Characterizing and Predicting Wildfire Evacuation Behavior: A Dual-Stage ML Approach

En intégrant des méthodes d'apprentissage automatique non supervisé et supervisé à une vaste enquête menée auprès de résidents de la Californie, du Colorado et de l'Oregon, cette étude identifie des typologies comportementales distinctes liées à l'évacuation des incendies de forêt et démontre que, si le mode de transport peut être prédit avec fiabilité à partir des caractéristiques des ménages, le moment de l'évacuation reste difficile à classifier en raison de sa dépendance aux conditions dynamiques du feu.

L'essentiel

🌲 Le Grand Feu et la Grande Question

Imaginez que vous vivez dans une région où les feux de forêt sont fréquents (comme en Californie ou en Oregon). Soudain, une alarme retentit. Que faites-vous ? Partez-vous tout de suite ? Prenez-vous votre voiture, votre vélo, ou marchez-vous ? Emportez-vous vos animaux ?

Les chercheurs de l'Université Texas State ont voulu comprendre pourquoi les gens réagissent tous différemment face au danger. Pour cela, ils ont posé des questions à plus de 800 habitants via internet (un peu comme un grand sondage en ligne) et ont utilisé des ordinateurs très intelligents (l'intelligence artificielle) pour analyser les réponses.

Leur travail ressemble à un jeu de deux étapes : d'abord, ils ont cherché à grouper les gens, puis ils ont essayé de deviner leurs choix futurs.

---

Étape 1 : Le Tri des Cartes (L'analyse non supervisée)

Imaginez que vous avez un immense tas de cartes représentant des familles. Chaque carte a des détails : "a-t-elle une voiture ?", "a-t-elle un plan d'évacuation ?", "a-t-elle des chiens ?", "habite-t-elle là depuis 10 ans ou 6 mois ?".

Les chercheurs ont utilisé une technique magique (appelée clustering) pour mélanger ces cartes et voir si elles formaient naturellement des piles. Ils ont découvert 6 types de familles distinctes, comme des personnages dans un film :

1. Les "Préparés de la Tête" (Cluster 3) : Ce sont les champions. Ils ont plusieurs voitures, un plan écrit, des smartphones et ils savent exactement quoi faire. Ils partent vite et calmement.
2. Les "Stables et Familiaux" (Cluster 1) : Ils habitent là depuis longtemps, ont plusieurs voitures et partent généralement chez des amis ou de la famille. C'est une équipe solide.
3. Les "Locataires Instables" (Cluster 2) : Ils habitent souvent en location, ont moins de ressources et sont plus hésitants. C'est comme essayer de déménager une maison entière en 5 minutes : c'est difficile !
4. Les "Gardiens des Animaux" (Cluster 4) : Leur plus grand défi, ce sont leurs animaux (chiens, chevaux, etc.). Évacuer une famille, c'est dur ; évacuer une famille avec 5 chiens et un cheval, c'est un casse-tête logistique énorme.
5. Les "Défavorisés" (Cluster 0) : Ils n'ont pas de voiture, pas de plan et peu d'outils technologiques. Pour eux, fuir le feu est un vrai défi de survie, comme essayer de courir sans chaussures.
6. Les "Indécis" (Cluster 5) : Un groupe un peu brouillon qui ne rentre dans aucune case claire.

La leçon : On ne peut pas traiter tout le monde pareil. Un message d'évacuation qui fonctionne pour les "Préparés" ne marchera pas pour les "Gardiens des Animaux" ou les "Défavorisés".

---

Étape 2 : La Prédiction (L'analyse supervisée)

Ensuite, les chercheurs ont demandé aux ordinateurs : "Si je vous donne les infos d'une famille (âge, voiture, animaux), pouvez-vous deviner ce qu'ils vont faire ?"

Ils ont testé deux choses :

1. Le "Quand" (Le moment du départ) : Est-ce qu'ils partent dans les 5 minutes ou est-ce qu'ils attendent ?
2. Le "Comment" (Le moyen de transport) : Est-ce qu'ils partent en voiture, à pied ou en bus ?

🎯 Résultat 1 : Le "Comment" est facile à deviner

C'est comme deviner si quelqu'un va prendre son parapluie s'il pleut. Si vous savez qu'une famille a deux voitures, vous pouvez prédire avec une grande certitude (près de 90 % de réussite) qu'ils partiront en voiture.

