousand fire events within the study

area, randomly drawing from the frequency distribution of burn periods and wind directions. In

the second paper (Salis et al. 2014a), the spatiotemporal changes in wildfire exposure in

Sardinia from 1980 to 2009 in relation to historical changes in fire ignition patterns, weather,

suppression activities, and land uses were analyzed. Along with a net reduction in area burned

and fire ignitions, an advance of 15 days for the fire season peak, and an increase in spring

temperatures, the wildfire modeling highlighted strong spatial variations in burn probability

(Fig. 4-5) and increments in fire exposure for WUI areas in the last years. Considering that little

change was observed for land use types and associated fuels for the analyzed timeframes, a

combination of social factors and suppression capabilities may be responsible of the above-

mentioned results. In the third work (Salis et al. 2015), landscape scale wildfire simulation

99

modeling was applied to explore the historical spatiotemporal patterns of wildfire likelihood

and intensity in Sardinia, using as reference 8 timeframes from early June to late September.

Wildfire exposure analysis was then applied for selected highly valued resources on the island

to identify temporal variation in risk.

More recently, Alcasena et al. (2015) used FlamMap MTT simulation modeling approach to

assess wildfire exposure for highly valued resources and assets (HVR) in central Sardinia, Italy.

90,000 fires were simulated, generating maps of wildfire likelihood and intensity for the whole

study area, and then focusing on fire exposure of buffer areas around HVR.

About mitigation activities and landscape fuel management, both positive and negative carbon

impacts have been reported (Finkral & Evans 2008; Mitchell et al. 2009; Reinhardt & Holsinger

2010). In an interesting study (Ager et al. 2010b), a 70,000 ha watershed on the Fremont-

Winema National Forest in southern Oregon, US, was used as case study to assess the

expected carbon change from fuel treatments, combining carbon loss functions with the flame

length probability outputs. In this work, 30,000 wildfires were simulated with random ignition

locations under both treated and untreated landscapes. The results suggested that the carbon

loss from implementing fuel reduction treatments exceeded the expected carbon benefits

associated with lowered burn probabilities and reduced fire severity on the treated landscape.

4.6 Limitations of the MTT algorithm

Overall, three widely recognized issues with the application of the fire behavior models are:

the choice of the most appropriate fuel models, the quantification of canopy fuels, and the

limitation of Rothermel‘s model in complex terrains. About the first point, several fire behavior

models require a surface fuel model, which is typically chosen from standard or custom models.

Fuel models are difficult to calibrate and are rarely validated with observed fire behavior

(Arca et al. 2007; Salis 2008; Ager et al. 2011). Also, known limitations exist with estimates of

canopy fuel characteristics, critical to model crown fire behavior (Cruz & Alexander 2010).

Canopy base height and foliar moisture content are both used to calculate the critical fireline

intensity, and canopy bulk density is used to determine active crown fire rate of spread.

Because destructive measuring on canopy fuels is not feasible and expensive, indirect methods

using tree inventory data are necessary (Reinhardt et al. 2006). Vegetation modeling systems

such as FVS-FFE are used to process inventory data to determine the effective canopy base

height and canopy bulk density using a running mean. Finally, fire behavior models rely on the

Rothermel‘s surface fire equations, and fire behavior is only represented for frontal combustion.

This is a limitation for wildfires spreading in complex terrains, where specific physical

phenomena associated to wildfires (e.g.: fire channeling) are not properly captured by the

Rothermel‘s spread model (Viegas & Pita 2004; Viegas 2006; Sharples et al. 2012; Raposo et

al. 2015).


Ager A.A., Buonopane M., Reger A., Finney M.A. (2013) Wildfire Exposure Analysis on the

National Forests in the Pacific Northwest, USA. Risk Anal 33:1000-1020.

doi:10.1111/j.1539-6924.2012.01911.x

100

Ager A.A., Finney M.A., Kerns B.K., Maffei H. (2007) Modeling wildfire risk to northern spotted

owl (Strix occidentalis caurina) habitat in Central Oregon, USA. For Ecol Manage

246:45-56. doi:10.1016/j.foreco.2007.03.070

Ager A.A., Finney M.A., Mcmahan A., Cathcart J. (2010b) Measuring the effect of fuel

treatments on forest carbon using landscape risk analysis. Nat Hazard Earth Sys

10:2515-2526. doi:10.5194/nhess-10-2515-2010

Ager A.A., Preisler H.P., Arca B., Spano D., Salis M. (2014) Wildfire risk estimation in the

Mediterranean area. Environmetrics 25(6):384-396. doi:10.1002/env.2269

Ager A.A., Vaillant N., Finney M.A. (2011) Application of fire behavior models and geographic

information systems for wildfire risk assessment and fuel management planning. J

Combust. doi:10.1155/2011/572452

Ager A.A., Vaillant N.M., Finney M.A (2010a) A comparison of landscape fuel treatment

strategies to mitigate wildland fire risk in the urban interface and preserve old forest

structure. For Ecol Manage 259:1556-1570. doi:10.1016/j.foreco.2010.01.032

Ager A.A., Vaillant N.M.Finney M.A., Preisler H.K. (2012) Analyzing wildfire exposure and

source-sink relationships on a fire prone forest landscape. For Ecol Manage 267:271-

283. doi:10.1016/j.foreco.2011.11.021

Alcasena F.J., Salis M., Ager A.A., Arca B., Molina D., Spano D. (2015) Assessing Landscape

Scale Wildfire Exposure for Highly Valued Resources in a Mediterranean Area. Environ

Manage. doi 10.1007/s00267-015-0448-6

Anderson H.E. (1982) Aids to determining fuel models for estimating fire behaviour. USDA For.

Serv. Gen. Tech. Rep. INT-122.lntermt For and Range ExpStn, Ogden, UT

Anderson H.E (1983) Predicting wind-driven wildland fire size and shape. USDA For. Serv. Res.

Pap. INT-305.lntermt. For and Range ExpStn, Ogden, UT

Andrews P.L. (2007) BehavePlus fire modeling system: past, present, and future. In: Proceedings

of 7th Symposium on Fire and Forest Meteorological Society, pp. 1-13, Bar Harbor,

Maine, October 2007.

Andrews P.L. (2009) BehavePlus fire modeling system, version 5.0: Variables. USDA For. Serv.

Gen. Tech. Rep. RMRS-GTR-213www revised, Rocky Mountain Res Stn, Fort Collins, CO

Arca B., Bacciu V., Pellizzaro G., Salis M., Ventura A., Duce P., Spano D., Brundu G (2009) Fuel

model mapping by IKONOS imagery to support spatially explicit fire simulators. In:

Chuvieco E, Lasaponara R (eds) ‗7th International Workshop on Advances in Remote

Sensing and GIS Applications in Forest Fire Management towards an Operational Use

of Remote Sensing in Forest Fire Management‘, 2–5 September 2009, Matera, Italy

Arca B., Duce P., Laconi M., Pellizzaro G., Salis M., Spano D. (2007) Evaluation of FARSITE

simulator in Mediterranean maquis. Int J Wildland Fire 16:563-572.

doi:10.1071/WF06070

Arca B., Pellizzaro G. Duce P., Salis M., Bacciu V., Spano D., Ager A.A, Finney M.A., Scoccimarro

E. (2012) Potential changes in fire probability and severity under climate change

scenarios in Mediterranean areas. In: Spano D, Bacciu V, Salis M, Sirca C (eds.), 2012.

Modelling Fire Behaviour and Risk. Nuova StampaColor, Sassari

101

Brotons L., Aquilué N., de Caceres M., Fortin M.J., Fall A. (2013) How fire history, fire

suppression practices and climate change affect wildfire regimes in Mediterranean

landscapes. PLoS One 8(5):e62392. doi:10.1371/journal.pone.0062392.

Brown T.J., Hall B.L., Westerling A.L. (2004) The impact of twenty-first century climate change on

wildland fire danger in the western United States: an applications perspective. Clim

Change 62:365-388. doi:10.1023/B:CLIM.0000013680.07783.de

Butler B.W., Finney M.A., Bradshaw L., Forthofer J.M., McHugh C.W., Stratton R.D., Jimenez D.

(2006) WindWizard: A New Tool for Fire Management Decision Support. In:

Proceedings of the Fuels Management-How to Measure Success, pp. 787-796, Portland,

Oregon, March 2006

Byram G.M. (1959) Combustion of forest fuels. In: Davis KP (ed) Forest Fire: Control and Use.

McGraw-Hill, New York

Calkin D.E., Ager A.A., Thompson M.P. (2011) A comparative risk assessment framework for

wildland fire management: the 2010 cohesive strategy science report. USDA For. Serv.

Gen. Tech. Rep. RMRS-GTR-262, Rocky Mountain Res Stn, Fort Collins, CO

Carmel Y., Paz S., Jahashan F., Shoshany M. (2009). Assessing fire risk using MonteCarlo

simulations of fire spread. For Ecol Manage 257(1):370-377

Chuvieco E., Aguado I., Yebra M., Nieto H., Salas J., Martín M.P., Vilar L., Martínez J., Martín S.,

Ibarra P., de la Riva J., Baeza J., Rodríguez F., Molina J.R., Herrera M.A., Zamora R.

(2010) Development of a framework for fire risk assessment using remote sensing and

geographic information system technologies. Ecol Model 221:46–58

doi:10.1016/j.ecolmodel.2008.11.017

Chuvieco E., Allgöwer B., Salas F.J. (2003) Integration of physical and human factors in fire

danger assessment. In: E Chuvieco (ed) ‗Wildland Fire Danger Estimation and Mapping.

The Role of Remote Sensing Data‘. Series in Remote Sensing, vol. 4, pp. 197–218.

(World Scientific Publishing: Singapore)

Cruz M.G. and Alexander M.E. (2010) Assessing crown fire potential in coniferous forests of

western North America: a critique of current approaches and recent simulation studies.

Int J Wildland Fire 19:377-398. doi:10.1071/WF08132

Duguy B., Alloza J.A., Roder A. Vallejo R., Pastor F. (2007) Modeling the effects of landscape

fuel treatments on fire growth and behaviour in a Mediterranean landscape (eastern

Spain). Int J Wildland Fire 16:619-632. doi:10.1071/WF06101

Fairbrother A., Turnley J.G. (2005) Predicting risks of uncharacteristic wildfires: application of

the risk assessment process. For Ecol Manage 211:28-35.

doi:10.1016/j.foreco.2005.01.026

Finkral A.J. and Evans A.M. (2008) The effects of a thinning treatment on carbon stocks in a

northern Arizona ponderosa pine forest. For Ecol Manage 255:2743-2750.

doi:10.1016/j.foreco.2008.01.041

Finney M.A. (1998) FARSITE: fire area simulator—model development and evaluation. USDA

For. Serv. Res. Pap. RMRS- RP-4, Rocky Mountain Res Stn, Fort Collins, CO

102

Finney M.A. (2002) Fire growth using minimum travel time methods. Can J For Res 32(8): 1420-

1424. doi:10.1139/X02-068

Finney M.A. (2005) The challenge of quantitative risk analysis for wildland fire. For Ecol

Manage 211:97-108. doi:10.1016/j.foreco.2005.02.010

Finney M.A. (2006) An overview of FlamMap fire modeling capabilities. In: Proceedings of the

Fuels Management-How to Measure Success, pp. 787-796, Portland, Oregon, March

2006

Finney M.A., Grenfell I.C., McHugh C.W., Seli R.C., Trethewey D., Stratton R.D., Brittain S. (2011)

A method for ensemble wildland fire simulation. Environ Model Assess 16:153-167.

doi:10.1007/s10666-010-9241-3

Forthofer J.M. (2007) Modeling wind in complex terrain for use in fire spread prediction.

Dissertation, Colorado State University

Kloster S., Mahowald N.M., Randerson J.T., Lawrence P.J. (2012) The impacts of climate, land

use, and demography on fires during the 21st century simulated by CLM-CN.

