Alors que la Californie et l'Ouest américain se dirigent vers la saison des incendies au milieu de la pandémie de coronavirus, les scientifiques exploitent l'intelligence artificielle et les nouvelles données satellitaires pour aider à prédire les incendies dans la région.

Anticiper où un incendie est susceptible de s'allumer et comment il pourrait se propager nécessite des informations sur la quantité de matière végétale consommable présente dans le paysage et sur sa sécheresse. Pourtant, ces informations sont étonnamment difficiles à recueillir à l'échelle et à la vitesse nécessaires pour faciliter la gestion des feux de forêt.

Maintenant, une équipe d'experts en hydrologie, la télédétection et l'ingénierie environnementale ont développé un modèle d'apprentissage en profondeur qui cartographie en détail les niveaux d'humidité du carburant dans 12 États occidentaux, du Colorado, Montana, Texas et Wyoming jusqu'à la côte du Pacifique.

Les chercheurs décrivent leur technique dans le numéro d'août 2020 de Remote Sensing of Environment. Selon l'auteur principal de l'article, Alexandra Konings, écohydrologue de l'Université de Stanford, le nouvel ensemble de données produit par le modèle pourrait « améliorer considérablement les études sur les incendies ».

Selon l'auteur principal de l'article, Krishna Rao, un doctorat étudiant en science du système Terre à Stanford, le modèle a besoin de plus de tests pour figurer dans les décisions de gestion des incendies qui mettent des vies et des maisons en danger. Mais il éclaire déjà des motifs auparavant invisibles. Juste être capable de voir la sécheresse de la forêt se dérouler pixel par pixel au fil du temps, il a dit, peut aider à révéler les zones les plus à risque et à « identifier les emplacements candidats pour les brûlages dirigés ».

Le travail arrive à un moment d'urgence croissante pour ce genre de perspicacité, alors que le changement climatique prolonge et intensifie la saison des incendies de forêt et que la pandémie de COVID-19 en cours complique les efforts visant à prévenir les grands incendies par des brûlages contrôlés, préparer les évacuations massives et mobiliser les premiers intervenants.

Lire sur les paysages desséchés

Aujourd'hui, les services d'incendie évaluent généralement la quantité de végétation inflammable dans une zone basée sur des échantillons prélevés sur un petit nombre d'arbres. Les chercheurs coupent et pèsent des branches d'arbres, séchez-les dans un four puis pesez-les à nouveau. "Vous regardez combien de masse a été perdue dans le four, et c'est toute l'eau qui était là-dedans, " dit Konings, professeur adjoint de science du système terrestre à la Stanford's School of Earth, Sciences de l'énergie et de l'environnement (Stanford Earth). "C'est évidemment très laborieux, et vous ne pouvez le faire que dans quelques endroits différents, pour seulement certaines des espèces d'un paysage."

Le service forestier des États-Unis collecte minutieusement ces données sur la teneur en eau des plantes sur des centaines de sites à l'échelle nationale et les ajoute à la base de données nationale sur l'humidité du carburant, qui en a amassé quelque 200, 000 de ces mesures depuis les années 1970. Connu sous le nom de teneur en humidité du carburant vivant, la métrique est bien établie en tant que facteur qui influence le risque d'incendie de forêt. Pourtant, on sait peu de choses sur sa variation dans le temps d'une plante à l'autre, ou d'un écosystème à l'autre.

Depuis des décennies, les scientifiques ont estimé indirectement la teneur en humidité du carburant, à partir de suppositions informées mais non prouvées sur les relations entre la température, précipitation, l'eau des plantes mortes et la sécheresse des plantes vivantes. Selon Rao, "Maintenant, nous sommes dans une position où nous pouvons revenir en arrière et tester ce que nous supposons depuis si longtemps - le lien entre la météo et l'humidité du carburant en direct - dans différents écosystèmes de l'ouest des États-Unis. "

L'IA avec une assistance humaine

Le nouveau modèle utilise ce qu'on appelle un réseau neuronal récurrent, un système d'intelligence artificielle qui peut apprendre à reconnaître des modèles dans de vastes montagnes de données. Les scientifiques ont formé leur modèle à l'aide des données de terrain de la National Fuel Moisture Database, puis mettez-le au travail pour estimer l'humidité du carburant à partir de deux types de mesures recueillies par des capteurs spatiaux. L'une implique des mesures de la lumière visible rebondissant sur la Terre. L'autre, connu sous le nom de radar à synthèse d'ouverture (SAR), mesure le retour des signaux radar hyperfréquences, qui peut pénétrer à travers les branches feuillues jusqu'à la surface du sol.

"L'une de nos grandes percées a été d'examiner un nouvel ensemble de satellites qui utilisent des longueurs d'onde beaucoup plus longues, which allows the observations to be sensitive to water much deeper into the forest canopy and be directly representative of the fuel moisture content, " said Konings, who is also a center fellow, by courtesy, at Stanford Woods Institute for the Environment.

To train and validate the model, the researchers fed it three years of data for 239 sites across the American west starting in 2015, when SAR data from the European Space Agency's Sentinel-1 satellites became available. They checked its fuel moisture predictions in six common types of land cover, including broadleaf deciduous forests, needleleaf evergreen forests, shrublands, grasslands and sparse vegetation, and found they were most accurate—meaning the AI predictions most closely matched field measurements in the National Fuel Moisture Database—in shrublands.

Rich with aromatic herbs like rosemary and oregano, and often marked by short trees and steep, rocky slopes, shrublands occupy as much as 45 percent of the American West. They're not only the region's biggest ecosystem, Rao said, "they are also extremely susceptible to frequent fires since they grow back rapidly." En Californie, fires whipped to enormous size by Santa Ana winds burn in a type of shrubland known as chaparral. "This has led fire agencies to monitor them intensively, " il a dit.

The model's estimates feed into an interactive map that fire agencies may eventually be able to use to identify patterns and prioritize control measures. Pour l'instant, the map offers a dive through history, showing fuel moisture content from 2016 to 2019, but the same method could be used to display current estimates. "Creating these maps was the first step in understanding how this new fuel moisture data might affect fire risk and predictions, " Konings said. "Now we're trying to really pin down the best ways to use it for improved fire prediction."