• Pourquoi ? Parce que le choix du véhicule dépend de ce qu'ils possèdent (leurs ressources), ce qui ne change pas du jour au lendemain.

🌪️ Résultat 2 : Le "Quand" est très difficile à deviner

C'est comme essayer de prédire exactement à quelle seconde un oiseau va s'envoler. Les modèles d'intelligence artificielle ont eu beaucoup de mal (environ 60 % de réussite, ce qui est à peine mieux que de deviner au hasard).

• Pourquoi ? Parce que le moment du départ dépend de choses qui changent en temps réel : la fumée qui arrive, le vent qui tourne, une alerte sur le téléphone, ou la peur soudaine. Ces choses ne sont pas dans les dossiers de la famille, elles arrivent pendant l'incendie.

---

🏁 Conclusion : Ce que cela change pour nous

Cette étude nous donne deux grandes idées pour mieux gérer les catastrophes :

1. Pour le transport (Le "Comment") : On peut s'organiser à l'avance. Si on sait qu'il y a beaucoup de familles sans voiture dans un quartier, on peut préparer des bus ou des aides spécifiques avant même que le feu ne commence. C'est comme préparer un parapluie avant la pluie.
2. Pour le timing (Le "Quand") : On ne peut pas tout prévoir avec des statistiques. Il faut des systèmes d'alerte très rapides et dynamiques. Il faut dire aux gens : "Le feu est là, partez MAINTENANT", car le moment exact dépend de la situation sur le terrain, pas juste de leur profil.

En résumé : Les chercheurs ont montré que chaque famille a sa propre "stratégie de fuite" basée sur ses ressources. Pour sauver des vies, les secours doivent adapter leurs messages à ces différents profils, tout en sachant que le moment précis du départ restera toujours un peu imprévisible, comme une tempête.

Résumé technique

1. Problématique

Les incendies de forêt dans l'ouest des États-Unis (Californie, Colorado, Oregon) posent des défis d'évacuation uniques en raison de leur propagation rapide et imprévisible. Contrairement aux autres catastrophes naturelles, la prise de décision lors d'un incendie de forêt doit être immédiate, mais le comportement d'évacuation est hétérogène et complexe. Il est influencé par une multitude de facteurs : ressources du ménage, préparation, perception du risque, présence de dépendants (enfants, animaux) et accès à la technologie.

La littérature existante repose souvent sur des modèles de simulation ou des entretiens post-catastrophe qui ne capturent pas pleinement la complexité des décisions en temps réel. De plus, peu d'études ont intégré des techniques d'apprentissage automatique non supervisé (pour découvrir des profils comportementaux cachés) et supervisé (pour prédire des résultats spécifiques) sur de grandes bases de données d'enquêtes. L'objectif de cette étude est de combler ce vide en identifiant des typologies comportementales latentes et en évaluant la prévisibilité des décisions d'évacuation (moment et mode de transport) à l'aide de l'apprentissage automatique.

2. Méthodologie

L'étude adopte une approche hybride en deux étapes (Dual-Stage ML) appliquée à une base de données issue d'une enquête en ligne massive (Amazon Mechanical Turk - MTurk) menée en 2022 auprès de 853 résidents valides de zones à risque.

A. Prétraitement des données :

• Collecte initiale de 1 312 réponses, filtrées via trois étapes (vérification de l'attention, cohérence des questions répétées, logique de composition du ménage).
• Les variables incluent des caractéristiques sociodémographiques, l'accès aux véhicules, la possession d'animaux, la préparation aux catastrophes et les résultats comportementaux (moment de départ, mode de transport).

B. Étape 1 : Apprentissage Non Supervisé (Clustering et Typologie)
L'objectif est de découvrir des groupes naturels sans étiquettes préalables :

• Analyse des Correspondances Multiples (MCA) : Pour visualiser la structure multidimensionnelle des données et les relations entre les catégories de réponse.
• Clustering K-Modes : Adapté aux variables catégorielles pour identifier des segments distincts.
• Analyse des Classes Latentes (LCA) : Une approche probabiliste pour valider la stabilité des groupes identifiés par K-Modes.