Biogeosciences 9:509-525. doi:10.5194/bg-9-509-2012

Martínez J., Vega-Garcia C., Chuvieco E. (2009) Human-caused wildfire risk rating for

prevention planning in Spain. J Environ Manage 90, 1241–1252.

doi:10.1016/j.jenvman.2008.07.005

Miller C. and Ager A.A. (2013) A review of recent advances in risk analysis for wildfire

management. Int J Wildland Fire 22:1–14. doi:10.1071/WF11114

Mitchell S.R., Harmon M.E., O‘Connell K.E.B. (2009) Forest fuel reduction alters fire severity and

long-term carbon storage in three Pacific Northwest ecosystems. EcolAppl 19:643–655.

doi:10.1890/08-0501.1

Moreira F., Viedma O., Arianoutsou M., Curt T., Koutsias N., Rigolot E.,Barbati A., Corona P., Vaz

P., Xanthopoulos G., Mouillot F., Bilgili E. (2011) Landscape - wildfire interactions in

southern Europe: Implications for landscape management. J Environ Manage

92(10):2389-2402. doi:10.1016/j.jenvman.2011.06.028

Nelson R.M. (2000) Prediction of diurnal change in 10-h fuel stick moisture content. Can J For

Res 30:1071-1087. doi:10.1139/cjfr-30-7-1071

Pereira M.G., Trigo R.M., DaCamara C.C., Pereira J.M.C., Leite S.M. (2005) Synoptic patterns

associated with large summer forest fires in Portugal. Agric For Meteorol129, 11–25.

doi:10.1016/j.agrformet.2004.12.007

Raposo J., Cabiddu S., Viegas D.X., Salis M., Sharples J. (2015) Experimental analysis of fire

spread across a two-dimensional ridge under wind conditions. Int J Wildland Fire.

http://dx.doi.org/10.1071/WF14150

Rebain S.A. (2010) The fire and fuels extension to the forest vegetation simulator: updated

model documentation. USDA For. Serv. Internal Rep. For. Manage Serv. Center, Fort

Collins, CO

Reinhardt E. and Holsinger L. (2010) Effects of fuel treatments on carbon-disturbance

relationships in forests of the northern Rocky Mountains. For Ecol Manage 259:1427-

1435. doi:10.1016/j.foreco.2010.01.015

103

Reinhardt E., Scott J., Gray K., Keane R. (2006) Estimating canopy fuel characteristics in five

conifer stands in the western United States using tree and stand measurements. Can J

For Res 36:2803-2814. doi:10.1139/X06-157

Rothermel R.C. (1972) A mathematical model for predicting fire spread in wildland fuels. USDA

For. Serv. Res. Pap. INT-115. lntermt. For and Range ExpStn, Ogden, UT

Salis M. (2008) Fire behaviour simulation in Mediterranean maquis using FARSITE (Fire Area

Simulator). Dissertation, UniversitàdegliStudi di Sassari

Salis M., Ager A.A., Alcasena F., Arca B., Finney M.A., Pellizzaro G., Spano D. (2015) Analyzing

seasonal patterns of wildfire exposure factors in Sardinia, Italy. Environ Monit Assess

(2015) 187:4175. DOI 10.1007/s10661-014-4175-x

Salis M, Ager AA, Arca B, Finney MA, Bacciu V, Duce P, Spano D (2013) Assessing exposure of

human and ecological values to wildfire in Sardinia, Italy. Int J Wildland Fire 22:549-

565. doi:10.1071/WF11060

Salis M., Ager A.A., Finney M.A., Alcasena F.J., Arca B., Munoz Lozano O., Santoni P.A., Spano D.

(2014b) Application of simulation modeling for wildfire risk assessment and

management. In Viegas DX (ed.), Advances in Forest Fire Research, 1646-1657, doi:

10.14195/978-989-26-0884-6_181. ISBN 978-989-26-0884-6

Salis M., Ager A.A., Finney M.A., Arca B., Spano D. (2014a) Analyzing spatiotemporal changes

in wildfire regimes and exposure across a Mediterranean fire-prone area. Nat Hazards

71(3):1389-1418. doi:10.1007/s11069-013-0951-0

San-Miguel-Ayanz J. and Camia A. (2009) Forest fires at a glance:facts, figures and trends in

the EU. In Y Birot (ed.) ‗Living with Wildfires: What Science Can Tell Us. A Contribution

to the Science–Policy Dialogue‘. pp. 11–18. (European Forest Institute: Joensuu, Finland)

Scott J.H. (1999) NEXUS: a system for assessing crown fire hazard. Fire Management Notes

59:21–24

Scott J.H. and Burgan R. (2005) Standard fire behavior fuel models: a comprehensive set for use

with Rothermel‘s Surface Fire Spread Model. USDA For. Serv. Gen. Tech. Rep. RMRS-

GTR-153, Rocky Mountain Res Stn, Fort Collins, CO

Scott J.H. and Reinhardt E. (2001) Assessing crown fire potential by linking models of surface

and crown fire behavior. USDA For. Serv. Res. Pap. RMRS- RP-29, Rocky Mountain Res

Stn, Fort Collins, CO

Sharples J.J., McRae R.H.D., Wilkes S.R. (2012) Wind–terrain effects on the propagation of

wildfires in rugged terrain: fire channelling. Int J Wildland Fire 21:282–296.

doi:10.1071/WF10055

Stratton R.D. (2006) Guidance on spatial wildland fire analysis: models, tools, and techniques.

USDA For. Serv. Gen. Tech. Rep. RMRS-GTR-183, Rocky Mountain Res Stn, Fort Collins,

CO

Thompson M.P., Calkin D.E., Finney M.A., Ager A.A., Gilbertson-Day J.W. (2011) Integrated

national-scale assessment of wildfire risk to human and ecological values. Stoch Environ

Res Risk Assess 25, 761–780. doi:10.1007/S00477-011-0461-0

104

Vaillant N.M., Ager A.A., Anderson J. (2013) ArcFuels10 system overview. USDA For. Serv. Gen.

Tech. Rep. PNW-GTR-875, Pacific Northwest Res Stn, Portland, OR

Van Wagner C.E .(1993) Prediction of crown fire behavior in two stands of jack pine. Can J For

Res 23:442-449. doi:10.1139/x93-062

Verde J.C. and Zezere J.L. (2010) Assessment and validation of wildfire susceptibility and

hazard in Portugal. Nat Hazards Earth SystSci 10, 485–497.doi:10.5194/nhess-10-

485-2010

Viegas D.X. (2006) Parametric study of an eruptive fire behaviour model. Int J Wildland Fire

15:169-177. doi:10.1071/WF05050

Viegas D.X. and Pita L.P. (2004) Fire spread in canyons. Int J Wildland Fire 13:253-274.

doi:10.1071/WF03050

Westerling A.L., Hidalgo H.G., Cayan D.R., Swetnam T.W. (2006) Warming and earlier spring

increase Western U.S. forest wildfire activity. Science 313:940-943.

doi:10.1126/science.1128834

Wilson R. (1980) Reformulation of forest fire spread equations in SI units. USDA Forest Service,

Intermountain Forest & Range Experiment Station, Research Note INT-292. (Odgen, UT)

105

5. LA MODELLISTICA DEGLI EFFETTI PRIMARI DEGLI

INCENDI

LES MODÈLES DES EFFETS PRIMAIRES DES INCENDIES

Valentina Bacciu1,2, Grazia Pellizzaro3, Michele Salis1,2, Donatella Spano1,2


Sassari (Italia)




(Italia)

Riassunto

La conoscenza degli effetti degli incendi sulle componenti ecosistemiche è di

fondamentale importanza non solo nella definizione degli interventi di recupero a

seguito dell‘evento ma anche nella programmazione e valutazione degli approcci

gestionali preventivi. L‘approccio di tipo modellistico risponde ad entrambe le necessità

permettendo di considerare l'azione simultanea di più fattori, di riprodurre ciò che

potrebbe verificarsi in un dato contesto secondo determinate condizioni, e di elaborare

un'ipotetica risposta al comportamento dell'incendio. Il presente capitolo intende

presentare, dopo un breve ex-cursus sui principali effetti degli incendi

(danneggiamento, consumo e mortalità della vegetazione, riscaldamento e consumo del

carbonio nel suolo, produzione e dispersione dei fumi), gli approcci per la loro

modellizzazione includendo metodi empirici, stocastici e meccanicistici o una

combinazione dei tre, e i modelli e le metodologie attualmente più utilizzate. Dopo la

presentazione delle principali applicazioni dei modelli, si discuterà delle fonti dei dati e

come la loro variabilità, in termini temporali e spaziali, influenzi il processo modellistico.

Résumé

L‘étude des effets des incendies sur les écosystèmes est d'une importance capitale non

seulement dans la définition de la restauration (depuis de l‘incendie) mais aussi dans la

planification et l'évaluation des méthodes de gestion (avant de l‘incendie). Les modèles

permettent d'envisager l'action simultanée de plusieurs facteurs et d'élaborer une

réponse hypothétique au comportement de l'incendie. Ce chapitre décrit, après un bref

ex-cursus sur les principaux effets des incendies (dommages, végétation consumé et

106

mortalité, carbone consumé dans le sol, production et dispersion de la fumée), les

approches actuellement les plus utilisées pour leur modélisation, y compris des méthodes

empiriques, stochastique et physiques ou une combinaison des trois. Les principales

applications sont ensuite présentées et analysées, enfin nous discutons sur les sources de

données et comme leur variabilité, d‘un point de vue spatial et temporel, affect la

modélisation des processus.

5.1. Introduzione

Conoscere e valutare gli effetti degli incendi sulle componenti biotiche e abiotiche degli

ecosistemi è fondamentale, come affermano Reinhardt et al. (2001), per motivi che

includono la determinazione e valutazione del rischio, la programmazione,

pianificazione e valutazione di diversi approcci gestionali, e ovviamente il

miglioramento della comprensione del funzionamento degli ecosistemi stessi in modo da

poter bilanciare i benefici e i costi associati a tali eventi naturali, che spesso possono

raggiungere dimensioni ragguardevoli e finanche catastrofiche.

Purtroppo però, come già sottolineavano Pyne e collaboratori (1996), gli effetti degli

incendi non sono semplicemente generalizzabili e le interazioni fra elementi biotici e

abiotici a seguito del passaggio del fuoco sono piuttosto complesse e ad oggi non

completamente comprese. Molti studi, continuano Pyne e colleghi, hanno un breve

orizzonte temporale, altri mancano di controllo sperimentale o di repliche, e tutti questi

limiti influiscono sulla loro utilità e fanno sì che spesso la comparazione fra ecosistemi

risulti problematica e le conclusioni difficili da trarre.

Inoltre, come sottolineato da Bovio e collaboratori (2007), l‘entità degli effetti degli

incendi a carico di un ecosistema è in funzione sia del comportamento del fuoco e sue

caratteristiche (intensità del fronte di fiamma, velocità di avanzamento, tempo di

residenza, etc.) sia dell‘insieme delle vulnerabilità che caratterizzano tutte le componenti

ambientali interessate dal fenomeno (vegetazione, fauna, suolo, atmosfera, fino al

paesaggio nel suo insieme).

Di fronte alla complessità degli elementi che influenzano il comportamento del fuoco e i

suoi effetti risulta sempre più comune e vantaggioso adottare un approccio di tipo

modellistico in grado di considerare l'azione simultanea di più fattori, di riprodurre ciò

che potrebbe verificarsi in un dato contesto secondo determinate condizioni, e di

elaborare un'ipotetica risposta al comportamento dell'incendio.

