Une nouvelle technique d'IA peut améliorer les prévisions de feux de forêt

Les scientifiques du National Center for Atmospheric Research (NCAR) ont développé une nouvelle technique qui utilise l'intelligence artificielle (IA) pour améliorer les prévisions des incendies de forêt. La technique permet de mettre à jour efficacement les cartes de végétation qui sont utilisées par les modèles informatiques de feux de forêt pour prédire avec précision le comportement et la propagation des incendies. 

La méthode a été démontrée en utilisant le 2020 East Troublesome Fire au Colorado. Au cours de cet incendie, les terres brûlées ont été qualifiées à tort dans les inventaires de carburant comme étant saines. Mais en réalité, la zone qui a brûlé a récemment été touchée par des dendroctones du pin et des tempêtes de vent, qui ont laissé de grandes portions de bois mort et abattu. 

Comparaison des simulations de feux de forêt

L'équipe a comparé des simulations d'incendie générées par un modèle de comportement des feux de forêt utilisant l'inventaire de carburant standard et un autre mis à jour avec l'IA. Les simulations de l'IA ont obtenu des résultats nettement meilleurs lors de la prédiction de la zone brûlée par le feu. 

Amy DeCastro est une scientifique du NCAR et l'auteure principale de l'étude. 

"L'un de nos principaux défis en matière de modélisation des incendies de forêt a été d'obtenir des données précises, y compris des données sur le carburant", a déclaré DeCastro. "Dans cette étude, nous montrons que l'utilisation combinée de l'apprentissage automatique et de l'imagerie satellite constitue une solution viable."

Les simulations du modèle ont été exécutées au NCAR-Wyoming Supercomputing Center sur le système Cheyenne. 

Les modèles destinés à simuler avec précision les incendies de forêt nécessitent de nombreuses informations détaillées sur les conditions actuelles, telles que la météo locale et le terrain. Ils ont également besoin d'informations sur la matière végétale, qui agit comme combustible pour le feu. 

L'ensemble de données LANDFIRE

Le meilleur ensemble de données sur les combustibles est produit par LANDFIRE, un programme fédéral qui produit des ensembles de données géospatiales contenant des informations sur les combustibles des feux de forêt. Pour créer les ensembles de données sur les combustibles des incendies de forêt, les experts ont besoin de nombreuses images satellite, de simulations de paysages et d'informations d'enquête. En raison de la grande quantité de données requises, la mise à jour des ensembles de données prend beaucoup de temps. Dans le même temps, les combustibles disponibles dans une zone peuvent changer rapidement. 

L'équipe a mis à jour l'ensemble de données sur le carburant en utilisant les satellites Sentinel, qui appartiennent au programme Copernicus de l'Agence spatiale européenne. Sentinel-1 fournit des données sur la texture de surface, qui peuvent être utilisées pour identifier le type de végétation. Sentinel-2 fournit des données qui peuvent être utilisées pour déduire la santé de la plante à partir de sa verdeur. Ces données satellitaires ont été introduites dans un modèle d'apprentissage automatique qui a été formé sur l'enquête de détection des insectes et des maladies du US Forest Service, qui est menée chaque année pour estimer la mortalité des arbres par voie aérienne. 

Grâce à ces nouveaux ajouts, le modèle d'apprentissage automatique a pu mettre à jour avec précision les données de carburant LANDFIRE. 

"Les données LANDFIRE sont extrêmement précieuses et fournissent une plate-forme fiable sur laquelle s'appuyer", a déclaré DeCastro. "L'intelligence artificielle s'est avérée être un outil efficace pour mettre à jour les données d'une manière moins gourmande en ressources."

Test du nouveau système

L'équipe a ensuite entrepris de tester l'effet que l'inventaire mis à jour aurait sur les simulations de feux de forêt, ils ont donc utilisé WRF-Fire, qui a été développé par NCAR pour simuler le comportement des feux de forêt. 

Ils ont d'abord utilisé WRF-Fire pour simuler l'East Troublesome Fire avec l'ensemble de données de carburant LANDFIRE non ajusté, ce qui a entraîné une sous-estimation de la superficie qui serait brûlée. Cependant, lorsque le modèle a été exécuté avec l'ensemble de données ajusté, il a prédit cette zone brûlée avec un degré de précision beaucoup plus élevé. Il l'a fait en prédisant que le bois mort et abattu aiderait à propager le feu. 

Ce modèle d'apprentissage automatique est actuellement conçu pour mettre à jour les cartes de carburant existantes, mais il pourrait éventuellement conduire à la production et à la mise à jour régulières de cartes de carburant à partir de zéro. 

Les chercheurs du NCAR espèrent également que l'apprentissage automatique résoudra d'autres défis majeurs dans ce domaine, comme l'amélioration de notre capacité à prédire les propriétés des braises générées par un incendie. 

Le scientifique du NCAR, Timothy Juliano, est co-auteur de l'étude. 

"Nous avons tellement de technologie et tellement de puissance de calcul et tellement de ressources à portée de main pour résoudre ces problèmes et assurer la sécurité des personnes", a déclaré Juliano. « Nous sommes bien placés pour avoir un impact positif ; nous devons juste continuer à travailler dessus.