Combattre le feu avec des données : construction d'un modèle d'apprentissage automatique pour prédire le risque d'incendie de forêt

Cet été, le Canada a connu la pire saison d'incendies de forêt de son histoire - plus de 17 millions d'hectares ont brûlé au 22 septembre, selon Ressources naturelles Canada, soit plus du double du record précédent. Avec autant d'incendies hors de contrôle, il est vital pour les pompiers d'allouer leurs ressources aussi efficacement que possible.

Un partenariat entre Amii et Canada Wildfire a utilisé l'apprentissage automatique pour construire un modèle permettant de prédire les risques d'incendie extrêmes, afin de donner aux pompiers le temps de concentrer leurs ressources là où elles sont le plus nécessaires.

"Ce projet se concentre sur la prévision de l'indice météorologique des incendies. En d'autres termes, compte tenu des conditions météorologiques, quelle est la probabilité qu'un feu de forêt se déclenche et se propage dans une certaine zone ?", explique Jubair Sheikh, le scientifique d'Amii spécialisé dans l'apprentissage automatique qui a dirigé le projet.

"Si les équipes de lutte contre les incendies peuvent prévoir avec plus de précision l'indice météorologique des incendies, elles peuvent allouer leurs ressources ou distribuer les réserves de manière plus efficace.

Une nouvelle approche de la prévision des incendies

La prévision des incendies n'est pas nouvelle, mais M. Sheikh explique que l'équipe d'Amii a adopté une approche différente. Traditionnellement, les méthodes employées sont celles de la boîte englobante. Il s'agit de délimiter une zone particulière et d'analyser les données météorologiques à l'intérieur de cet espace afin d'évaluer les chances qu'un feu de forêt se déclare à proximité. Toutefois, M. Sheikh souligne que cette approche ne tient pas compte de ce qui se passe à l'extérieur de la zone délimitée, ce qui peut rendre les prévisions moins précises.

Par rapport aux approches traditionnelles de la boîte englobante dans lesquelles les réseaux neuronaux convolutifs sont généralement appliqués, l'équipe d'Amii s'est attachée à déterminer le risque pour des lieux spécifiques en s'appuyant sur des données météorologiques de réanalyse provenant d'autres lieux proches. Pour prédire l'indice météorologique des incendies pour un ensemble particulier de coordonnées, les données de cette zone ont été combinées avec celles des 25 régions voisines les plus proches. Les données des régions voisines ont été pondérées en fonction de leur impact sur la zone cible. Cela a permis aux prévisions de tenir compte de la manière dont les conditions dans une région voisine peuvent affecter l'indice météo des incendies pour les coordonnées cibles.

L'équipe d'Amii a utilisé plusieurs types de données provenant de ces points proches qui pourraient signaler un danger potentiel d'incendie - température de surface, précipitations, humidité relative, vitesse du vent ainsi que hauteurs géopotentielles et pression moyenne au niveau de la mer.

Ces données sont ensuite introduites dans un modèle d'apprentissage automatique mis au point par l'équipe, formé à partir des données sur les incendies de forêt au Canada au cours des quarante dernières années. Ce modèle, que M. Sheikh qualifie de "modèle transformateur basé sur l'auto-attention", peut alors prédire l'indice météorologique des incendies pour un lieu donné.

"Vous ne trouverez pas de modèle de transformateur de ce type dans la littérature. Il s'agit d'un nouveau modèle que nous avons construit spécialement pour ce projet", explique-t-il.

Combiner le temps et l'espace

M. Sheikh explique que le modèle qu'ils ont mis au point présente également un autre avantage. La méthode conventionnelle de prévision des incendies de forêt par boîte englobante peut saisir les interactions temporelles et spatiales dans les données ; elle peut prédire un risque élevé d'incendie si l'indice météorologique des incendies a été élevé au cours des derniers jours (temporel) ou s'il est actuellement élevé dans des endroits proches (spatial).

Le modèle Amii procède de la même manière, mais il prend également en compte les interactions temporelles et spatiales, c'est-à-dire les données qui combinent à la fois les aspects temporels et géographiques. C'est très important, explique M. Sheikh, car les conditions météorologiques sont dynamiques et peuvent se déplacer d'une région à l'autre. Par exemple, s'il y a une tempête à Calgary qui se déplace vers le nord, elle est susceptible d'affecter Edmonton dans les prochains jours.

"Pensez-y de la manière suivante : la plupart du temps, il y a peu de chances que votre maison prenne feu. Mais si un incendie fait rage chez votre voisin, il y a plus de chances que votre maison prenne également feu, n'est-ce pas ? Dans nos modèles, nous tenons compte de ce type d'interactions", explique-t-il.

Les résultats sont prometteurs. Après six mois de travail, M. Sheikh estime que les prévisions du modèle sont encourageantes. Le modèle permet d'établir des prévisions de l'indice météorologique des incendies pour un à cinq jours à l'avance. (L'équipe a d'abord tenté de faire des prévisions à sept jours, mais s'est aperçue qu'elles étaient beaucoup moins précises).

M. Sheikh explique qu'il était primordial pour l'équipe d'obtenir une prévision précise à cinq jours. Ce type de prévision pourrait donner aux équipes d'intervention sur les incendies de forêt un temps vital pour allouer et mobiliser leurs ressources de lutte contre les incendies. Cela permettrait d'améliorer la sécurité et de limiter les dégâts causés par les incendies.

Bien que les premiers résultats soient prometteurs, M. Sheikh est convaincu que le modèle peut être encore plus précis grâce à des travaux et à une formation supplémentaires. Il ajoute que l'équipe a également d'autres idées à explorer pour améliorer le modèle.