Une nouvelle technique développée par le National Center for Atmospheric Research (NCAR) utilise l’intelligence artificielle pour mettre à jour efficacement les cartes de végétation sur lesquelles s’appuient les modèles informatiques de feux de forêt pour prédire avec précision le comportement et la propagation des incendies.
Dans une étude récente, des scientifiques ont démontré la méthode en utilisant l’East Troublesome Fire de 2020 dans le Colorado, qui a brûlé des terres qui ont été qualifiées à tort dans les inventaires de carburant comme étant une forêt saine. En fait, le feu, qui s’est développé de manière explosive, a brûlé un paysage qui avait récemment été ravagé par les dendroctones du pin et les tempêtes de vent, laissant d’importantes étendues de bois mort et abattu.
L’équipe de recherche a comparé des simulations de l’incendie générées par un modèle de comportement des feux de forêt à la pointe de la technologie développé au NCAR en utilisant à la fois l’inventaire de carburant standard pour la région et celui qui a été mis à jour avec l’intelligence artificielle (IA). Les simulations qui utilisaient les carburants mis à jour par l’IA ont fait un bien meilleur travail pour prédire la superficie brûlée par le feu, qui a finalement atteint plus de 190 000 acres de terre des deux côtés de la fracture continentale.
« L’un de nos principaux défis dans la modélisation des incendies de forêt a été d’obtenir des données précises, y compris des données sur le carburant », a déclaré Amy DeCastro, scientifique et auteur principal du NCAR. « Dans cette étude, nous montrons que l’utilisation combinée de l’apprentissage automatique et de l’imagerie satellite fournit une solution viable. »
La recherche a été financée par la US National Science Foundation, qui est le sponsor du NCAR. Les simulations de modélisation ont été exécutées au NCAR-Wyoming Supercomputing Center sur le système Cheyenne.
Utilisation de satellites pour tenir compte des dommages causés par le dendroctone du pin
Pour qu’un modèle simule avec précision un incendie de forêt, il nécessite des informations détaillées sur les conditions actuelles. Cela inclut la météo locale et le terrain ainsi que les caractéristiques de la matière végétale qui fournit du carburant pour les flammes – ce qui est réellement disponible pour brûler et dans quel état elle se trouve. Est-elle morte ou vivante ? Est-ce humide ou sec ? De quel type de végétation s’agit-il ? Combien y a-t-il ? Quelle est la profondeur du carburant déposé sur le sol ?
L’étalon-or des ensembles de données sur les combustibles est produit par LANDFIRE, un programme fédéral qui produit un certain nombre d’ensembles de données géospatiales, y compris des informations sur les combustibles des feux de forêt. Le processus de création de ces ensembles de données sur les combustibles des feux de forêt est vaste et intègre des images satellite, des simulations de paysage et des informations collectées en personne lors des enquêtes. Cependant, la quantité de ressources nécessaires pour les produire signifie que, dans la pratique, ils ne peuvent pas être mis à jour fréquemment, et les événements de perturbation dans la forêt – y compris les incendies de forêt, les infestations d’insectes et le développement – peuvent modifier radicalement les combustibles disponibles entre-temps.
Dans le cas de l’East Troublesome Fire, qui a commencé dans le comté de Grand, au Colorado, et a brûlé vers l’est dans le parc national des Rocheuses, le dernier ensemble de données sur le carburant LANDFIRE a été publié en 2016. Au cours des quatre années qui ont suivi, les dendroctones du pin avaient causé mortalité dans la région.
Pour mettre à jour l’ensemble de données sur le carburant, les chercheurs se sont tournés vers les satellites Sentinel, qui font partie du programme Copernicus de l’Agence spatiale européenne. Sentinel-1 fournit des informations sur la texture de surface, qui peuvent être utilisées pour identifier le type de végétation. (L’herbe a une texture très différente de celle des arbres, par exemple.) Et Sentinel-2 fournit des informations qui peuvent être utilisées pour déduire la santé de la plante à partir de sa verdeur. Les scientifiques ont introduit les données satellitaires dans un modèle d’apprentissage automatique connu sous le nom de « forêt aléatoire » qu’ils avaient entraîné dans le cadre de l’enquête de détection des insectes et des maladies du US Forest Service. L’enquête est menée chaque année par du personnel qualifié qui estime la mortalité des arbres à partir des airs.
Le résultat a été que le modèle d’apprentissage automatique a pu mettre à jour avec précision les données sur les combustibles LANDFIRE, transformant la majorité des combustibles classés comme « litière de bois » ou « sous-étage de bois » en « coupe de fond », la désignation utilisée pour les régions boisées avec des arbres lourds. mortalité. « 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. »
Positionné pour un impact positif
Pour tester l’effet que l’inventaire de carburant mis à jour aurait sur la simulation des incendies de forêt, les scientifiques ont utilisé une version du modèle de recherche et de prévision météorologique du NCAR, connue sous le nom de WRF-Fire, qui a été spécifiquement développée pour simuler le comportement des incendies de forêt.
Lorsque WRF-Fire a été utilisé pour simuler l’incendie gênant de l’Est à l’aide de l’ensemble de données de carburant non ajusté LANDFIRE, il a considérablement sous-estimé la superficie que le feu brûlerait. Lorsque le modèle a été exécuté à nouveau avec l’ensemble de données ajusté, il a été en mesure de prédire la zone brûlée avec un degré de précision beaucoup plus élevé, indiquant que le bois mort et abattu a contribué à alimenter la propagation du feu beaucoup plus que si les arbres étaient encore vivants. .
Pour l’instant, le modèle d’apprentissage automatique est conçu pour mettre à jour une carte de carburant existante, et il peut faire le travail rapidement (en quelques minutes). Mais le succès du projet montre également la promesse d’utiliser un système d’apprentissage automatique pour commencer à produire et à mettre à jour régulièrement des cartes de carburant à partir de zéro sur de grandes régions à risque d’incendies de forêt.
La nouvelle recherche au NCAR fait partie d’une tendance plus large d’enquêter sur les applications possibles de l’IA pour les incendies de forêt, y compris les efforts pour utiliser l’IA pour estimer plus rapidement les périmètres d’incendie. Les chercheurs du NCAR espèrent également que l’apprentissage automatique pourra aider à résoudre d’autres défis persistants pour la modélisation du comportement des feux de forêt. Par exemple, l’apprentissage automatique peut être en mesure d’améliorer notre capacité à prédire les propriétés des braises générées par un incendie (quelle taille, quelle chaleur et quelle densité) ainsi que la probabilité que ces braises puissent provoquer des incendies ponctuels.
« Nous avons tellement de technologie, 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 le scientifique du NCAR, Timothy Juliano, co-auteur de l’étude. « Nous sommes bien placés pour avoir un impact positif ; nous devons simplement continuer à y travailler. »
La recherche a été publiée dans Télédétection.
Amy L. DeCastro et al, Une méthode informatique efficace pour mettre à jour les entrées de carburant pour les modèles de comportement des feux de forêt à l’aide de l’imagerie sentinelle et de la classification aléatoire des forêts, Télédétection (2022). DOI : 10.3390/rs14061447