Dopo un breve ex-cursus sui principali effetti degli incendi (danneggiamento, consumo e

mortalità della vegetazione, riscaldamento e consumo del carbonio nel suolo,

produzione e dispersione dei fumi), nel presente capitolo presenteremo gli approcci per

la loro modellizzazione includendo metodi empirici, stocastici e meccanicistici o una

combinazione dei tre, e una descrizione dei modelli e delle metodologie attualmente più

107

utilizzate. Alla presentazione e discussione di alcune fra le principali applicazioni

seguirà l‘analisi di come la variabilità dei dati di input possa influenzare il processo

modellistico.

5.2. Gli effetti degli incendi

In generale, gli effetti del passaggio del fuoco possono essere misurati in termini

temporali e spaziali. Gli effetti temporali vengono classificati in primo e secondo ordine.

I primi si verificano immediatamente essendo il diretto risultato del passaggio del fuoco

e delle caratteristiche preesistenti nell‘ambiente circostante, come il danneggiamento

delle piante, il consumo del combustibile, la produzione di fumo e riscaldamento del

suolo (Reinhardt et al. 2001). Gli effetti di secondo ordine si manifestano invece a più

lungo termine e rappresentano il risultato indiretto del fuoco e di altri processi

conseguenti, come i fenomeni erosivi, la dispersione del fumo e le fasi successionali della

vegetazione.

Il danneggiamento parziale o totale della componente vegetale (principalmente arbusti

e alberi) a seguito del passaggio del fuoco può derivare da danni provocati

all‘apparato radicale, alle chiome o al cambio. In generale il danno alle chiome è il più

semplice da determinare, e quindi modellizzare, perché osservabile direttamente, a

differenza del danno alle radici o al cambio. Alcuni lavori si sono occupati di tradurre in

modello questo particolare effetto (per esempio Ryan & Reinhardt (1988), mentre molti

altri si sono concentrati nel simulare il consumo del combustibile, un effetto a cui poi sono

strettamente legati molti altri effetti primari (come la produzione di fumi o il

riscaldamento del suolo) e secondari (come l‘erosione o per il germogliamento delle

nuove piantine dopo il passaggio del fuoco) (Reinhardt et al. 2001).

Gli effetti secondari del fuoco sulla vegetazione riguardano l‘evoluzione (Trabaud

1989), la composizione floristica e la produttività del sistema (Blasi et al. 2004).

Numerosi autori hanno rilevato e riportato cambiamenti nella composizione in specie e

nella struttura della comunità vegetale (e.g., Faraco et al. 1993; Mazzoleni et al. 1993;

Bacciu et al. 2010a). Subito dopo il passaggio del fuoco si registra una riduzione

notevole della biodiversità tipica, seguito da un aumento delle specie nelle fasi

successive fino alla ricolonizzazione delle piante legnose (e.g., Bacciu et al. 2010a). In

zone soggette a incendi periodici si assiste poi a variazioni nella struttura delle comunità

forestali, che può andare dalla completa regressione della vegetazione verso le fasi

successionali iniziali fino ad una configurazione a mosaico, tipica di aree in cui gli

incendi interessano aree diverse in tempi diversi.

La combustione della vegetazione rilascia notevoli quantità di inquinanti gassosi e di

particolato nell‘atmosfera che variano però in proporzioni diverse in funzione delle

caratteristiche dell‘incendio (tipo di incendio, fase di combustione con o senza fiamma) e

della vegetazione interessata. I prodotti dominanti di qualsiasi processo di combustione

108

che coinvolge materiale carbonioso sono la CO2 e l‘H2O (Fig. 5-1). Vengono inoltre

emessi numerosi altri composti supplementari come gas permanenti (CO, SOx, NOx,

NH3), composti organici volatili e semi-volatili (CH4, idrocarburi alifatici, aromatici e

poli-aromatici) e particolato (PM10, PM2.5) (Andreae & Merlet 2001). Gli incendi, inoltre,

sono responsabili anche di interazioni e impatti complessi che risultano variabili col

progressivo passaggio di scala come per esempio il peggioramento e riduzione delle

condizioni di visibilità e qualità dell‘aria o le alterazioni dei processi atmosferici di

base.

72%

21%

6%1% Carbon Dioxide

Water

Carbon Monoxide

Particulate Matter <2.5μ

Nitric Oxide

Methane

Volatile Organic Compounds

Organic Carbon

Non-methane Hydrocarbon

Particulate Matter > 10μ

Particulate Matter <10μ and >2.5μ

Elemental Carbon

FIG. 5-1 PRINCIPALI SPECIE CHIMICHE EMESSE DA PARTE DI INCENDI DI VEGETAZIONE. MAIN

CHEMICAL SPECIES EMITTED BY VEGETATION FIRES

Oltre alla degradazione del manto vegetale, il passaggio di un incendio compromette

ed altera le caratteristiche chimiche, fisiche e biologiche del suolo. Il riscaldamento del

suolo è un altro dei più importanti effetti di primo ordine e può determinare anche la

ripresa della vegetazione post-incendio, oltre che produrre uno strato idrorepellente

sulla superficie che impedisce l‘infiltrazione dell‘acqua nel suolo. Questo fenomeno,

insieme con l‘azione dilavante della pioggia che allontana le sottili particelle di suolo e

le ceneri con il suo impatto sul suolo non più protetto dalla vegetazione, ha importanti

effetti sui processi erosivi a seguito del passaggio del fuoco.

5.3. I modelli di simulazione degli effetti degli incendi

Reinhardt & Dickinson (2010) definiscono con il temine ―modello‖ una relazione

predittiva, rappresentante fenomeni naturali, che può essere contenuta in specifici

sistemi software usati per rispondere ad un‘ampia varietà di applicazioni gestionali.

Seguendo Debano et al. (1998) e Reinhardt et al. (2001), i modelli di previsione degli

effetti del fuoco si possono suddividere in: (i) modelli empirici che si basano

109

sull‘applicazione di relazioni statistiche, equazioni e algoritmi (e.g., Hood et al. 2007;

Brown et al. 1991; Anderson et al. 2004; Prichard et al. 2005); (ii) modelli

meccanicistici che descrivono dettagliatamente i processi fisici di base (Albini 1976;

Campbell et al. 1995; Keane et al. 1995); e (iii) modelli semi-fisici derivanti da una

combinazione dei primi due (Albini et al. 1995; Albini & Reinhardt 1995; Albini &

Reinhardt 1997).

I modelli empirici hanno generalmente un‘architettura interna semplice (Reinhardt &

Dickinson 2010) che si basa sull‘applicazione di statistiche o algoritmi a partire da una

banca dati piuttosto estesa e non spiega i meccanismi fisici alla base del processo da

modellizzare. Queste caratteristiche implicano una maggiore accuratezza quando i

modelli empirici vengono utilizzati nell‘ambito dell‘intervallo entro il quale sono stati

sviluppati, ma generalmente si ritiene inappropriato utilizzarli al di fuori tali condizioni

(Reinhardt & Dickinson 2010).

I modelli meccanicistici, invece, descrivono e spiegano un determinato processo in base

ai meccanismi fondamentali che governano il funzionamento del sistema. Questo

comporta che essi siano considerati i più appropriati per esplorare effetti non

direttamente osservati e per simulare un dato processo in un‘area diversa da quella di

sviluppo del modello. I principali svantaggi risiedono però nella loro intrinseca

complessità e nell‘accuratezza delle loro previsioni, che può essere bassa.

La Tab. 5-1 riporta una lista di modelli degli effetti degli incendi e gli eventuali

software che li incorporano in sistemi integrati le cui finalità vanno dalla valutazione del

rischio, all‘individuazione di aree in cui intervenire con trattamenti prioritari, alla

comprensione delle possibili conseguenza di talune pratiche gestionali, fino anche alla

valutazione delle possibili implicazioni dovute ai cambiamenti climatici. Nei paragrafi

successivi, invece, verranno descritti i principali modelli che simulano due fra i più

importanti effetti di primo ordine del fuoco, il consumo di combustibile e l‘emissione di

fumi.

110

TAB. 5-1 ALCUNI FRA I PIÙ USATI MODELLI DEGLI EFFETTI DI PRIMO ORDINE DEL FUOCO, I SISTEMI

SOFTWARE CHE LI OSPITANO E LE PIÙ DIFFUSE APPLICAZIONI NELL’AMBITO DELLA GESTIONE DEL

TERRITORIO. SOME OF THE MOST USED FIRE FIRST ORDER EFFECTS MODELS, THE SOFTWARE SYSTEMS THAT

HOUSE THEM, AND THE MOST COMMON LAND MANAGEMENT APPLICATIONS. MODIFICATA DA - MODIFIED

FROM: REINHARDT & DICKINSON (2010)

First-order effect

type Model

Modeling

approach

Software

system(s)

Land management

application

Tree mortality

Ryan &

Reinhardt

(1988)

Empirical

FOFEMa, IFT-

DSSb, BEHAVE+c,

FFE-FVSd,

FOFEM-MTe

Prescribed fire planning,

permitting; Fuel treatment

design; Risk assessment,

fuel treatment design;

Mapping fire-caused

changes in fuels

Hood et al.

(2007) Empirical FOFEM, IFT-DSS



design

Soil heating Campbell et al.

(1994, 1995) Process FOFEM


permitting,

Fuel consumption

Burnup (Albini et

al. 1995) Process

FOFEM, IFT-DSS,

FARSITEf



design; Fire Behaviour

modeling

Consume

(Prichard et al.

2006)

Empirical Self-contained

BlueSkyg Forecasting, permitting

Smoke production

Burnup (Albini et

al. 1995) Process FOFEM, FARSITE


permitting; Fire Behaviour

modeling

Consume

(Prichard et al.

2006)

Empirical Self-contained

BlueSky Permitting

FEPS (Anderson

et al. 2004) Empirical

Self-contained

BlueSky Prescribed fire planning

a FOFEM (Reinhardt 2003); b IFT-DSS (Wells 2009); c BEHAVE+ (Andrews 2007); d FFE-FVS (Reinhardt

and Crookston 2003); e FOFEM-MT (www.niftt.gov); f FARSITE (Finney 1998); g BlueSky (O‘Neill et al.

2003)

5.3.1. Consumo del combustibile

Fra i vari modelli utilizzati per la stima del consumo del combustibile, i più impiegati

sono il modelli empirico CONSUME (Prichard et al. 2007), il modello di processo Burnout

(Albini 1976a) e il modello semi-fisico BURNUP, sviluppato sulla base del modello

Burnout migliorato e calibrato (Albini et al. 1995; Albini & Reinhardt 1995; Albini &

Reinhardt 1997).

http://www.niftt.gov/

111

Il modello CONSUME, legato al Sistema di Classificazione del Combustibile (Ottmar et

al. 2007) per l‘assegnazione del carico del combustibile, usa un insieme di formule

empiriche e regole di massima per prevedere il consumo di combustibile di origine

naturale (arbusti, materiale morto a terra, lettiera nell‘ambito delle suddette tipologie)

o derivante da attività di gestione forestale.

Per esempio, nell‘ambito del combustibile derivante o alterato da pratiche forestali

(raccolta del legname o il diradamento), le equazioni per la stima del consumo di

materiale con dimensioni che vanno da 2.6 a 7.5 cm derivano dallo studio di Ottmar &

Sandberg (1985), con l‘applicazione di diversi coefficienti determinati da uno studio di

Ottmar et al. (1990) e dalla ricerca sulla propagazione del fuoco (Rothermel 1972).

Tali coefficienti si presentano come fattori di correzione del flusso di calore (usati per

calcolare la disidratazione del combustibile durante l‘innesco e il consumo), dell‘umidità

del combustibile e della percentuale di consumo delle particelle da 2.6 a 7.5 cm di

diametro (maggiori dettagli sulle equazioni sono contenuti in Prichard et al. 2007).

CONSUME distingue il consumo del combustibile anche sulla base delle fasi di

combustione. Per esempio, il modello assume che il materiale da 0 a 2.6 cm di diametro

venga completamente consumato durate la fase di fiamma, sulla base di una serie di

osservazioni in campo. Per quanto riguarda combustibile di dimensioni maggiori, la

durata della fase di fiamma -e quindi il consumo del materiale- viene calcolato

attraverso un‘equazione esponenziale non lineare che deriva dall‘osservazione di circa

una cinquantina di attività di fuoco prescritto (Ottmar 1983).

