GIS, Remote Sensing and Machine Learning Applications for Forest Fire Mapping, Susceptibility Assessment and Risk Analysis: A Systematic Review
Cette revue systématique de 51 études souligne la dominance croissante des modèles d'apprentissage automatique tels que Random Forest et XGBoost, combinés aux données de télédétection telles que MODIS et Sentinel-2, dans la cartographie et l'évaluation des risques d'incendies de forêt, tout en identifiant des lacunes géographiques critiques dans la recherche africaine et en appelant à de futurs progrès en matière de résolution des données, de validation des modèles et de couverture mondiale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les incendies de forêt sont bien plus qu'un simple spectacle dramatique de fumée et de flammes ; ce sont des forces puissantes qui remodèlent les paysages, altèrent l'air que nous respirons et menacent les communautés. Pour gérer ces risques, les scientifiques doivent savoir exactement où les feux ont brûlé, quelle a été la gravité des dégâts et où le prochain incendie pourrait démarrer. Pendant des décennies, la collecte de ces informations nécessitait des équipes sur le terrain, un processus lent et dangereux qui ne pouvait couvrir de vastes forêts reculées. Aujourd'hui, le regard s'est déplacé du sol vers le ciel. Les satellites en orbite autour de la Terre agissent comme des observateurs constants, capturant des images de la surface de la planète en lumière visible et dans d'autres longueurs d'onde invisibles. Ces images révèlent les changements de la végétation et de la chaleur qui signalent la présence d'un feu. En combinant ces images satellites avec des programmes informatiques capables de repérer des motifs — connus sous le nom d'apprentissage automatique — les chercheurs peuvent désormais cartographier les dommages causés par les incendies et prédire les risques futurs avec une rapidité et une échelle qui étaient autrefois impossibles.
Une nouvelle revue systématique de Lucius Malalu et Henry Chinthuli rassemble les derniers travaux dans ce domaine, examinant comment ces technologies sont utilisées pour comprendre les incendies de forêt. Les chercheurs ont examiné 51 études publiées entre 2021 et 2026, cherchant les moyens les plus efficaces de cartographier les zones brûlées et d'évaluer le danger d'incendie. Leur objectif était de voir quels outils les scientifiques utilisent le plus souvent, où la recherche se déroule et quels défis subsistent. La revue révèle un domaine en évolution rapide, passant de simples vérifications manuelles à des systèmes automatisés complexes capables de traiter de vastes quantités de données pour protéger les forêts et les populations.
Les chercheurs ont constaté que le travail est fortement concentré en Asie, qui a représenté près des deux tiers des études examinées. Des pays comme la Chine, l'Inde et la Turquie ont ouvert la voie, tandis que l'Afrique, malgré des risques d'incendie de forêt importants, n'était représentée que par quatre études. Cet écart suggère que, bien que la technologie progresse, son application n'est pas encore répartie uniformément à travers le monde. En termes d'outils utilisés, la revue a souligné que le capteur satellite MODIS était le choix le plus populaire, apparaissant dans 27 des études. Ce capteur est prisé pour sa capacité à prendre des photos fréquentes de la Terre, permettant aux scientifiques de suivre les incendies au fur et à mesure qu'ils se produisent. Sentinel-2, qui fournit des images plus nettes et plus détaillées, était le deuxième outil le plus courant. Le choix du capteur dépend souvent du besoin spécifique : MODIS pour observer la vue d'ensemble au fil du temps, et Sentinel-2 pour voir les détails précis d'une zone brûlée spécifique.
En ce qui concerne les programmes informatiques qui analysent ces images, l'apprentissage automatique est devenu la norme. Le modèle le plus fréquemment utilisé était la Forêt Aléatoire (Random Forest), une méthode qui construit de nombreux arbres de décision pour faire une prédiction finale, apparaissant dans 28 des études. Elle était suivie par XGBoost et les Machines à Vecteurs de Support (Support Vector Machines). Ces programmes sont entraînés pour reconnaître les « signatures » uniques des terres brûlées. Ils examinent un large éventail d'indices, tels que la température du sol, la quantité de pluie tombée récemment, la pente du terrain et la proximité de la forêt par rapport aux routes ou aux villes. L'un des indices les plus courants utilisés était une mesure appelée Indice de Végétation par Différence Normalisée (NDVI), qui indique à l'ordinateur la santé des plantes. En injectant tous ces facteurs dans l'ordinateur, les modèles peuvent créer des cartes qui montrent non seulement où un feu a brûlé, mais aussi la probabilité qu'une zone brûle à l'avenir.
Malgré ces avancées, la revue souligne que la technologie n'est pas parfaite. Un obstacle majeur est la résolution des images. Si l'image satellite est trop floue, de petits incendies peuvent être totalement manqués, ou les bords d'une zone brûlée peuvent paraître imprécis. La qualité et la disponibilité des données posent également des problèmes, particulièrement dans les régions où la couverture satellite est irrégulière ou là où les nuages cachent le sol. Les auteurs notent que, bien que les modèles s'améliorent, ils ont encore du mal à fonctionner de manière égale dans toutes les parties du monde. Un modèle entraîné sur des feux dans un pays pourrait ne pas fonctionner avec précision dans un autre parce que les forêts, la météo et les activités humaines sont différentes.
La voie à suivre, selon la revue, consiste à combler les lacunes de la couverture mondiale, particulièrement en Afrique, et à améliorer la qualité des données. Les chercheurs sont encouragés à combiner différents types d'images satellites pour obtenir une image plus claire et à utiliser des techniques d'apprentissage profond (deep learning) plus avancées qui peuvent apprendre à partir des images elles-mêmes sans nécessiter autant d'instructions manuelles. L'objectif ultime est de créer des systèmes capables de surveiller les forêts en continu et de fournir des informations fiables et actualisées pour aider les gestionnaires à prendre de meilleures décisions. En affinant ces outils, la communauté scientifique espère transformer la nature chaotique des feux de forêt en un risque gérable, en utilisant les yeux dans le ciel pour protéger les forêts en dessous.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.