Spatio-Temporal Wildfire Spread Prediction in Canada using a Video Swin-Hybrid-U-Net and Satellite Imagery

Résumé technique : Prédiction de la propagation des feux de forêt par analyse spatio-temporelle au Canada à l'aide d'un réseau Video Swin-Hybrid-U-Net

Énoncé du problème
Les régimes de feux de forêt au Canada augmentent en fréquence et en intensité, posant de graves menaces pour les écosystèmes et les infrastructures. Bien que les simulateurs traditionnels basés sur la physique (ex. : FARSITE) offrent une certaine interprétabilité, ils nécessitent souvent un réglage de paramètres extensif et sont gourmands en ressources de calcul. Inversement, les approches existantes de l'apprentissage profond manquent fréquemment de scalabilité ou échouent à capturer efficacement la dynamique temporelle de la propagation des incendies, particulièrement dans le contexte environnemental unique des forêts boréales du Canada. Le défi central abordé est le besoin d'un cadre d'apprentissage profond capable de modéliser des dépendances spatio-temporelles complexes dans les données environnementales afin de prévoir avec précision l'incidence des feux pour le lendemain.

Méthodologie
L'étude propose un nouveau cadre d'apprentissage profond qui traite la prédiction de la propagation des feux de forêt comme une tâche de segmentation sémantique de type vidéo vers image. Le modèle ingère une séquence de trois jours de données environnementales multicanaux pour prédire un masque de feu binaire pour le jour suivant.

• Pipeline de données : Le jeu de données est exclusivement constitué à partir de répertoires publics via Google Earth Engine (GEE), couvrant les principaux événements de feux de forêt au Canada de 2014 à 2023. Les données sont traitées à une résolution spatiale de 500 m (224x224 pixels).

  • Variables dynamiques (variables dans le temps) : Comprend les masques de feu (MODIS), les données météorologiques (ECMWF/ERA5-LAND : température, précipitations, composantes du vent échantillonnées à des intervalles de 6 heures) et l'humidité du sol (GLDAS). Ces éléments fournissent une haute résolution temporelle pour capturer les cycles diurnes.
  • Variables statiques (variables invariantes dans le temps) : Comprend la topographie (élévation, pente, aspect de la NRCan/CDEM), la végétation (NDVI de NOAA/VIIRS) et la densité de population (CIESIN/GPW). Ces variables sont répliquées à travers la séquence d'entrée de trois jours.
  • Tenseur d'entrée : Les données sont structurées sous la forme d'un tenseur 3D $(T, C, H, W)$ où $T=3$ jours, $C=23$ canaux (18 dynamiques + 5 statiques), et $H, W=224$.

• Architecture (Video Swin-Hybrid-U-Net) :

  • Encodeur spatio-temporel : Utilise un fond de Swin Transformer 3D. Contrairement aux modèles qui aplatissent le temps en canaux, cet encodeur traite l'entrée comme un volume 3D unifié. Il emploie une attention par fenêtre 3D décalée (SW-MSA) pour modéliser efficacement les relations à travers l'espace et le temps simultanément, capturant ainsi les dépendances à longue portée et l'évolution dynamique.
  • Décodeur convolutionnel : Un décodeur de type U-Net utilise des convolutions transposées 3D pour suréchantillonner les caractéristiques à la résolution d'origine. Il intègre des connexions de saut (skip connections) provenant de l'encodeur pour récupérer les détails spatiaux fins. Le tenseur de caractéristiques 3D final est agrégé le long de la dimension temporelle par moyenne pour produire un masque de segmentation 2D.
  • Fonction de perte : Pour traiter le déséquilibre sévère des classes (pixels de feu vs pixels non-feu), le modèle est entraîné à l'aide d'une somme pondérée de l'entropie croisée binaire (BCE) et de la perte de Dice ($\lambda_1 = \lambda_2 = 0,5$).