BURNUP (Albini & Reinhardt 1995) è un modello fisico di consumo del combustibile

esclusivamente legnoso che si basa sulla formulazione del trasferimento di calore e il

tasso di combustione delle particelle (Lutes 2013). Secondo gli sviluppatori, le particelle

sono immerse nel cosìdetto ―ambiente del fuoco‖. Il trasferimento di calore viene

simulato previa assunzione dell‘esistenza di una ―temperatura dell‘ambiente del fuoco‖,

Tf, una funzione dell‘intensità del fuoco3. Il calore viene quindi trasferito fra il

combustibile e l‘ambiente attraverso convezione e radiazione. Per stimare il tempo

necessario affinché una particella di combustibile si accenda, BURNUP considera il

combustibile come un cilindro umido e ne calcola in tempo di disseccamento fino

all‘accensione usando le proprietà termofisiche del materiale legnoso (conduttività

termica, densità e calore specifico). Infine, il tasso di combustione viene riprodotto

attraverso un bilancio di calore, che considera uguali il tasso di trasferimento di calore

con la quantità di energia necessaria per portare il combustibile alla sua temperatura

di combustione (Albini & Reinhardt 1995).

3 Tf viene descritta come la temperatura che viene raggiunta da un oggetto inerte se viene mantenuto in un ambiente del fuoco (Albini & Reinhardt 1995).

112

Infine, per stimare la combustione del combustibile legnoso, il modello prende in

considerazione il carico di combustibile suddiviso in diverse classi di dimensionali e

l‘architettura spaziale delle stesse, che determina come le particelle di combustibile

delle varie classi interagiscono fra loro e con altre particelle di dimensioni più piccole

(Albini et al. 1995). Sommando i diversi tassi di combustione dei vari elementi che

compongono il combustibile si ottiene il tasso totale di calore rilasciato per un‘unità di

area (Albini et al. 1995). Tale procedimento permette di tenere in considerazione la

disomogeneità in termini temporali della combustione e dell‘intensità del fuoco: mentre

le particelle di combustibile di piccole dimensioni sono già state completamente

bruciate, altre di dimensioni maggiori possono essere ancora sotto combustione o

addirittura non innescate.

Il modello BURNUP è incluso nel sistema software FOFEM (Reinhardt et al. 1997;

Reinhardt 2003) che contiene altri modelli empirici e regole di massima per la stima del

consumo delle altre componenti del combustibile, come gli arbusti, il materiale erbaceo,

la lettiera e lo strato organico in decomposizione. Il combustibile di chioma, invece, non

viene simulato da modello e si richiede all‘utilizzatore di inserire la proporzione di

questa componente che viene bruciata durante un incendio.

Il sistema FOFEM incorpora un vastissimo numero di modelli di combustibile che possono

essere facilmente scelti dall‘utente, basati su un‘estesa revisione di tutte le misure sul

carico della vegetazione effettuate negli Stati Uniti per gli ecosistemi più

rappresentativi (Mincemoyer 2002). Il sistema è molto flessibile perché consente

all‘utilizzatore di inserire anche dei dati di combustibile differenti da quelli presenti nel

sistema ottenuti da altre fonti, come per esempio da campionamenti sperimentali (e.g.,

Bacciu et al. 2010b).

5.3.2. Produzione di fumi

Anche nel caso dei modelli che stimano la produzione di fumi derivanti dalla

combustione della biomassa vegetale, esistono differenti approcci, che vanno da quello

statistico a quello fisico o semi-fisico.

L‘approccio empirico classico è quello formulato da Seiler & Crutzen (1980) poi

applicato, modificato e integrato in numerosi lavori di stima delle emissioni da incendi,

dalla scala locale a quella globale, e per un‘ampia gamma di obiettivi (solo per citarne

alcuni Battye & Battye 2002; French et al. 2004; Rosa et al. 2011). Tale approccio

richiede la quantificazione dell‘area bruciata (BA, in ha), il carico del combustibile (Fl,

Mg ha−1), la completezza della combustione (cioè la proporzione di biomassa che viene

consumata dal fuoco, %) e il fattore di emissione specie-specifico. La formula è qui di

seguito riportata:

ili EFCCFBAFE EQ. 5-1

113

Fra i modelli empirici per la stima delle emissioni più utilizzati, soprattutto negli Stati

Uniti, ritroviamo il modello CONSUME, che stima la produzione di fumi moltiplicando il

consumo del combustibile per un determinato fattore di emissione, che a sua volta

dipende da una serie di fattori. Se per esempio si considera combustibile naturale o

derivante da trattamenti selvicolturali, in ogni caso non accatastato, le emissioni

vengono calcolate moltiplicando la biomassa consumata nelle varie fasi della

combustione per un set di fattori di emissione che si differenziano in base alla tipologia

di fuoco e di combustibile (per esempio, schianti di conifere e latifoglie, o vegetazione

arbustiva) derivati dai lavori sperimentali di Ward et al. (1989) e Hardy et al. (1996).

Nel caso invece si tratti di combustibile accatastato, le emissioni vengono calcolate sulla

base del contenuto di suolo nella catasta di materiale (Prichard et al. 2007). In questo

caso il materiale più pulito avrà una combustione più efficiente e quindi produrrà meno

emissioni. I fattori di emissione relativi a PM, PM10, PM2.5 per questa tipologia di

combustibile, divisi in tre classi di quantitativo di suolo, si basano su dati di emissione

raccolti a seguito dei lavori sperimentali di Hardy (1998) e Baker (2005), mentre i

fattori di emissione per altri inquinanti (CO, CO2, CH4 e NMHC) derivano da una

comunicazione personale di Steven Baker.

Per quanto riguarda in modelli semi-fisici, il modello di consumo di combustibile BURNUP

contenuto nel software FOFEM è stato modificato da Finney (2001) per fornire stime

separate del consumo nelle due fasi della combustione, con e senza fiamma, per ciascun

step temporale e per ciascun componente del combustibile assumendo che la

combustione con fiamma non possa avvenire se l‘intensità è più bassa di 15 kW m-2.

BURNUP applica separatamente i fattori di emissione (che derivano dal lavoro di Ward

et al. 1993) al combustibile consumato con e senza fiamma. Il modello assume che i

valori efficienza della combustione siano pari a 0.97 per la fase di fiamma e 0.67 per

la fase senza fiamma. Infine, il totale viene ottenuto dalle emissioni calcolate

separatamente e dal peso del combustibile consumato nelle due fasi.

5.4. I principali usi dei modelli

L‘utilizzo dei modelli per la stima degli effetti degli incendi ha trovato numerosissime

applicazioni, sia scientifiche sia prettamente operativo-gestionali (Tabella 5-1). La loro

applicazione varia a seconda della scala spaziale e temporale che si prende in

considerazione e quindi principalmente dagli obiettivi che si intendono raggiungere.

I modelli che simulano la mortalità degli alberi, il consumo del combustibile o il

riscaldamento del suolo possono essere applicati, per esempio, per individuare le aree

che potrebbero essere maggiormente soggette e vulnerabili al passaggio del fuoco e

quindi per fornire dei dati di partenza allo sviluppo di prescrizioni per la gestione

territoriale pre e post incendio, come la definizione dei trattamenti del combustibile in

114

termini di tipologie di trattamenti e di densità di applicazione oppure lo sviluppo di

linee guida per il taglio o piani di ripristino.

L‘approccio modellistico per la stima delle emissioni da incendi boschivi ha anch‘essa

molteplici finalità, dall‘applicazione per la cosiddetta ―gestione del fumo‖, un insieme di

pratiche necessarie per soddisfare richieste e regolamenti in materia di qualità dell‘aria

e sicurezza nell‘ambito delle attività di gestione del combustibile attraverso fuoco

prescritto (Debano et al. 1998), allo sviluppo degli inventari di emissione, che a loro

volta vengono usati come dataset utili per i modelli che determinano la visibilità, la

qualità dell‘aria, nonché eventuali modifiche della chimica dell‘atmosfera a livello locale

o regionale, anche in un contesto di cambiamenti climatici. Per esempio, uno studio svolto

in Portogallo (Carvalho et al. 2011) ha suggerito che la future attività degli incendi

boschivi incrementerà le concentrazioni di O3, così come quelle di PM10.

I modelli di stima delle emissioni sono stati anche utilizzati nella quantificazione e

identificazione delle fonti più importanti fra le diverse tipologie vegetazionali (Bacciu et

al. 2012) e il loro accoppiamento con i modelli di simulazione del comportamento degli

stessi è di supporto nella simulazione del risultato dei trattamenti sul combustibile,

fornendo utili informazioni su quale delle opzioni valutate sia la più accettabile (Bacciu

et al. 2015b), sia dal punto di vista della sostenibilità ambientale e dell‘efficienza in

termini economici, sia da quello della mitigazione del rischio.

Numerosi studi utilizzano l‘approccio modellistico per determinare l‘impatto del fuoco sul

clima (e.g. Wiedinmyer et al. 2006), anche se sono ancora scarse le informazioni che

riguardano il possibile impatto dei cambiamenti climatici sulle emissioni. Non possiamo

dimenticare, infine, che a seguito delle richieste del United Nations Framework

Convention on Climate Change (UNFCCC) e del Protocollo di Kyoto, ogni nazione deve

produrre su base annuale una stima di tutte le emissioni, anche quelle da incendi

boschivi, nell‘ambito delle politiche per la contabilizzazione dei crediti di carbonio

(Chiriacò et al. 2013).

5.5. Le fonti di incertezza: i dati di base e l’approccio modellistico

In generale, ogni dato di input che viene immesso in un modello ha una notevole

variabilità spaziale e temporale che influisce sul processo di simulazione, e questo è

valido anche per quanto riguarda i modelli degli effetti degli incendi. Nelle ultime due

decadi, numerosi gruppi di ricerca si sono dedicati allo sviluppo e alla raccolta di nuovi

e più accurati dati di base per la stima degli effetti degli incendi. Parallelamente, altri

studiosi si sono dedicati alla comparazione fra le diverse metodologie utilizzate con

l‘obiettivo di determinare l‘incertezza derivante dai modelli alla base del procedimento

di stima e la sensibilità degli stessi ai dati di input.

115

Il carico e le caratteristiche del combustibile (implicite ed esplicite) sono fattori la cui

accuratezza è decisiva sia nella simulazione del consumo della vegetazione sia nella

stima delle emissioni da incendio a causa principalmente dell‘estrema variabilità di

tipologie vegetazionali, composizione in specie, caratteristiche strutturali (e.g., Fig. 5-2).

Per esempio, Duce et al. (2012) hanno evidenziato l‘alta variabilità del carico di

combustibile arbustivo della macchia mediterranea che va da 2.7 Mg ha-1 (macchia

bassa e rada) fino a 13 Mg ha-1 (macchia alta e densa).

FIG. 5-2 VALORE MEDIO E DIFFERENZE SIGNIFICATIVE DELLE VARIABILI DEL COMBUSTIBILE FRA LE

QUATTRO TIPOLOGIE DI COMBUSTIBILE A MACCHIA MEDITERRANEA IDENTIFICATI IN SARDEGNA E

CORSICA (*** INDICA UNA DIFFERENZA STATISTICAMENTE SIGNIFICATIVA (P <0.001) SECONDO IL

TEST ANOVA. LETTERE DIVERSE INDICANO DIFFERENZE SIGNIFICATIVE (P<0.05) A SEGUITO DEL

TEST POST HOC LSD). MEAN VALUES AND SIGNIFICANT DIFFERENCES OF FUEL BED VARIABLES AMONG

MEDITERRANEAN MAQUIS FUEL TYPES IDENTIFIED IN SARDINIA AND CORSICA (*** INDICATES SIGNIFICANT

DIFFERENCES LEVEL (P<0.001) BETWEEN FUEL MODELS ACCORDING TO ANOVA. DIFFERENT LETTERS

INDICATE SIGNIFICANT DIFFERENCES (P< 0.05) BY LSD POST HOC TEST). TRATTO DA – FROM: DUCE ET

AL. (2012).

