Les orages de feu, ou pyrocumulonimbus, imposent aujourd’hui une surveillance multi-sources.
Satellites, indices atmosphériques et modèles couplés permettent d’anticiper les panaches et la fumée. Ce dispositif combine FRP satellite, indice C-Haines, et modèles WRF-Fire et HRRR-Smoke pour des prévisions jusqu’à 36 heures.
GOES et Himawari captent le Fire Radiative Power en quasi-temps réel
Les satellites GOES (NOAA) et Himawari (JMA) fournissent des mesures de FRP toutes les minutes sur les zones couvertes. Ces données VIIRS sur Suomi-NPP et NOAA-20 mesurent la puissance radiative des pixels, typiquement jusqu’à 4 000 MW par pixel pour un grand incendie.
La détection précoce du FRP permet de localiser l’intensité thermique et d’alimenter des modèles d’émission de fumée. Les produits satellite sont ingérés dans Pyrocast et HRRR-Smoke pour estimer les flux de particules et de gaz, indispensables à la modélisation du panache.
Sur le terrain, la fréquence temporelle et la résolution spatiale améliorent la précision des lancements de scénario. Les opérateurs reçoivent des mises à jour rapprochées pour calibrer les simulations et déclencher des observations aériennes ciblées.
Indice C-Haines quantifie l’instabilité liée aux pyrocumulonimbus
L’indice C-Haines combine température et humidité en altitude pour évaluer l’instabilité susceptible de soutenir une convection associée aux feux. Des valeurs élevées signalent un risque accru de formation de pyrocumulonimbus et de convection profonde.
Les services météorologiques intègrent le C-Haines dans les bulletins opérationnels afin de prioriser l’analyse des feux les plus menaçants. En pratique, une hausse de 2 à 3 points augmente la probabilité de convection explosive sur des feux intenses.
Les alertes basées sur cet indice permettent d’anticiper des changements rapides de direction des vents induits par la convection, facteur clé des comportements erratiques des incendies et des phénomènes de propagation rapide.
WRF-Fire et HRRR-Smoke: modèles couplés qui simulent l’orage de feu
Les modèles WRF-Fire et HRRR-Smoke réalisent des simulations couplées où météo, feu, combustibles et fumée interagissent. Cette approche reproduit la génération de buoyancy et la convection créée par la chaleur du feu.
WRF-Fire simule la dynamique du feu et l’évolution de la ligne de feu, tandis que HRRR-Smoke, décliné du HRRR, produit des sorties relatives au near-surface smoke et au vertically integrated smoke jusqu’à 36 heures.
Coupler ces modèles permet de saisir les rétroactions: la convection crée de nouveaux vents, modifiant la propagation, qui modifie à son tour la source d’émissions. Les prévisions sont mises à jour quatre fois par jour pour HRRR-Smoke.
Visualisation 3D: grille jusqu’à 16 miles d’altitude et prévisions 24-36 h
Les sorties sont mappées sur une grille tridimensionnelle qui s’étend à près de 16 miles (26 km) d’altitude, produisant des prévisions de hauteur de panache, direction et quantité de fumée.
HRRR-Smoke génère deux représentations: near-surface smoke (8 m, responsable d’irritations et d’asthme) et vertically integrated smoke (colonne totale, visible aux levers et couchers de soleil). Ces produits améliorent la gestion sanitaire et les décisions d’évacuation.
Les prévisions à 24 heures anticipent la formation de pyrocumulonimbus identifiés via FRP et C-Haines; les scénarios à 36 heures offrent une fenêtre opérationnelle pour la planification aérienne et la protection civile.
Comparatif opérationnel: WRF-Fire vs HRRR-Smoke
| Caractéristique | WRF-Fire | HRRR-Smoke |
|---|---|---|
| Objectif | Simulation du feu et rétroactions | Transport et concentration de la fumée |
| Résolution | 100-500 m localement | 3 km opérationnel |
| Horizon temporel | 0-48 h selon configuration | 0-36 h (quatre runs/jour) |
| Entrées clés | Combustible, topographie, FRP | FRP, HRRR météo, émissions |
| Produit | Comportement du feu, flux de chaleur | Near-surface & vertically integrated smoke |
Les équipes opérationnelles sélectionnent le modèle selon l’objectif: tactique pour WRF-Fire, dispersion et santé publique pour HRRR-Smoke. L’intégration des satellites et de l’indice C-Haines reste un élément central pour déclencher ces simulations.
Sources :
- a Machine Learning Pipeline to Forecast Pyrocumulonimbus …
- Fire Radiative Power Products: GOES-R and Himawari …
- Jean-Baptiste Filippi
- Predicting Fire Radiative Power by combining Satellite Derived FRP and Numerical Weather Prediction Model Data inputs into a Random Forest Model
- Automating the Wildfire Detection and Scheduling Pipeline with Maneuverable Earth Observation Satellites