C. Étape 2 : Apprentissage Supervisé (Prédiction)
L'objectif est de prédire deux variables cibles à partir des caractéristiques du ménage :

• Cibles :
  1. Moment de l'évacuation : Précoce (5-20 min) vs Tardif (>30 min ou attente d'alertes).
  2. Mode de transport : Privé (voiture) vs Non privé.
• Algorithmes utilisés : Régression Logistique, Forêt Aléatoire (Random Forest) et XGBoost.
• Évaluation : Les modèles sont entraînés sur un split 75/25 et évalués via la précision (Accuracy), le score F1, le Kappa de Cohen et l'aire sous la courbe ROC (ROC-AUC).

3. Résultats Clés

A. Analyse des Typologies Comportementales (Non Supervisé)
Les trois méthodes (MCA, K-Modes, LCA) ont convergé vers une structure cohérente, révélant six profils comportementaux distincts :

• Cluster 0 : Ménages avec un accès limité aux véhicules, peu de planification et faible accès technologique (barrières pratiques à l'évacuation rapide).
• Cluster 1 & 3 : Résidents stables, bien préparés, possédant plusieurs véhicules et des plans écrits (évacuation plus rapide et délibérée).
• Cluster 2 : Locataires à court terme ou nouveaux résidents avec une mobilité contrainte et une préparation moindre.
• Cluster 4 : Ménages avec plusieurs animaux de compagnie ou bétail, dont les décisions sont retardées par la logistique animale.
• Cluster 5 : Groupe hétérogène avec des schémas de réponse ambigus.
• Insight : L'évacuation n'est pas un phénomène binaire mais un spectre de stratégies dicté par les contraintes et les capacités de chaque ménage.

B. Performance des Modèles Prédictifs (Supervisé)

• Prédiction du Moment de l'Évacuation (Temps) :
  • Résultat : Faible performance. La meilleure précision (Régression Logistique) est de 0,62 (Kappa = 0,24).
  • Interprétation : Le moment du départ est fortement influencé par des dynamiques situationnelles en temps réel (fumée, proximité du feu, alertes communautaires) qui ne sont pas capturées par les attributs statiques du ménage. Les modèles statiques échouent à prédire ce comportement avec fiabilité.
• Prédiction du Mode de Transport :
  • Résultat : Haute performance. La précision atteint 0,89 pour la Régression Logistique et 0,87 pour la Forêt Aléatoire.
  • Interprétation : Le choix du mode de transport est fortement déterminé par des caractéristiques structurelles du ménage (propriété d'un véhicule, préparation, destination). Ce résultat est hautement prévisible.

4. Contributions et Significativité

Contributions Méthodologiques :

• Intégration réussie de techniques non supervisées (pour la découverte de profils) et supervisées (pour la prédiction) dans le contexte des incendies de forêt.
• Démonstration que l'approche hybride permet à la fois de segmenter la population pour des messages ciblés et d'évaluer la fiabilité des prédictions opérationnelles.

Implications pour la Gestion des Urgences :

1. Planification des Transports : La haute prévisibilité du mode de transport permet aux planificateurs de mieux estimer la charge sur le réseau routier et d'allouer les ressources (abris, assistance) aux ménages sans véhicule (Clusters 0 et 2).
2. Stratégies de Communication : La faible prévisibilité du moment de départ souligne l'échec des modèles statiques pour anticiper quand les gens partiront. Cela plaide pour le développement de systèmes d'alerte dynamiques et de surveillance en temps réel plutôt que de simples campagnes de sensibilisation démographiques.
3. Équité : L'identification des clusters vulnérables (faible accès technologique, propriétaires d'animaux, locataires) permet de concevoir des stratégies d'évacuation équitables et ciblées.

Limites et Perspectives :
L'étude note que l'échantillon MTurk peut être biaisé vers des populations plus jeunes et connectées. Les travaux futurs devraient intégrer des indicateurs de risque en temps réel (modèles de propagation du feu, données de fumée) et des traces de mobilité pour améliorer la prédiction du moment de l'évacuation.

En résumé, cette étude démontre que si l'on peut prédire comment les gens évacuent (mode de transport) grâce à leurs caractéristiques de ménage, il est beaucoup plus difficile de prédire quand ils partiront sans données dynamiques en temps réel.