Peterson (1987) e Peterson & Sandberg (1988) hanno valutato nell‘ordine dell‘80% il

contributo della variabilità del carico di combustibile all‘errore associato alla stima

delle emissioni. Recentemente, per ottenere stime migliori della variabilità (anche

spaziale) del carico di combustibile, diversi autori hanno fatto ricorso a modelli

biogeochimici (van der Werf et al. 2006) o modelli dinamici globali di vegetazione

(Thonicke et al. 2010).

Errori sistematici piuttosto ampi possono verificarsi anche nella stima dell‘area bruciata

(Peterson 1987). Essa può essere determinata attraverso molteplici metodologie, quali i

report degli incendi rilevati dai diversi servizi forestali e antincendio, l‘analisi delle

fotografie aeree, nonché il telerilevamento. Specialmente nel passato, la reale

116

dimensione dell‘incendio tendeva ad essere sovrastimata poiché si contrassegnava

l‘intera area all‘interno del perimetro dell‘incendio come ―completamente bruciata‖

nonostante il territorio venisse percorso e bruciato a macchia di leopardo. Anche un

sistema di rilevamento poco accurato potrebbe trascurare un vasto numero di incendi,

sottostimando quindi il numero totale di ettari bruciati (Ottmar et al. 2009).

Grandi passi avanti sono stati compiuti attraverso il rilevamento dell‘area bruciata

utilizzando la georeferenziazione del perimetro degli incendi e i dati satellitari. Ma

anche in quest‘ultimo caso alcuni autori (e.g. Barbosa et al. 1999; Korontzi et al. 2004;

Al-saadi et al. 2008), confrontando una serie di dataset spazialmente espliciti, hanno

messo in luce le enormi differenze fra i vari prodotti satellitari e conseguentemente le

incertezze sulla determinazione dell‘area bruciata. Bacciu et al. (2015a), confrontando

diversi inventari delle emissioni da incendi boschivi, hanno evidenziato come le

differenze fra i vari inventari fossero dovute principalmente ai differenti dataset

utilizzati per la stima dell‘area bruciata (Fig. 5-3). Langmann et al. (2009) ricordano

inoltre che alcune limitazioni proprie dei prodotti satellitari, per esempio mancata

acquisizione delle immagini, bassa frequenza di passaggio del satellite su una data

area, bassa risoluzione spaziale, possono essere fonte di ulteriori incertezze.

RETRO Tg month-1

GFED3 GICC

TOT= 0.048, MAX=0.002 TOT= 0.010, MAX=0.002 TOT= 0.053, MAX=0.012

0.00 - 0.06

0.06 - 0.2

0.2 - 0.4

0.4 - 1.1

1.1 - 2.6

2.6 - 4.3

4.3 - 8.4

8.4 - 13.6

13.6 - 27.6

27.6 - 42.9

Burned

area Km2JRC

FIG. 5-3 MAPPE DI EMISSIONE DI CO (TG MESE-1) PER IL MESE DI LUGLIO 2000 DERIVATE DA TRE

INVENTARI DELLE EMISSIONI A SCALA MENSILE. GLI INVENTARI RETRO E GFEDV3 HANNO UNA

RISOLUZIONE SPAZIALE DI 0.5° MENTRE GICC DI 1°. MAPS OF CO EMISSIONS (TG MONTH-1) FROM

FIVE INVENTORIES AT MONTHLY BASE FOR JULY 2000. RETRO AND GFEDV3 INVENTORIES ARE AT 0.5°

RESOLUTION, GICC IS AT 1° RESOLUTION. MODIFICATO DA - MODIFIED FROM: BACCIU ET AL. (2015A).

L‘effettivo consumo del combustibile e la completezza della combustione, che

rappresenta la frazione di biomassa disponibile che viene effettivamente consumata

dal fuoco, dipendono dalle caratteristiche e condizioni della vegetazione, dalla

tipologia di incendio, e da fattori ambientali esterni (Brown et al. 1991; Prichard et al.

2005; Wright & Pritchard, 2006). Recentemente, Chiriacò et al. (2013) hanno valutato i

diversi metodi adottati dalle Nazioni del Sud Europa per la stima della completezza di

combustione nell‘ambito dello sviluppo degli inventari nazionali di gas serra.

L‘approccio spagnolo, per esempio, prevedere che la completezza sia al 100% quando

117

si va a stimare la produzione di CO2, e al 20% nel caso di prodotti non-CO2 (ES NIR

2011). Un altro approccio prevede invece che la frazione di biomassa venga ottenuta

moltiplicando l‘area bruciata (classificata in classi di vegetazione forestale) per il livello

di danno che viene determinato sulla base della classe di vegetazione e l‘altezza della

fiamma (Bovio 2007). Proprio quest‘ultimo metodo, continuano Chiriacò et al. (2013)

riduce l‘incertezza nella stima della completezza della combustione poiché prende in

considerazione la sua variabilità spazio-temporale e sembra essere promettente per

rispondere alle richieste internazionali di stima delle emissioni da incendi boschivi.

Il fattore di emissione (la massa di particolato, gas o inquinante prodotto per massa di

combustibile consumata, g kg-1), un altro degli input di base per la stima delle emissioni,

è generalmente considerato specie-specifico, variabile non solo a seconda del tipo di

specie chimica, ma anche della disposizione del combustibile e dell‘efficienza di

combustione (Ottmar et al. 2009). Secondo l‘analisi di Peterson (1987) e Peterson e

Sandberg (1988) contribuisce per circa il 16% all‘errore totale associato alla stima

delle emissioni. Langmann et al. (2009) hanno stimato che i fattori di emissione delle

specie più emesse (ad esempio CO) abbiano un‘incertezza del 20-30%, ma che questo

valore possa essere notevolmente più elevato per quei composti o biomi non ancora

studiati in dettaglio (ad esempio HCHO o torbiere). I fattori di emissione di quattro

principali biomi (foresta tropicale, foresta sub-tropicale, savannah e praterie) sono stati

raccolti e riassunti da Andreae & Merlet (2001), mentre altri autori hanno rilevato come

ci sia una scarsità di dati relativi alla zona boreale e alle foreste temperate (Koppmann

et al. 2005; Urbanski et al. 2008). Per quanto riguarda i fattori di emissione relativi a

vegetazione tipicamente mediterranea, i primi lavori sono stati raccolti da Miranda e

collaboratori (2005b) a seguito di fuochi sperimentali su arbusteti condotti nell‘ambito

del progetto SPREAD (Forest Fire Spread Prevention and Mitigation 2002–2005). Altre

campagne sperimentali, sempre in area mediterranea, sono state effettuate da Alves et

al. (2010) per fuochi prescritti e per incendi boschivi avvenuti in Portogallo nell‘estate

del 2009 (Alves et al. 2011).

Per quanto riguarda invece l‘analisi dell‘incertezza dei modelli e la loro sensibilità ai

parametri di input vogliamo citare il lavoro di French et al. (2011) che hanno

confrontato, in cinque aree studio, sei modelli per la stima delle emissioni, fra cui FOFEM

e CONSUME. I risultati del lavoro evidenziano che la maggior parte dell‘incertezza e

della variabilità nella stima delle emissioni deriva dall‘incertezza nell‘area bruciata,

dalle differenze nella stima del quantitativo di biomassa presente in un sito e dalla

tipologia di incendio che si verifica (di chioma o di superficie). Gli autori proseguono

stimando pari al 25%, al massimo, il grado di incertezza dei modelli ottenuto a partire

dalla variabilità degli output delle simulazioni. Un‘analisi di questo tipo, ma rivolta

principalmente ai portatori di interesse e ai responsabili politici che necessitano

informazioni su come le differenti scelte in termini di modelli e dati di partenza possano

poi influenzare i risultati conclusivi, è stata messa a punto nell‘ambito del progetto

118

SEMIP (Smoke and Emissions Model Intercomparison Project). Obiettivo finale è quello di

sviluppare una metodologia per facilitare la comparazione di modelli e dataset

disponibili per ciascun passaggio modellistico che prelude alla stima delle

emissioni (http://www.airfire.org/projects/semip/).

5.6. Conclusioni

Nel corso di questo capitolo abbiamo presentato alcuni fra i più importanti effetti degli

incendi focalizzandoci soprattutto su quelli di primo ordine. Alcuni di tali effetti,

desiderati e non, possono essere immediatamente visibili o avere delle interazioni con

altre componenti del sistema solo dopo diverso tempo, rendendo la loro analisi e i loro

feedback di complessa valutazione. Gli approcci modellistici che sono stati descritti, da

quello empirico al semi-fisico, forniscono senza alcun dubbio degli utili strumenti, sia in

ambito scientifico sia operativo, per riprodurre ciò che potrebbe verificarsi in un dato

contesto secondo determinate condizioni, considerarne gli esiti e le interazioni, e poi

valutare delle opzioni per un‘attenta pianificazione della prevenzione e mitigazione del

rischio incendio e dei suoi effetti.

L‘applicazione dei modelli e dei sistemi esperti abbraccia diverse scale spaziali, da

quella puntuale a quella di paesaggio, e temporale, da pochi minuti a secoli, così come

diversi obiettivi generali che vanno dalla determinazione del rischio, alla valutazione

delle prescrizioni, fino alla pianificazione e regolamentazione a medio e lungo termine.

In generale possiamo affermare che tali modelli migliorano la nostra capacità di analisi,

tuttavia il loro utilizzo richiede consapevolezza della loro adeguata applicazione e dei

principali fattori di incertezza che ne influenzano l‘accuratezza.

119

MODELING THE FIRST-ORDER FIRE EFFECTS

Abstract

The knowledge of the fire effects on ecosystem components is of paramount importance not

only in the definition of restoration actions after the fire but also in the planning and evaluation

of management approaches before the fire occurrence. In this framework, the modeling

approach allows us to consider the simultaneous action of several factors, to simulate what

might occur in a given context according to certain conditions, and to develop a hypothetical

answer to the fire behavior. This chapter aims to present, after a brief excursus on the main fire

effects (damage, consumption and mortality of vegetation, heating and consumption of soil

carbon, smoke production and dispersion), the main approaches for their modeling (empirical,

stochastic, and mechanistic methods), and the most widespread models. Some of the main

applications will be presented, and then we will discuss the sources of data and how their

temporal and spatial variability could influence the modeling process.

5.1 Introduction

Knowing and evaluating the fire effects on the biotic and abiotic ecosystem components is of

utmost importance for a number of reasons that include risk assessment, programming, planning

and evaluation of different management approaches, as well as increased knowledge of the

ecosystem functioning in order to balance benefits and costs associated with natural events such

as fire. However, as highlighted by Pyne et al. (1996), fire effects are not easily

generalizable, and the biotic and abiotic interactions influencing such effects are complex and

hitherto not completely understood. While many studies have a short time frame, others lack

experimental control and repetitions, and such limits affect their usefulness and make a

comparison among ecosystems problematic and conclusions difficult to draw. Furthermore, as

pointed out by Bovio et al. (2007), the extent of fire effects on ecosystems depends on both

fire behaviour and its characteristics (such as fire spread, time of residence, fireline intensity,

etc.) and the sum of vulnerability characteristics of all the environmental variables affected by

the fire (vegetation, fauna, soil, atmosphere, and landscape). Given the complexity of the

factors influencing fire behaviour and its effects, the adoption of a modelling approach is

proved to be more convenient, as it allows to consider the simultaneous actions of multiple

factors, to reproduce what could happen in a specific context under given conditions, and

eventually to develop further the understanding of fire behaviour.

