Nouvelle technique d’intelligence artificielle pour améliorer les prévisions d’incendies 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 d’incendies de forêt. Cette technique aide à mettre à jour de manière efficace les cartes de végétation utilisées par les modèles informatiques d’incendies de forêt pour prédire avec précision le comportement et la propagation des incendies.

La méthode a été démontrée en utilisant l’incendie de East Troublesome Fire de 2020 dans le Colorado. Lors de cet incendie, les terres brûlées ont été mal caractérisées dans les inventaires de combustible comme étant saines. Mais en réalité, la zone qui a brûlé a été récemment touchée par des scolytes attaquant les pins et des tempêtes de vent, qui ont laissé de grandes quantités de bois mort et abattu.

Comparaison des simulations d’incendies de forêt

L’équipe a comparé les simulations de l’incendie générées par un modèle de comportement d’incendie de forêt qui utilisait l’inventaire de combustible standard et un autre qui a été 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 l’incendie.

Amy DeCastro est une scientifique de l’NCAR et l’autrice principale de l’étude.

“L’un de nos principaux défis dans la modélisation des incendies de forêt a été d’obtenir des données d’entrée précises, y compris les données de combustible”, a déclaré DeCastro. “Dans cette étude, nous montrons que l’utilisation combinée de l’apprentissage automatique et de l’imagerie satellitaire fournit une solution viable.”

Les simulations de modèles ont été exécutées au centre de supercalcul de l’NCAR-Wyoming sur le système Cheyenne.

Les modèles destinés à simuler avec précision les incendies de forêt nécessitent beaucoup d’informations détaillées sur les conditions actuelles, telles que la météo locale et le terrain. Ils nécessitent également des informations sur la matière végétale, qui sert de combustible pour l’incendie.

Le jeu de données LANDFIRE

Le meilleur jeu de données de combustible est produit par LANDFIRE, qui est un programme fédéral qui produit des jeux de données géospatiales contenant des informations sur les combustibles d’incendie de forêt. Pour créer les jeux de données de combustible d’incendie de forêt, les experts ont besoin de beaucoup d’imagerie satellitaire, de simulation de paysage et d’informations de relevé. En raison de la grande quantité de données requises, il faut beaucoup de temps pour mettre à jour les jeux de données. En même temps, les combustibles disponibles dans une zone peuvent changer rapidement.

L’équipe a mis à jour le jeu de données de combustible en utilisant les satellites Sentinel, qui appartiennent au programme Copernicus de l’Agence spatiale européenne. Le Sentinel-1 fournit des données sur la texture de surface, qui peuvent être utilisées pour identifier le type de végétation. Le 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 intégrées à un modèle d’apprentissage automatique qui a été formé sur l’enquête de détection des insectes et des maladies de l’US Forest Service, qui est réalisée annuellement pour estimer la mortalité des arbres depuis les airs.

Grâce à ces nouvelles données, le modèle d’apprentissage automatique a pu mettre à jour avec précision les données de combustible LANDFIRE.

“Les données LANDFIRE sont super précieuses et fournissent une base fiable pour poursuivre les travaux”, a déclaré DeCastro. “L’intelligence artificielle s’est avérée être un outil efficace pour mettre à jour les données de manière moins intensive en ressources.”

Test du nouveau système

L’équipe a ensuite cherché à tester l’effet que le nouvel inventaire aurait sur les simulations d’incendies de forêt, elle a donc utilisé WRF-Fire, qui a été développé par l’NCAR pour simuler le comportement des incendies de forêt.

Ils ont d’abord utilisé WRF-Fire pour simuler l’incendie de East Troublesome Fire avec le jeu de données de combustible LANDFIRE non ajusté, ce qui a abouti à une sous-estimation de la superficie qui serait brûlée par l’incendie. Cependant, lorsque le modèle a été exécuté avec le jeu de données ajusté, il a prédit cette superficie brûlée avec un degré de précision beaucoup plus élevé. Il a fait cela en prédissant que le bois mort et abattu aiderait à propager l’incendie.

Ce modèle d’apprentissage automatique est actuellement conçu pour mettre à jour les cartes de combustible existantes, mais il pourrait finalement conduire à la production régulière et à la mise à jour de cartes de combustible à partir de zéro.

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

Le scientifique de l’NCAR Timothy Juliano est co-auteur de l’étude.

“Nous avons tellement de technologie et de puissance de calcul et de ressources à notre portée pour résoudre ces problèmes et maintenir les gens en sécurité”, a déclaré Juliano. “Nous sommes bien positionnés pour avoir un impact positif ; nous devons simplement continuer à travailler dessus.”