Les incendies de forêt qui font rage dans le monde entier ont causé d’énormes dommages économiques et des pertes de vie. Savoir à l’avance quand et où un incendie généralisé pourrait se produire peut améliorer la prévention des incendies et l’allocation des ressources. Cependant, les systèmes de prévision disponibles ne fournissent que des informations limitées. De plus, ils ne fournissent pas de délais suffisamment longs pour obtenir des détails régionaux utiles.
Les scientifiques ont maintenant appliqué un algorithme d’apprentissage en profondeur pour améliorer la prédiction du danger d’incendie de forêt dans l’ouest des États-Unis. Des chercheurs de Corée du Sud et des États-Unis ont développé une méthode hybride qui combine des techniques d’IA et des prévisions météorologiques pour produire des prévisions améliorées du danger d’incendie extrême jusqu’à une semaine à des échelles plus fines (résolution de 4 km x 4 km), augmentant son utilité pour l’extinction et la gestion des incendies.
« Nous avons essayé de nombreuses approches pour intégrer l’apprentissage automatique aux modèles de prévisions météorologiques traditionnels afin d’améliorer les prévisions des risques d’incendie de forêt. Cette étude est un grand pas en avant car elle démontre le potentiel d’un tel effort pour améliorer la prédiction du danger d’incendie sans avoir besoin d’une puissance de calcul supplémentaire, » déclare l’auteur principal, le Dr Rackhun Son, un récent doctorat. du Gwangju Institute of Science and Technology (GIST) en Corée du Sud, qui travaille actuellement à l’Institut Max Planck de biogéochimie en Allemagne. « Les prévisions de danger d’incendie pourraient être encore améliorées en utilisant le développement constant des modèles du système terrestre et les développements récents de l’IA. »
Alors que les méthodes d’IA basées sur les données ont montré d’excellentes capacités pour inférer des choses, expliquer pourquoi et comment les inférences sont obtenues reste un défi. Cela a conduit l’IA à être qualifiée de boîte noire. « Mais lorsque l’IA était combinée à des modèles informatiques basés sur des principes physiques, nous pouvions diagnostiquer ce qui se passait à l’intérieur de cette boîte noire », explique le co-auteur, le professeur Simon Wang de l’Université d’État de l’Utah. « Les prédictions basées sur l’IA associées à des niveaux extrêmes de danger d’incendie sont bien fondées sur des vents forts et des caractéristiques géographiques spécifiques, y compris les hautes montagnes et les canyons de l’ouest des États-Unis qui ont toujours été difficiles à résoudre avec des modèles plus grossiers. »
L’efficacité de calcul est un autre avantage majeur de cette méthode. Les méthodes conventionnelles de prédiction des risques d’incendie à des résolutions spatiales plus fines, un processus appelé « réduction d’échelle régionale », sont souvent exigeantes en termes de calcul, coûteuses et chronophages.
« Bien que des ressources de calcul comparables aient été nécessaires au stade du développement, une fois la tâche de formation pour l’IA terminée, c’est-à-dire effectuée une fois au départ, il n’a fallu que quelques secondes pour utiliser ce composant avec le modèle de prévision météorologique afin de produire des prévisions pour le reste du temps. saison », déclare le co-auteur, le professeur Kyo-Sun Lim de l’Université nationale de Kyungpook, en Corée.
Par conséquent, la méthode basée sur l’IA nouvellement développée, capable de faire des prévisions précises à haute résolution en un temps plus court, était beaucoup plus rentable que les systèmes de prévision conventionnels.
« Dans cette étude, l’IA n’est testée que pour la prévision des risques d’incendie dans l’ouest des États-Unis. À l’avenir, elle pourrait être appliquée à d’autres types de conditions météorologiques extrêmes ou à d’autres parties du monde », a déclaré le co-auteur, le Dr Philip. J. Rasch du Pacific Northwest National Laboratory et de l’Université de Washington. « La flexibilité de notre méthode d’IA peut aider à prévoir n’importe quelle caractéristique liée à la météo. »
La recherche a été publiée dans le Journal des avancées dans la modélisation des systèmes terrestres le 22 septembre 2022.
Rackhun Son et al, Deep Learning fournit des améliorations substantielles à la prévision météorologique des incendies au niveau du comté dans l’ouest des États-Unis, Journal des avancées dans la modélisation des systèmes terrestres (2022). DOI : 10.1029/2022MS002995
Fourni par GIST (Institut des sciences et technologies de Gwangju)