After a short review of the main fire effects, such as fuel consumption, tree mortality, soil

heating, and smoke production, this chapter aims at presenting the methodologies mostly used

for their modelling, including empirical, stochastic and mechanistic approaches. Some of the

most important applications will be described, and then we will discuss data sources and how

their temporal and spatial variability influences the modelling process.

5.2 A brief overview of the main fire effects

Fire effects are characterized by their spatial and temporal scale, and can be classified into

120

first-order and second-order effects. First-order fire effects, occurring immediately after the

fire, are the direct results of the combustion process and preexisting environmental conditions.

Plant injury or mortality, fuel consumption, smoke production and soil heating are some

examples (Reinhardt et al. 2001). Second-order fire effects occur over a longer time frame as

the indirect result of fire and other resulting processes, such as soil erosion, vegetation

successions and smoke dispersion (Reinhardt et al. 2001).

Partial or complete plant injury and vegetation mortality after fire occurrence may result from

the root system, crown or cambium damages. Several works studied tree mortality, modeling)

this particular effect (e.g. Ryan & Reinhardt 1988), while many others focused more on fuel

consumption, because of its relationship with a number of other first and second order fire

effects, such as smoke production, soil heating, soil erosion and post-fire resumption (Reinhardt

et al., 2001).

The second-order fire effects on vegetation pertain to evolution (Trabaud 1989), composition

and productivity (Blasi et al. 2004). A number of authors highlighted changes in the composition

of species and structure of the vegetation community (e.g. Faraco et al. 1993; Mazzoleni et al.

1993; Bacciu et al. 2010a). Furthermore, a notable reduction in biodiversity may be observed

soon after fire occurrence, followed by an increase of species during the subsequent phases up

to the recolonization of woody plants (e.g., Bacciu et al. 2010a). Within areas prone to

frequent fire, it is also possible to observe variations of the forest structure, which may range

from complete regression of the vegetation up to a mosaic configuration, typical of areas

frequently affected by fire.

Vegetation combustion releases significant amounts of gaseous pollutants and particulate in the

atmosphere that vary in different proportions depending on fuel and fire characteristics (e.g.,

type of the fire, the combustion phase with or without flame). The dominant products of any

combustion process that involves carbonaceous material are CO2 and H2O (Fig. 5-1). A number

of other additional compounds are also emitted, such as permanent gases (CO, SOx, NOx,

NH3), volatile and semi-volatile organic compounds (CH4, aliphatic, aromatic and poly-

aromatic) and particulate matter (PM10, PM2.5) (Andreae & Merlet 2001). Furthermore, fires

are the cause of complex interactions and impacts that may vary with the progressive change

of scale (from local to global level) such as the deterioration and reduction of visibility

conditions and air quality, or alterations of basic atmospheric processes.

In addition to vegetation cover degradation, fire occurrence compromises and alters the

chemical, physical and biological properties of the soil. Soil heating is one of the most important

first-order fire effects and may influence post-fire vegetation recovery. In addition, it may

produce a water-repellent layer on the soil surface, thus preventing the infiltration of water into

the soil. Together with the run-off action of precipitation (its impact on the ground no longer

protected by vegetation washes away the thin soil particles and ashes), these two phenomena

have important effects on erosion processes after fire occurrence.

5.3 Modelling fire effects

Reinhardt & Dickinson (2010) defined as "model" a predictive relationship representing natural

phenomena, which may be contained in specific software systems used to address a wide

121

variety of management applications. Following Debano et al. (1998) and Reinhardt et al.

(2001), fire effect models can be divided into: (i) empirical models based on the application of

statistical relationships, equations and algorithms (eg, Hood et al. 2007; Brown et al. 1991;

Anderson et al. 2004; Prichard et al. 2007); (ii) mechanistic models describing in detail the

physical processes of the investigated phenomenon (Albini 1976; Campbell et al. 1995; Keane

et al. 1995); (iii) semi-physical models resulting from a combination of the first two (Albini et al.

1995; Albini & Reinhardt 1995; Albini & Reinhardt 1997).

Empirical models generally have a simple internal architecture (Reinhardt & Dickinson 2010)

that does not explain the physical mechanisms underlying the process to be modelled, and are

based on the application of statistical algorithms starting from a quite extensive dataset. This

implies that empirical models are very accurate when used within the range of conditions from

which they were developed, but their use outside such conditions it is generally considered

inappropriate (Reinhardt & Dickinson 2010).

Mechanistic models (or process models), instead, describe and explain a given process based

on the fundamental mechanisms that govern the system functioning. Mechanistic models are

considered the most appropriate for exploring effects not directly observed and for simulating

a given process in a different area from the one of the model‘s development. The main

disadvantages, however, lie in their inherent complexity and in the low accuracy of their

predictions.

Table 5-1 provides a list of fire effect models and software systems that build them in

integrated systems whose purposes range from risk assessment, to identification of areas where

provides a list of fire effect models and software systems that build them in integrated systems

whose purposes range from risk assessment, to identification of areas where to schedule

priority treatments, to the understanding of the possible consequences of certain management

practices and up to the evaluation of the possible implications of climate change. In the

following paragraphs, we will describe the most used models and approaches aiming at

simulate two of the main first-order fire effects, namely fuel consumption and smoke production.

5.3.1 Fuel consumption

Among the various models used to estimate the fuel consumption, the most used are the

empirical model CONSUME (Prichard et al. 2007), the Burnout process model (Albini 1976a),

and the semi-physical model BURNUP, developed on the basis of the improved and calibrated

Burnout model (Albini et al. 1995; Albini & Reinhardt 1995; Albini & Reinhardt 1997).

The CONSUME model incorporates a library of fuel loading from the Fuel Characteristic

Classification System (FCCS, Ottmar et al. 2007) and uses a set of empirical formulas and rules

of thumb for predicting natural and managed fuel consumption within defined layers and size

classes. For example, within the context of the fuel resulting from forest management practices

(timber harvesting or thinning), the equations for estimating the consumption of material ranging

from 2.6 to 7.5 cm were derived from the theory of fuel consumption developed by Ottmar

and Sandberg (1985), through the application of several coefficients determined by a study of

Ottmar et al. (1990) and from the research of Rothermel (1972) on fire spread. Such

122

coefficients are heat flow (used to calculate fuel dehydration during ignition and consumption),

fuel moisture, and percentage of consumption correction factors (more details on the equations

are contained in Prichard et al. 2007).

CONSUME simulates fuel consumption also on the basis of combustion phases. For example,

based on a number of field observations, the model assumes that the material with diameter

size from 0 to 2.6 cm is completely consumed during flaming combustion. The combustion of fuel

with larger dimensions is simulated through an exponential non-linear equation, based on the

observation of about fifty prescribed burning activities (Ottmar 1983).

BURNUP (Albini & Reinhardt 1995) is a semi-physical model of wood fuel consumption based

on the formulation of heat transfer and the rate of combustion of wood particles during the

combustion process (Lutes 2013). The wooded particles are immersed in what Albini and

Reinhardt (1995) called "fire environment". Heat transfer is simulated assuming the existence of

a ―fire environment temperature", Tf, a function of local fire intensity4. The heat is then

transferred from the fuel and its environment through convection and radiation. To estimate the

time required for the ignition of a fuel particle, the BURNUP model considers it as a wet

cylinder and calculates its desiccation time until ignition taking into account the thermophysical

properties of the woody material (thermal conductivity, density, and specific heat).

The rate of combustion is reproduced through a heat budget, which considers as equal the rate

of heat transfer and the amount of energy required to raise the fuel to its pyrolysis

temperature (Albini & Reinhardt 1995). Finally, to estimate the combustion of the wood fuel, the

model takes into consideration the fuel load subdivided into different size classes and their

spatial arrangement, thus determining how the fuel particles of the various classes interact

amongst themselves and with other particles of smaller size (Albini et al. 1995). The total rate

of heat released per unit of area is then obtained summing up the different combustion rates of

the various elements composing the fuel (Albini et al. 1995). This procedure allows to take into

account the lack of homogeneity in terms of combustion time and fire intensity: while the small-

size fuel particles have already been completely burned, the larger ones may still be under

combustion or even not ignited.

The BURNUP model is housed in the FOFEM software (Reinhardt et al. 1997), which comprises

other empirical models and rules of thumb to estimate the consumption of the other fuel

components, such as shrubs, herbaceous material, litter, and duff. The crown fuel (both foliage

and twigs), however, is not simulated by the model, and requires that the user manually

allocate the proportion of this component that is burned during a fire.

FOFEM incorporates a great number of fuel models, that can be easily selected by the user

and which are based on an extensive review of all the fuel load measures carried out in the

United States for the most representative ecosystems (Mincemoyer 2002). The system is also

very flexible as it allows the user to input fuel data obtained from other sources, such as

4 Tf is described as ―the temperature that is reached by an inert object if it is kept in the fire

environment where Tf is determined‖ (Albini & Reinhardt 1995).

123

experimental campaign (e.g., Bacciu et al. 2010b).

5.3.2 Smoke production

Also in the case of models that estimate the production of smoke resulting from the combustion

of vegetation biomass there are different approaches, ranging from the statistical one to the

physical or semi-physical.

The classical empirical approach was first formulated by Seiler & Crutzen (1980), and then

applied, modified and integrated in numerous works of fire emission estimate, from the local to

global scale, and for a wide range of targets (e.g., Battye & Battye 2002; French et al. 2004;

Rosa et al, 2011). This approach requires the quantification of the burned area (BA, ha), the

fuel load (Fl, Mg ha-1) , the combustion completeness (that is, the proportion of biomass that is

consumed by fire, %) and the species-specific emission factor. The formula is shown below:

ili EFCCFBAFE

Among the empirical models for the estimation of emissions, the CONSUME model is one of the

most used, especially in the United States. CONSUME estimates the emission production by

multiplying fuel consumption by a given emission factor, which, based on fuel type, may

depend on several factors. In the case of natural fuel or fuel arising from silvicultural

treatments, in any case not piled, the emissions are calculated by multiplying the consumed

biomass during the various stages of combustion by a set of emission factors (derived from the

experimental work of Ward et al. (1989) and Hardy et al. (1996), which differ according to

fire and fuel type (for example, slashes of conifers and deciduous trees, or shrubs).

Concerning piled fuel, emissions are calculated based on soil content in the piled material

(Prichard et al. 2007). In this case, the cleanest material will have a more efficient combustion

and thus will produce fewer emissions. The emission factors related to PM, PM10, PM2.5 for this

type of fuel, divided into three classes of soil quantity, are based on emission data collected as

a result of experimental works by Hardy (1998) and Baker (2005), while the emission factors

for the other pollutants (CO, CO2, CH4 and NMHC) stem from a personal communication by

Steven Baker.

Concerning semi-physical models, the BURNUP model hosted in the FOFEM software was

modified by Finney (2001) to provide separate estimates for the two combustion phases,

flaming and smoldering, in each time step and for each fuel component assuming that the

flaming combustion cannot happen if the intensity is lower than 15 kW m-2 (Lutes 2014).

Since BURNUP calculates the intensity precisely at the point of fuel insertion, flaming and

smoldering combustion can be estimated simultaneously. Furthermore, by distinguishing the fuel

load consumed through flaming and smoldering combustion, BURNUP allows emission factors to

be applied separately to the fuel consumed in each phase. The emission factors for particulate

and other chemical species, derived from the work of Ward et al. in 1993, are applied to the

fuel consumed separately in the two stages of combustion, assuming that the values of

combustion efficiency are equal to 0.97 for the flaming phase and 0.67 for the smoldering

phase. Finally, the total is obtained from the emissions calculated separately and from the fuel

124

weight consumed in the two phases.

5.4 Main uses of fire effects models

Fire effect models have been employed in a number of applications, from purely scientific to

management purposes. Their application varies depending on the spatial and temporal scale

that is taken into consideration and, therefore, on the objectives to be achieved.

