Dr. Rita Nohra
Les feux de forêt deviennent, de plus en plus, une menace pour la planète. La saison des feux de forêt, auparavant entre 1 et 3 mois, est à présent de 5 à 7 mois, voire toute l’année dans certaines régions.
La cause ? Le réchauffement climatique. Même si les feux de forêts sont à 90 % causées par les activités humaines (camping, mégots de cigarettes…), les températures élevées créent un environnement propice à l’ignition et la propagation d’un feu. En effet, les températures moyennes deviennent de plus en plus élevées, rendant les saisons de pluies plus courtes et la fonte des neiges plus rapide. Les températures élevées contribuent aussi à l’assèchement du sol et de la végétation, ainsi qu’à des canicules plus courantes.
“Les feux de forêt deviennent de plus en plus fréquents, détruisant aujourd’hui au moins deux fois plus de couvert forestier qu’il y a vingt ans.” [1]. Ces mégas feux dépassent les 1000 hectares (en Europe, 10 000 hectares aux Etats-Unis). Ils sont si intenses qu’ils se propageant dans toutes les directions sans que les pompiers puissent les anticiper. Selon le rapport de Copernicus de 2023, cette année a marqué un “record mondial” d’activité de feux de forêt dans plusieurs régions [2]. Par exemple, les feux de forêts au Canada se sont propagés sur 18 millions d’hectares de mai à octobre et ont, à eux seuls, dégagés plus de 20 % de la quantité totale mondiale de [Equation] émis par les feux de forêts en 2023.
Comment limiter les feux de forêts ?
Les méthodes de luttes traditionnelles contre les feux de forêts se basent sur une approche proactive, c’est-à-dire à la suite du déclenchement du feu. En effet, les systèmes de détection satellite (comme MODIS et VIIRS) ne détectent le feu qu’après l’ignition, et lorsque suffisamment de chaleur ait atteint les capteurs. De plus, les systèmes de surveillance dans des régions éloignées, ou difficiles d’accès sont épars et rendent difficile la détection précoce du feu. Ainsi, les informations concernant les premiers instants, généralement les plus importants, d’un début d’incendie, sont relayées tardivement.
Ces limitations des systèmes actuelles illustrent l’importance d’avoir des systèmes plus performants, non seulement dans la détection des feux de forêts, mais aussi dans leur prédiction. C’est ici que l’intelligence artificielle peut être un outil important dans la lutte contre les feux de forêts.
Par exemple, des scientifiques du Centre européen pour les prévisions météorologiques à moyen terme (en anglais European Centre for Medium-Range Weather Forecasts, ECMWF) [3] ont développé un outil qui permet la prédiction d’un risque potentiel de feux dans le cadre du projet Copernicus Emergency Management Service [4]. Leur modèle s’appelle Probability of Fire (PoF) et se base sur des méthodes de machine learning en intégrant plusieurs types de données notamment les conditions météorologiques, la végétation et les activités humaines. Ils ont réussi à prédire les zones à risque avec 30% de plus de précision que les méthodes classiques.
Comment ça marche ?
La prédiction des feux de forêts peut être faite en combinant plusieurs technologies comme des capteurs et des images satellitaires avec des modèles de machine learning.
Les modèles les plus courants pour la prédiction de feux de forêts sont les forets aléatoires (en anglais Random Forests, RF), les réseaux de neurones convolutifs (en anglais convolution neural network, CNN), les mémoires à long court terme (en anglais long short term memory, LSTM) ainsi que des modèles hybrides associant plusieurs de ces technologies.
- Random forests : ces modèles sont adaptés pour traiter des séries temporelles comme les températures statiques.
- Convolution neural networks : ces modèles sont adaptés à l’analyse d’images satellites et peuvent par exemple repérer des zones de sécheresse ou des débuts de fumées.
- Long short term memory : ces modèles sont adaptés pour les séries temporelles comme les températures et taux d’humidité sur plusieurs jours.
- Les modèles hybrides : ces modèles combinent plusieurs des méthodes ci-dessus.
Les modèles d’IA sont entraînés sur des milliers de données comprenant des images satellites et des conditions météorologiques. Les données climatiques telles que les températures, l’humidité et la vitesse du vent sont obtenus grâce à des capteurs qui mesurent en temps réel. Les images satellites (NASA, ESA…) sont utilisées pour détecter les changements dans la végétation. Les images sont annotées “feu” ou “pas feu”, ce qui permet au modèle d’apprendre quelles conditions de végétation et de météo ont abouti à une image “feu”.