• Entraînement : Le modèle a été entraîné de bout en bout en utilisant l'optimiseur AdamW avec un programme de redémarrage de recuit cosinus (Cosine Annealing Warm Restarts). Les expériences ont été répétées cinq fois avec différentes graines aléatoires pour assurer la robustesse.

Principales contributions

1. Nouvelle architecture avec attention spatio-temporelle : L'article introduit une architecture Video Swin-U-Net qui traite l'entrée de données comme un volume vidéo 3D. Cette conception s'écarte des modèles de convolution 2D ou des modèles d'attention uniquement spatiaux, permettant l'apprentissage explicite de dépendances complexes à longue portée à travers l'espace et le temps.
2. Apprentissage profond des caractéristiques temporelles : Le modèle exploite une séquence de trois jours avec une granularité temporelle élevée (variables échantillonnées quatre fois par jour). Cela permet de capturer les motifs diurnes transitoires des variables météorologiques, qui sont des moteurs critiques du comportement des feux mais qui sont souvent omis par les modèles utilisant des entrées journalières.
3. Cadre accessible au public : L'ensemble du pipeline repose sur des données open-source de GEE, garantissant que la méthodologie est transparente, reproductible et évolutive pour un outil opérationnel à l'échelle du Canada, répondant ainsi à la barrière des données propriétaires dans les systèmes existants.

Résultats
Le Hybrid Video Swin-U-Net proposé a été évalué par rapport à trois modèles de référence : un U-Net 2D standard, un Swin U-Net 2D et un pur Video Swin U-Net (utilisant des blocs 3D dans l'encodeur et le décodeur).

• Performance quantitative : Le modèle hybride a obtenu des performances supérieures sur tous les indicateurs sur l'ensemble de test réservé :
  • F1-Score : 0,6550 (contre 0,6003 pour le second meilleur Video Swin U-Net et 0,4528 pour le 2D Swin U-Net).
  • Précision : 0,6328.
  • Rappel : 0,6791.
• Analyse topographique : La performance variait selon le terrain. Le modèle a montré une corrélation positive forte entre la raideur de la pente et la précision (le F1-Score passant d'environ 0,62 sur terrain plat à environ 0,72 sur terrain escarpé). L'élévation a montré une relation non linéaire, avec une précision plus élevée aux extrêmes bas et hauts, mais une baisse aux élévations moyennes.
• Analyse de l'humidité du sol : Le modèle a démontré sa robustesse à travers diverses conditions d'humidité du sol, maintenant des F1-Scores constants (0,64–0,68) à travers les différents bacs d'humidité pour les trois jours d'entrée, indiquant un apprentissage efficace de la dynamique de disponibilité du combustible.
• Analyse qualitative : L'inspection visuelle a révélé la capacité du modèle à capturer des formes et des limites de feu complexes, produisant des contours plus lisses par rapport aux masques de vérité terrain plus irréguliers.

Signification et affirmations
L'article affirme que l'utilisation explicite de mécanismes d'attention spatio-temporelle est primordiale pour la prévision environnementale dynamique. En traitant le temps comme une dimension distincte plutôt qu'un canal aplati, le modèle surmonte les limites des approches 2D pour distinguer le séquençage temporel des caractéristiques spatiales. L'étude démontre que les architectures modernes de vision par ordinateur, spécifiquement adaptées aux données vidéo, peuvent considérablement faire progresser la prédiction des aléas environnementaux tels que les feux de forêt.

Les auteurs positionnent ce travail comme une avancée dans l'application de techniques de pointe à la dynamique des feux de forêt au Canada, offrant un cadre transparent et reproductible qui capture l'interaction unique entre la météo, la topographie et le combustible. Les résultats suggèrent que de tels modèles peuvent fournir des prévisions spatialement explicites précises, essentielles pour l'allocation des ressources et la planification des évacuations. L'article conclut modestement, notant des limites telles que la dépendance aux données satellitaires optiques (sensibles à la couverture nuageuse) et la redondance de la réplication des canaux statiques, tout en suggant des directions futures comme des horizons de prédiction plus longs et une meilleure intégration des données statiques.