La réduction du temps entre la détection d'un feu de forêt et l'arrivée de l'équipe d'attaque initiale (AI) peut avoir un impact significatif sur les probabilités de succès de l'AI, et conséquemment sur la superficie finale du feu. Le premier volet du projet visait à identifier les facteurs qui influencent ce temps de réponse à partir de données récoltées au Québec entre 2002 et 2022. À l'aide de trois modèles linéaires généralisés mixtes et de sélections de modèles, nous avons analysé l'impact de multiples facteurs ainsi que leurs poids sur trois intervalles de temps distincts : le temps entre la réception de l'alerte et le départ des équipes le jour même, le temps entre la réception de l'alerte et le départ des équipes le lendemain, ainsi que le temps de transport des équipes vers le feu. Nos résultats indiquent que la distance entre la base de départ et le feu, le nombre de segments de vols nécessaires pour atteindre un feu, l'heure d'assignation de l'alerte, l'emplacement de la base de départ, le taux de propagation du feu, la date du feu ainsi que le nombre d'incendies actifs dans la province au moment de l'intervention sont des facteurs ayant un effet significatif. Dans l'ensemble, la distance et le nombre d'étapes de vols étaient les facteurs qui avaient le plus de poids sur le temps de transport, alors que l'heure d'assignation était la variable qui avait le plus de poids pour les temps de départ des feux attaqués le jour même et le lendemain. La deuxième étape du projet a consisté à développer un outil d'optimisation visant à modifier le déploiement des équipes héliportées en tenant compte des prévisions de propagation et d'intensité des incendies, afin de réduire le temps de déplacement et conséquemment le temps de réponse global. Cette analyse a permis de montrer que l'utilisation d'un plus grand nombre de sites potentiels de déploiements serait bénéfique pour améliorer la performance du système. / Reducing the time between the detection of a fire and the arrival of the initial attack (IA) crew can have a significant impact on the likelihood of the IA success. The first part of the project was to identify the factors that influenced response time, based on historical data in Quebec, between 2002 and 2022. Using three generalized linear mixed models and model selection, multiple factors were analyzed as well as their weights on three distinct time intervals: the time between the dispatch of a fire and the departure of the IA team for fires attacked on the same day or the next day, and the travel time of the team until it's arrival on the fire. Results show that the distance between the departure base and the fire, the number of flight legs necessary to get to the fire, the departure base location, the fire's rate of spread, the fire's date, and the number of active fires in the province at the moment of fire start all have a significant impact but have different degrees of influence. The distance and the number of flight legs were identified as the factors having the highest influence on travel time. The second part of the project was to develop an optimization tool that sought to modify the deployment of helitack teams, while considering predicted head fire intensity, to further reduce travel time and consequentially overall response time. This analysis demonstrated that the use of a higher number of potential deployment sites could be beneficial to the overall improvement of the system's performance.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/153603 |
| Date | 05 November 2024 |
| Creators | Brunet, Frédéric |
| Contributors | Bouchard, Mathieu, Boucher, Jonathan |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (ix, 62 pages), application/pdf |
| Coverage | Québec (Province) |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.1737 seconds