A la suite de l’apprentissage, les modèles pourront prédire si l’incendie se produira dans les prochains jours sur une certaine région. Comme le montre la Figure 1, ils calculent la probabilité de déclenchement d’un incendie. Si la probabilité dépasse un seuil défini, le système alerte les autorités responsables.
Figure 1 Comment les modèles d’IA alertent les autorités sur un risque d’incendie
Quelles sont les limites de l’IA dans la lutte contre les feux de forêts ?
Pour que les intelligences artifices puissent prédire le risque d’incendie, elles sont entraînées sur des données historiques. La qualité des données est donc un facteur important de la prédiction. Cependant, les données historiques ne sont pas complètes ou pas assez représentatives. Plusieurs régions du monde n’ont pas de capteurs suffisants au sol ou d’images satellites de qualité. C’est le cas par exemple des forêts tropicales, des savanes, ou des zones montagneuses isolées. Les modèles sont donc entraînés sur des données de zones géographiques accessibles, causant ainsi un biais dans la prédiction d’incendie sur des zones moins monitorées.
De plus, face au réchauffement climatique, les modèles météorologiques changent et en conséquent les activités humaines. Ainsi, un modèle qui est entraîné sur des données historiques doit pouvoir s’adapter à ces changements. Ces limitations peuvent causer des biais dans la prédiction des risques. Cela peut mener à des faux positifs où le modèle prédit un incendie alors qu’il n’y en pas ou, dans un cas plus dangereux, un faux négatif où le modèle ne prédit pas un incendie alors qu’il y en a. Le premier cas peut conduire à des mobilisations inutiles des autorités responsables et donc un gaspillage de ressources humaines et financières. Le second cas conduit à des dégâts matériels et potentiellement des pertes humaines.
En outre, il y a une difficulté de modélisation du comportement humain. En réalité, les feux de forêts sont bien souvent causés par les négligences et activités illégales des êtres humains : des mégots de cigarette jetés, des barbecues mal éteints, la déforestation par brûlis à des fins agricoles… Ces comportements sont difficiles à prévoir et à quantifier. Il est compliqué de les prendre en compte. Ils ne sont ni captés par des capteurs ni par les images satellites. Leurs intégrations dans les modèles d’intelligence artificielle s’avèrent alors ardues.
Ainsi, il est essentiel de considérer les modèles d’intelligence artificielle dans la prédiction de risque de feux de forêts comme un outil dans un système de prévention plus large. Il est impératif de maintenir des méthodes plus classiques en parallèle comme l’entretien des forêts, le respect de la réglementation des zones à risques et les campagnes de sensibilisation.
Une solution à visée écologique… pas si écologique ?
L’intelligence artificielle peut-être un outil efficace dans la lutte globale contre des feux de forêts qui deviennent de plus en plus intenses et ravageurs. Toutefois, il faut noter que l’utilisation de l’intelligence artificielle a un coût environnemental non-négligeable. Les modèles utilisés dans la prédiction des risques d’incendies sont entraînés sur une quantité massive de données : images satellites, données climatiques historiques…
Cette étape mobilise de nombreux centre de calcul (data centers) 24h/24 et 7j/7 pour non seulement effectuer les calculs, mais aussi stocker les données. Cela implique une consommation d’énergie considérable et une empreinte carbone importante. Ainsi, l’intelligence artificielle contribue à la solution, mais aussi au problème.
À ce titre, il est donc important de veiller à utiliser une intelligence artificielle plus frugale. Par conséquent, il faut privilégier l’utilisation de modèles plus légers et l’optimisation de ces derniers.
En conclusion, dans un contexte de réchauffement climatique, l’intelligence artificielle se positionne comme un outil important dans cette lutte. Néanmoins, elle ne peut pas à elle seule prévenir tous les feux de forêts. Un protocole de lutte et de prévention reste toujours nécessaire en amont et en aval de l’alerte des modèles de l’intelligence artificielle. Les données incomplètes et les comportements humains imprévisibles créent des biais dans la prédiction des risques. Les modèles peuvent donner des faux positifs et de faux négatifs d’où l’importance de la vigilance chez les autorités responsables.
Finalement, il est aussi recommandé de limiter les dépenses énergétiques lors de l’utilisation de l’intelligence artificielle pour limiter son influence sur l’augmentation des risques de feux de forêts.
Références
[1] New Data Confirms: Forest Fires Are Getting Worse | World Resources Institute
[2] 2023: A year of intense global wildfire activity | Copernicus