Models that simulate tree mortality, fuel consumption or soil heating can be applied, for

example, to identify areas more prone and vulnerable to fire occurrence and therefore to

provide data for developing prescriptions for pre- and post-fire land management, such as the

definition of fuel treatments in terms of types and density of application or the development of

guidelines for silvicultural activities.

The modeling approachs for estimating emissions from forest fires have multiple purposes as

well. They can be applied under the so-called ―smoke management‖ activities, a set of

practices needed to meet air quality requirements and safety regulations requirements in fuel

management activities through prescribed fire (Debano et al. 1998). The modeling approach

results are also essential for the development of emission inventories, which in turn are used as

datasets in modeling visibility, air quality, as well as possible changes in the local to regional

atmospherical chemistry, also under climate change conditions. For example, a recent study

carried out in Portugal (Carvalho et al. 2011) suggested that future forest fires will increase O3

and PM10 concentrations.

Models could provide an important contribution to the quantification and identification of major

emissions sources among different vegetation types (Bacciu et al. 2012) and the coupling with

fire behavior models could help in simulating fire and its effects after silvicultural treatments

and thus evaluating the most acceptable and feasible practices (Bacciu et al. 2015b), from

both the environmental sustainability and economic efficiency points of view.

Several studies used the modeling approach to determine fire impacts on climate (eg

Wiedinmyer et al. 2006), although information concerning the possible impact of climate

change on future fire and emissions is still limited. Finally, we cannot forget that, as a result of

the United Nations Framework Convention on Climate Change (UNFCCC) and Kyoto Protocol

requirements, every nation must produce annually an estimate of all emissions, including those

from forest fires, within the framework of the carbon credit accounting policies (Chiriacò et al.

2013).

5.5 Uncertainty sources: datasets and simulation methods

The input data have a significant spatial and temporal variability that may affect the

simulation process of fire effects. In the last two decades, several research groups focused on

the quantification of such uncertainties and the development of more accurate databases for

fire effect estimation. Others concentrated their efforts on the comparison of different

methodologies with the objective of determining the uncertainty derived from the models and

underlying the estimation procedure, as well as the sensitivity to the input data themselves.

Fuel load accuracy, as well as fuel intrinsic and extrinsic characteristics, is critical in both the fuel

125

consumption and fire emission simulations, mainly because of the large differences in vegetation

types, species composition and structural characteristics (e.g., Fig. 5-2). For example, Duce et al.

(2012) pointed out the high shrub load variability in Mediterranean maquis, ranging from 2.7

Mg ha-1 (low and sparse maquis) to 13 Mg ha-1 (tall and dense maquis). Fuel load variability

contributes up to 80% to the error associated with fire emissions estimation (Peterson 1987;

Peterson & Sandberg 1988). Recently, in order to obtain better estimates of fuel load

variability, several authors used biogeochemical models (van der Werf et al. 2006) or dynamic

global vegetation models (Thonicke et al. 2010).

According to Peterson (1987), the estimation of the burned area can be affected by rather

large systematic errors. The burned area can be determined by various methods, such as fire

reports by the forest fire services, the analysis of aerial photographs as well as remote sensing.

The tendency to overestimate the real fire size considering the entire area within the fire

perimeter as completely burned was overpassed adopting new technologies, such as geo-

referencing of the fire perimeter and satellite data. Notwithstanding this, some authors, through

comparison of a series of spatially explicit datasets, highlighted the enormous differences

between the various satellite products and the consequent uncertainty in the determination of

burned areas (Barbosa et al. 1999; Korontzi et al. 2004; Al-saadi et al. 2008). Comparing

different inventories of forest fires emissions, Bacciu et al. (2015a) showed that the differences

in the various inventories were mainly due to the different datasets used for the estimation of

the area burned (Fig. 5-3). Langmann et al. (2009) also pointed out that some limitations of

satellite products (for example, failure of image capturing, low frequency of passage of the

satellite over a given area and low spatial resolution) can be a source of further uncertainty.

The fuel consumption and the combustion completeness, representing the fraction of available

biomass actually consumed by fire, depend on the characteristics and conditions of the

vegetation, the fire type, and on external environmental factors (Brown et al. 1991; Prichard et

al. 2005; Wright & Prichard 2006). Recently Chiriacò et al. (2013) evaluated the different

approaches adopted by southern European countries to estimate the combustion completeness

in the development of national inventories of greenhouse gases development. The Spanish

approach, for example, provides a 100% completeness when estimating CO2 production and

20% in the case of non-CO2 species (ES NIR 2011). Another approach proposed to obtain the

biomass fraction multiplying the area burned (classified in forest type classes) by the level of

damage determined on the basis of the vegetation class and flame height (Bovio 2007). As

stated by Chiriacò et al. (2013), this latter method reduces the uncertainty in estimating the

completeness of combustion since it takes into account its variability in space and time. Chiriacò

et al. (2013) considered this approach as one of the most promising response to the

international demand of forest fire emission estimation.

The emission factor (the mass of particulate, gas or pollutant product per mass of fuel

consumed, g kg-1), is generally considered to be species-specific and tends to be variable

depending not only on the chemical species, but also on the arrangement of the fuel and

combustion efficiency (Ottmar et al. 2009). According to the analysis of Peterson (1987) and

Peterson & Sandberg (1988), the emission factor accounts for about 16% of the total error

associated with the emission estimate. Langmann et al. (2009) estimated that the emission

factors for the most emitted species (e.g., CO) have an uncertainty of 20-30%, but this value

126

can be significantly higher for those compounds or biomes not yet studied in detail (e.g., HCHO

or peats). The emission factors of four major biomes (tropical forest, sub-tropical forest,

savannah, and grasslands) were collected and summarized by Andreae and Merlet in 2001,

while other authors have noticed the lack of data related to boreal and temperate forests

(Koppmann et al. 2005; Urbanski et al. 2008).

As for the emission factors in Mediterranean vegetation, the first work was carried out by

Miranda et al. (2005b) during experimental fires on shrubs conducted within the SPREAD

project (Forest Fire Spread Prevention and Mitigation, 2002-2005). Other experimental

campaigns realized in Mediterranean areas were made for prescribed fires (Alves et al. 2010)

and forest fires that occurred in Portugal in the summer of 2009 (Alves et al. 2011).

Finally, with regard to the uncertainty analysis of the models and their sensitivity to input

parameters, we want to mention the work of French et al. (2011) that compared six models in

five study areas for estimating emissions, including FOFEM 5.7 (Reinhardt et al. 1997) and

CONSUME 3.0 (Prichard et al. 2007). The results of this work showed that most of the

uncertainty and variability in the emissions estimation results from the uncertainty in (i) the

burned area, (ii) the differences in estimating the amount of biomass in a site, and (iii) the type

of fire that occurs (e.g., crown or surface fire). A similar analysis, mainly aimed at providing

stakeholders and policy with information on how the different choices in terms of models and

data can affect the final results, was developed as part of the project SEMIP (Smoke and

Emissions Model Intercomparison Project). The ultimate goal of this project is to develop a

methodology to facilitate the comparison of models and datasets available for each modeling

step that leads to the emissions estimate (http://www.airfire.org/projects/semip/).

5.6 Conclusions

In this chapter, we presented some of the most important fire first order effects. Some of them

can be detected or may have interactions with other components of the system only after a

lengthy period, thus making their analysis and their feedback of complex evaluation. The

modelling approache provides useful tools to both the scientific and operational sectors in

order to simulate fire effects in a given context, consider the outcomes and interactions, and

then to evaluate options for a careful fire prevention and risk mitigation planning.

The application of models and expert systems encompasses different spatial and time scales,

respectively ranging from the local to the landscape and from a few minutes to centuries. It also

comprehends several general objectives ranging from the determination of the risk, the

assessment of the prescriptions, up to planning and regulating the medium and long term. In

general, we can state that these models enhance our analysis skills, but their use requires

awareness of their proper application and the main uncertainty factors that influence their

accuracy.


Albini F. (1976a) Computer-based models of wildland fire behavior: a users‘ manual. USDA

Forest Service, Intermountain and Range Experiment Station, Ogden, UT

127

Albini F. and Reinhardt E. (1995) Modeling Ignition and Burning Rate of Large Woody Natural

Fuels. Int. J. Wildl. Fire: doi:10.1071/WF9950081.

Albini F. and Reinhardt E. (1997) Improved Calibration of a Large Fuel Burnout Model. Int. J.

Wildl. Fire: doi:10.1071/WF9970021.

Albini F., Brown J.K., Reinhardt E., Ottmar R.D. (1995) Calibration of a Large Fuel Burnout

Model. Int. J. Wildl. Fire: doi:10.1071/WF9950173.

Al-Saadi J.A., Soja A.J., Pierce R.B., Szykman J., Wiedinmyer C., Emmons L.K., Kondragunta S.,

Zhang X., Kittaka C., Schaack T., Bowman K. (2008) Evaluation of near-realtime biomass

burning emissions estimates constrained by satellite active fire detections. J Remote Sens

Appl. doi:10.1117/1.2948785

Alves C., Gonçalves C., Evtyugina M., Pio C., Mirante F., Puxbaum H. (2010) Particulate organic

compounds emitted from experimental wildland fires in a Mediterranean ecosystem.

Atmos. Environ. Elsevier Ltd 44(23): 2750–2759: doi:10.1016/j.atmosenv.2010.04.029.

Alves C., Vicente A., Nunes T., Gonçalves C., Fernandes A.P., Mirante F., et al. (2011) Summer

2009 wildfires in Portugal: Emission of trace gases and aerosol composition. Atmos.

Environ. 45(3): 641–649: doi:10.1016/j.atmosenv.2010.10.031.

Anderson G.K., Sandberg D.V., Norheim R.A. (2004) Fire Emission Production Simulator (FEPS)

user‘s guide. Version 1.0. USDA Forest Service, Pacific Northwest Research Station,

Corvallis, Oregon, USA.IFT-DSS (Wells 2009)

Andreae M. and Merlet P. (2001) Emission of trace gases and aerosols from biomass burning.

Global Biogeochem. Cycles 15(4): 955–966.

Andrews P.L. (2007) BehavePlus fire modeling system: past, present, and future. In: Proceedings

of 7th Symposium on Fire and Forest Meteorological Society, pp. 1-13, Bar Harbor,

Maine, October 2007.

Bacciu V., Salis M., Chergia A., Pellizzaro G., Arca B., Spano D., Duce P. (2010b) Fuel

consumption and smoke characterization in Mediterranean ecosystem using FOFEM 5. In:

Proceedings of the VI International Conference on Forest Fire Research. Coimbra,

Portugal. Coimbra, Portugal, 15-18 November 2010, D.X. Viegas (ADAI/CEIF,

University Coimbra)

Bacciu V., Arca B., Pellizzaro G., Salis M., Ventura A., Arca A., Duce P., Spano D. (2010a)

Impact of fire disturbances in a Mediterranean maquis ecosystem. Geophysical

Research Abstracts, Vol. 12, EGU2010-12794, 2010, EGU General Assembly 2010

Bacciu V., Pellizzaro G., Salis M., Arca B., Duce P., Spano D. (2012) Estimating vegetation fire

emissions from Sardinian wildland fires (2005-2009). In: Modelling Fire Behaviour and

Risk, Edited by D. Spano, V. Bacciu, M. Salis, C. Sirca. Nuova Stampacolor, Sassari,

ISBN: 978-88-904409-7-7

Bacciu V., Salis M., Spano D. (2015a) Emissions from Forest Fires: Methods of Estimation and

National Results. In: The Greenhouse Gas Balance of Italy, Edited by R. Valentini, F.

Miglietta: chapter 6: pages 87-102; Springer-Verlag Berlin Heidelberg., ISBN: 978-3-

642-32423-9

128

Bacciu V., Salis M., Spano D. (2015b) Modelling fire eimissions across Central and Southern

Italy: implications for land and fire management. American Geophysical Union, San

Francisco, 14-18 December

Barbosa P.M., Grégoire J.M., Pereira J.M.C. (1999) An Algorithm for Extracting Burned Areas

from Time Series of AVHRR GAC Data Applied at a Continental Scale. Remote Sens.

