Ein Machine-Learning-Entzündungsmodell kombiniert mit Karst-kalibrierter FWI-Schwere — 77,5% Branderkennung gegenüber einer 29%-Basislinie für den generischen Fire Weather Index allein.
Im Karst sind 52 % der Brände menschengemacht, 97,3 % entzünden sich unterhalb der generischen europäischen FWI-Schwelle „High", und 71 % beginnen mit einem FWI unterhalb des Medians. Ein Wetterindex allein erkennt nur ~29 % davon — deshalb fügt der KFWI eine zweite Komponente hinzu: wo ein Feuer wahrscheinlich beginnt.
Ein räumlich-zeitliches Machine-Learning-Modell (AUC 0.934) sagt voraus, wo ein Brand wahrscheinlich beginnt — unabhängig vom Wetter, aber mit saisonalen Mustern.
Der Fire Weather Index — aus Copernicus-gestütztem Live-Wetter — bewertet, wie schwer ein Brand bei Entzündung wäre, mit Karst-kalibrierten Schwellen statt der generischen europäischen EFFIS-Klassen.
Wichtige wissenschaftliche Erkenntnisse
Hotspot-Gedächtnis dominiert. Brände wiederholen sich an denselben Orten (Sgonico–Monrupino–Basovizza) — räumliches Gedächtnis ist der stärkste Prädiktor.
Bahnen schlagen Straßen. Bahnnähe (26%) übertrifft Straßennähe (16%) — wahrscheinlich elektrische Funken von Zügen und Stromleitungen.
Menschliche Brände sind besser vorhersagbar. 84,9% Erkennung für anthropogene Entzündungen vs. 66,2% für Blitze.
EFFIS-Schwellen verfehlen den Karst. 97,3% der Brände treten unter der europäischen "High"-Schwelle auf — lokale Kalibrierung ist essenziell.
FWI ≠ Auftreten. 71% der Brände beginnen mit FWI unter dem Median; der FWI ist hervorragend für die Schwere, schlecht für die Entzündung.
Saisonalität, korrigiert. Eine korrigierte zeitliche Stichprobe (Phillips et al. 2009) hob den Sommer-Winter-Kontrast von 0% auf +38,8% und die AUC von 0.918 auf 0.934.
| … |