La météo et le carburant, deux principaux responsables des incendies de forêt, sont maintenant dans le collimateur d'un chercheur de l'Université de l'Alberta qui espère utiliser l'apprentissage automatique contre eux.

En tirant parti de l'intelligence artificielle (IA) pour trier et cartographier des tonnes de données météorologiques, Mike Flannigan et des co-chercheurs du Service canadien des forêts et de l'Université de Waterloo veulent mieux prévoir où les incendies de forêt pourraient éclater et s'installer afin que les organismes de lutte contre les incendies puissent planifier à l'avance.

"Nous voulons compléter les outils d'aide à la décision existants afin qu'ils puissent faire les meilleurs appels possibles face aux incendies pour aider à protéger les communautés, " a déclaré Flannigan.

En identifiant où les feux de forêt sont susceptibles de prendre racine, les équipes de pompiers et les hélicoptères peuvent être déployés efficacement, dit Flannigan. Cet avertissement préalable est crucial lorsqu'il peut falloir de trois à sept jours pour amener des ressources extérieures au feu, il a noté.

Les gestionnaires des incendies seraient en mesure de prévoir des conditions météorologiques extrêmes pour les incendies dans une zone particulière, déterminer si les ressources nécessaires sont disponibles, puis prévoir de les avoir à portée de main.

"Par exemple, s'il fait humide au Québec, des équipages et des avions peuvent être envoyés en Alberta pour y faire face aux incendies de forêt, " il a dit.

Flannigan explore le potentiel d'un logiciel de réseau neuronal qui traite les modèles météorologiques et les variables telles que la température, pression, l'humidité et la vitesse du vent pour créer des cartes beaucoup plus détaillées que celles qui existent actuellement.

"Pensez à un bébé qui voit un visage humain :ils commencent à distinguer les oreilles, nez et yeux, et comme ils distinguent plus loin, ils peuvent voir encore plus de détails comme les moustaches et les favoris, " a déclaré Flannigan. Les réseaux de neurones fonctionnent de la même manière, pour identifier les phénomènes météorologiques violents dans plusieurs couches de données météorologiques existantes.

"Cela pourrait être transformé en une carte qui identifierait les zones vulnérables et à quelles heures le temps d'incendie serait sévère, " il ajouta.

Les chercheurs souhaitent également travailler avec les gestionnaires des incendies pour développer une application de télédétection et de cartographie des données sur les couches de combustible dans la forêt.

"Quand il y a un feu dans le paysage, nous voulons savoir dans quel combustible il brûle, comme l'herbe, conifères et trembles. Les agences de gestion des incendies ont des cartes de combustible, mais ils sont souvent spatialement grossiers et nous voulons aller à une résolution beaucoup plus fine avec beaucoup plus de détails."

Grâce à la télédétection, les cartes peuvent également être mises à jour plus souvent. Actuellement, il peut s'écouler 18 à 20 ans avant qu'une zone cartographiée ne soit à nouveau évaluée, avec de nombreux changements entre les deux, a noté Flannigan.

Mis à jour, des cartes spatiales richement détaillées peuvent donner aux gestionnaires de feux une meilleure idée de la façon dont le combustible pour le feu est structuré verticalement et horizontalement.

"Dans un feu de forêt de haute intensité, une carte avec cette application peut aider à identifier ce que nous appelons les carburants d'échelle comme les arbustes de sous-bois (plantes qui poussent sous la canopée des arbres), qui permettent au feu de se propager à la cime des arbres, " expliqua Flannigan.

"Le système unique actuellement utilisé ne nous dit pas cela; il ne peut faire que des hypothèses sur le sous-étage. Mais ce nouveau type d'apprentissage automatique disposera d'informations beaucoup plus détaillées sur la structure du carburant."

Les applications feront l'objet d'études pilotes au cours des deux prochaines années pour voir si l'apprentissage automatique peut effectivement améliorer les méthodes traditionnelles. Flannigan, qui a commencé à explorer son potentiel avec l'un de ses étudiants de premier cycle en 2016, croit qu'il peut.

"Ce n'est pas une panacée, mais pour certains problèmes avec de gros volumes de données à traiter, l'apprentissage automatique nous permet de voir des relations qui ne sont pas toujours évidentes à l'aide de méthodes et d'approches traditionnelles. Nous pensons que les approches d'apprentissage automatique pour la gestion des incendies de forêt sont très prometteuses."