Modèle d’IA utilisé pour cartographier la sécheresse des forêts, prédire les incendies de forêt

Un nouveau modèle d’apprentissage profond conçu par des chercheurs de l’Université de Stanford utilise les niveaux d’humidité dans 12 États différents pour aider à prédire les incendies de forêt et à aider les équipes de gestion des incendies à anticiper les incendies de forêt potentiellement destructeurs.

Les équipes de gestion des incendies visent à prédire où les incendies les plus graves pourraient se produire, afin que des mesures préventives telles que des brûlis dirigés puissent être effectuées. Prédire les points d’origine et les modèles de propagation des incendies de forêt nécessite des informations sur les quantités de combustible et les niveaux d’humidité de la région ciblée. La collecte de ces données et leur analyse à la vitesse requise pour être utiles aux équipes de gestion des incendies de forêt sont difficiles, mais les modèles d’apprentissage profond pourraient aider à automatiser ces processus critiques.

Comme l’a récemment rapporté Futurity, des chercheurs de l’Université de Stanford ont collecté des données climatiques et conçu un modèle destiné à produire des cartes détaillées des niveaux d’humidité dans 12 États de l’Ouest, y compris les États de la côte pacifique, le Texas, le Wyoming, le Montana et les États du sud-ouest. Selon les chercheurs, bien que le modèle soit encore en cours de raffinement, il est déjà capable de révéler les zones à haut risque d’incendies de forêt où le paysage est exceptionnellement sec.

La méthode traditionnelle de collecte de données sur les niveaux de combustible et d’humidité d’une région ciblée consiste à comparer avec soin la végétation sèche à la végétation plus humide. Plus précisément, les chercheurs collectent des échantillons de végétation sur des arbres et les pesent. Ensuite, les échantillons de végétation sont séchés et pesés à nouveau. Des comparaisons sont effectuées entre le poids des échantillons secs et des échantillons humides pour déterminer la quantité d’humidité dans la végétation. Ce processus est long et complexe et n’est viable que dans certaines zones et pour certaines espèces de végétation. Cependant, les données collectées au cours de décennies grâce à ce processus ont été utilisées pour créer la Base de données nationale sur l’humidité du combustible, qui comprend plus de 200 000 enregistrements. Le contenu en humidité du combustible d’une région est bien connu pour être lié au risque d’incendie de forêt, bien que le rôle exact qu’il joue entre les écosystèmes et d’une plante à l’autre soit encore inconnu.

Krishna Rao, étudiant en doctorat en sciences des systèmes terrestres à Stanford, était l’auteur principal de la nouvelle étude, et Rao a expliqué à Futurity que l’apprentissage automatique permet aux chercheurs de tester des hypothèses sur les liens entre l’humidité du combustible vivant et les conditions météorologiques pour différents écosystèmes. Rao et ses collègues ont formé un modèle de réseau neuronal récurrent sur des données de la Base de données nationale sur l’humidité du combustible. Le modèle a ensuite été testé en estimant les niveaux d’humidité du combustible sur la base de mesures collectées par des capteurs spatiaux. Les données comprenaient des signaux de radar à synthèse d’ouverture (SAR), qui sont des signaux de radar à micro-ondes qui pénètrent jusqu’à la surface, et de la lumière visible qui rebondit sur la surface de la planète. Les données de formation et de validation du modèle consistaient en trois ans de données pour environ 240 sites à travers l’Ouest américain à partir de 2015.

Les chercheurs ont effectué des analyses sur différents types de couverture terrestre, notamment la végétation clairsemée, les prairies, les landes, les forêts de conifères à feuilles persistantes et les forêts de feuillus à feuilles caduques. Les prédictions du modèle étaient les plus précises, les plus fiables, et correspondaient le mieux aux mesures de la NFMD, dans les régions de landes. C’est une chance, car les landes représentent environ 45 % des écosystèmes trouvés dans l’Ouest américain. Les landes, en particulier les landes de chaparral, sont souvent particulièrement sensibles aux incendies, comme on l’a vu dans de nombreux incendies qui ont ravagé la Californie ces dernières années.

Les prédictions générées par le modèle ont été utilisées pour créer une carte interactive que les agences de gestion des incendies de forêt pourraient un jour utiliser pour donner la priorité aux régions pour le contrôle des incendies et discerner d’autres modèles pertinents. Les chercheurs estiment que, avec une formation et un raffinement supplémentaires, le modèle pourrait.

Comme Alexandra Konings, professeure agrégée de sciences des systèmes terrestres à Stanford, l’a expliqué à Futurity :

« La création de ces cartes a été la première étape pour comprendre comment ces nouvelles données sur l’humidité du combustible pourraient affecter le risque et les prédictions d’incendies de forêt. Maintenant, nous essayons vraiment de déterminer les meilleures façons d’utiliser ces données pour améliorer la prédiction des incendies de forêt. »