Environ. 69(3): 253–263: doi:10.1016/S0034-4257(99)00026-7.

Blasi C., Bovio G., Corona P., Marchetti M., Maturani A., (2004) Incendi e complessità

ecosistemica. Dalla pianificazione forestale al recupero ambientale. Di Marzio P.,

Melekh A., Moretti G. (Eds.)

Brown J., Reinhardt E.D., Fischer W.C (1991) Predicting duff and woody fuel consumption in

Northern Idaho prescribed fires. For. Sci.

Carvalho A.C., Carvalho A., Martins H., Marques C., Rocha A., Borrego C., Viegas D.X., Miranda

A.I. (2011) Fire weather risk assessment under climate change using a dynamical

downscaling approach. Environ Model Softw 26(9):1123–1133

Chiriacò M.V., Perugini L., Cimini D., D‘Amato E., Valentini R., Bovio G., et al. (2013) Comparison

of approaches for reporting forest fire-related biomass loss and greenhouse gas

emissions in southern Europe. Int. J. Wildl. Fire 22: 730–738: doi:10.1071/WF12011.

Debano L.F., Neary D.G., Ffolliott P.F. (1998) Fire‘s effects on ecosystems. , 352.

Duce P., Pellizzaro G., Arca B., Bacciu V, Salis M., Spano D., Santoni P.A., Barboni T., Leroy V.,

Cancellieri D., Leoni E., Ferrat L., Perez Y. (2012) Fuel types and potential fire

behaviour in Sardinia and Corsica islands: a pilot study. In: Modelling Fire Behaviour

and Risk, Edited by D. Spano, V. Bacciu, M. Salis, C. Sirca. Nuova Stampacolor, Sassari,

ISBN: 978-88-904409-7-7

Faraco M.A., Fernandez F., Moreno J.M., (1993) Post-fire vegetation dynamics of pine

woodlands and shrublands in the Sierra De Gredos, Spain. In: Trabaud L & Prodron R.

(Eds.) Fire in Mediterranean Ecosystems. Ecosystems Research Report N.5, Commission of

the European Communities, pp.101-112.

Finney M.A. (1998) FARSITE: fire area simulator—model development and evaluation. USDA

For. Serv. Res. Pap. RMRS- RP-4, Rocky Mountain Res Stn, Fort Collins, CO

Finney M.A. (2001) FARSITE help documentation

French N.H.F., de Groot W.J., Jenkins L.K., Rogers B.M., Alvarado E., Amiro B., et al. (2011)

Model comparisons for estimating carbon emissions from North American wildland fire.

J. Geophys. Res. 116: G00K05: doi:10.1029/2010JG001469.

French N.H.F., Goovaerts P., Kasischke E.S. (2004) Uncertainty in estimating carbon emissions

from boreal forest fires. J. Geophys. Res. D Atmos. 109(D14): D14S08:

doi:10.1029/2003JD003635.

Hardy C.C. (1998) Guidelines for estimating volume, biomass, and smoke production for piled

slash. Gen. Tech. Rep. PNW-GTR-364. Portland, OR: U.S. Department of Agriculture,

Forest Service, Pacific Northwest Research Station. 28 p

Hardy C.C., Conard S.G., Regelbrugge J.C., Teesdale D.R. (1996) Smoke emissions from

prescribed burning of southern California chaparral. Res. Pap. PNW-RP-486. Portland,

129

OR: U.S. Department of Agriculture, Forest Service, Pacific Northwest Research Station.

37 p

Hood S.M., Smith S.L., Cluck D.R. (2007) Delayed conifer tree mortality following fire in

California. Pages 261-283 in: Powers R.E., technical editor. Restoring fire-adapted

ecosystems: proceedings of the 2005 national silviculture workshop. USDA Forest

Service General Technical Report PNW-GTR-203. Pacific Southwest Research Station,

Albany, California, USA.Campbell et al. (1994, 1995)

Koppmann R., Czapiewski K., Reid J.S. (2005) A review of biomass burning emissions , part I  :

gaseous emissions of carbon monoxide , methane , volatile organic compounds , and

nitrogen containing compounds. .

Korontzi S., Roy D.P., Justice C.O., Ward D.E. (2004) Modeling and sensitivity analysis of fire

emissions in southern Africa during SAFARI 2000. Remote Sens. Environ. 92(2): 255–275:

doi:10.1016/j.rse.2004.06.010.

Langmann B., Duncan B., Textor C., Trentmann J., van der Werf G.R. (2009) Vegetation fire

emissions and their impact on air pollution and climate. Atmos. Environ. 43(1): 107–116:

doi:10.1016/j.atmosenv.2008.09.047.

Lutes D.C. (2013) Research Note. RMRS-Research Note: doi:10.3109/10826087609056170.

Mazzoleni S., (1993) Incendi e vegetazione mediterranea. In: Mazzoleni S., Aronne G., (Eds.)

Introduzione all‘ecologia degli incendi. Liguori Editore, pp. 43-72.

Mincemoyer S.A. (2002) FOFEM fuel loading database. On file at the USDAForest Service,

RockyMountain Research Station, Missoula Fire Sciences Laboratory. (Missoula, MT)

Miranda A.I., Borrego C., Sousa M., Valente J., Barbosa P., Carvalho A. (2005b) Model of forest

fire emissions to the atmosphere. Deliverable D252 of SPREAD Project (EVG1-CT-2001-

00043). AMB-QA-07/2005. University of Aveiro, Aveiro, Portugal

O‘Neill S.M., Ferguson S.A., Peterson J. (2003) The BlueSky smoke modeling framework. Paper

J8.7 in: Proceedings of the 5th Symposium on Fire and Forest Meteorology. American

Meteorological Society, 16-20 November 2003, Orlando, Florida, USA

Ottmar R.D. and Sandberg D.V. (1985) Calculating moisture content for 1000-hour timelag fuels

in western Washington and western Oregon. Res. Pap. PNW-RP-336. Portland, OR: U.S.

Department of Agriculture, Forest Service, Pacific Northwest Forest and Range

Experiment Station. 16 p

Ottmar R.D., Hardy C.C., Vihnanek R.E. (1990) Stereo photo series for quantifying forest

residues in the Douglas-Fir-Hemlock type of the Willamette National Forest. Gen. Tech.

Rep. PNW-GTR-258. Portland, OR: U.S. Department of Agriculture, Forest Service,

Pacific Northwest Research Station. 64 p

Ottmar R.D., Miranda A.I., Sandberg D.V. (2009) Characterizing sources of emissions from

wildland fires. In: Bytnerowicz A, Arbaugh M, Riebau A, Andersen C (eds) Wildland fires

and air pollution wildland fires and air pollution. Elsevier, Amsterdam

Ottmar R.D., Sandberg D.V., Riccardi C.L., Prichard S.J. (2007) An overview of the Fuel

Characteristic Classification System — Quantifying, classifying, and creating fuelbeds

130

for resource planning. Canadian Journal of Forest Research, 2007, 37:2383-2393,

10.1139/X07-077

Peterson J.L. (1987) Analysis and reduction of the errors of predicting prescribed burn emissions.

Seattle: University of Washington. 70 p p. M.S.

Peterson J.L. and Sandberg D.V. (1988) A national PM10 emissions inventory approach for

wildfires and prescribed fires. In: Mathai C.V.; Stonefield David H. eds. TransactionsPM-

10 implementation of standards: an APCA/EPA international specialty conference.

Pittsburgh PA: Air Pollution Control Association.

Prichard S.J., Ottmar R.D., Anderson G.K. (2007) Consume 3.0 user‘s guide. USDA For. Serv.

Pacific Northwest Res. Stn.

Reinhardt E.D. and Crookston N.L., technical editors (2003) The Fire and Fuels Extension to the

Forest Vegetation Simulator. USDA Forest Service General Technical Report RMRS-GTR-

116. Rocky Mountain Research Station, Fort Collins, Colorado, USA.

Reinhardt E.D. and Dickinson M.B. (2010) First-order fire effects models for land management:

overview and issues. Fire Ecol. 6(1): 131–142: doi:10.4996/fireecolo.

Reinhardt E.D., Keane R.E., Brown J.K. (1997) First - Order - Fire - Effects User ‘ s Guide. .

Reinhardt E.D., Keane R.E., Brown JK (2001) Modeling fire effects. Int. J. Wildl. Fire 10: 373–

380: doi:http://dx.doi.org/10.1071/WF01035.

Rosa I.M.D., Pereira J.M.C., Tarantola S. (2011) Atmospheric emissions from vegetation fires in

Portugal (1990–2008): estimates, uncertainty analysis, and sensitivity analysis. Atmos.

Chem. Phys. 11(6): 2625–2640: doi:10.5194/acp-11-2625-2011.

Rothermel R.C. (1972) A mathematical model for predicting fire spread in wildland fuels. .

Ryan K.C. and Reinhardt E.D. (1988) Predicting postfire mortality of seven western conifers.

Can. J. For. Res. 18: 1291–1297: doi:10.1139/x88-199.

Seiler W. and Crutzen P.J. (1980) Estimates of gross and net fluxes of carbon between the

biosphere and the atmosphere from biomass burning. Clim. Change 2(3): 207–247:

doi:10.1007/BF00137988.

Thonicke K., Spessa A., Prentice I.C., Harrison S.P., Dong L., Carmona-Moreno C. (2010) The

influence of vegetation, fire spread and fire behaviour on biomass burning and trace

gas emissions: results from a process-based model. Biogeosciences 7(6): 1991–2011:

doi:10.5194/bg-7-1991-2010.

Trabaud A.Y. (1989) Some questions about flammability in fire ecology. Acta Oecologica 10:

167–175.

Urbanski S.P., Hao W.M., Baker S. (2008) Chemical composition of wildland fire emissions.

Wildl. Fires Air Pollut. Elsevier: doi:10.1016/S1474-8177(08)00004-1.

Ward D.E., Hardy C.C., Sandberg D.V., Reinhardt T.E. (1989) ―Part III – Emissions

Characterization.‖ In: Sandberg, D.V., Ward, D.E., and Ottmar, R.D. eds. Mitigation of

prescribed fire atmospheric pollution through increased utilization of hardwoods, piled

residues, and long-needled conifers. USDA Forest Service, Pacific Northwest Research

Station, Seattle, Washington

131

Ward D.E., Peterson J., Hao W.M. (1993) An inventory of particulate matter and air toxic

emissions from prescribed fires in the USA for 1989. In: Proceedings of the Air and

Waste Management Association 1993 annual meeting, Denver, CO. 19 p.

Van Der Werf G.R., Randerson J.T., Giglio L., Collatz G.J., Kasibhatla P.S., Arellano A.F. (2006)

and Physics Interannual variability in global biomass burning emissions from 1997 to

2004. 3423–3441.

Wiedinmyer C.B., Geron Q.C., Belote A., McKenzie D., Zhang X., O'Neill S., Klos K.L., (2006)

Estimating emissions from fires in North America for air quality modeling. Atmospheric

Environment, 40, 3419-3432, DOI: 10.1016/j.atmosenv.2006.02.010.

Wright C. and Prichard S. (2006a) Biomass consumption during prescribed fires in big

sagebrush ecosystems. In: P.L. Andrews and B.W. Butler (eds.). Fuels Management—How

to Measure Success: Conference Proceedings; 28-30 March 2006; Portland, OR, USA.

Fort Collins, CO, USA: USDA Forest Service Rocky Mountain Research Station.

Proceedings RMRS-P-41. p. 489-500.

Strumenti e modelli a supporto della pianificazione ... · Over the last forty years, the...

Documents

Transcript of Strumenti e modelli a supporto della pianificazione ... · Over the last forty years, the...