Optimisation des stratégies de lutte contre les incendies de forêt en temps réel à l'aide de techniques d'apprentissage automatique – OFML

Les feux de forêt représentent une menace mondiale croissante, exacerbée par le changement climatique, et nécessitent des approches innovantes pour améliorer les stratégies de lutte contre les incendies. Le projet OFML vise à répondre à ce besoin urgent en exploitant des techniques avancées d'apprentissage automatique (ML pour Machine Learning) pour optimiser les efforts de lutte contre les incendies après leur déclenchement. Bien que les modèles ML existants se concentrent principalement sur la prévision de la propagation des incendies, ils négligent souvent le rôle crucial des interventions humaines, telles que l'application de retardateurs de feu et la mise en place stratégique de coupe-feu. L’objectif de cette recherche est de relever ces défis, en reconnaissant que des stratégies efficaces de lutte contre les incendies doivent prendre en compte à la fois la dynamique naturelle du feu et les actions humaines. Pour atteindre cet objectif, le projet OFML prévoit d'utiliser des méthodologies avancées, notamment l'apprentissage par renforcement, la simulation GPU des incendies et les réseaux neuronaux profonds, afin de développer d'abord un modèle de substitution efficace pour prédire la propagation des incendies de forêt avec prise en compte des interactions humaines, puis d'optimiser les décisions en temps réel concernant le déploiement des coupe-feu et des retardateurs, offrant ainsi des stratégies considérablement plus rapides et plus efficaces que les modèles traditionnels. Ces algorithmes d'apprentissage et de simulation seront entraînés et évalués à l'aide de données simulées et de données d'observation réelles, avec un accent particulier sur la France et la région méditerranéenne. En particulier, OFML exploitera des données réelles de coupe-feu collectées lors d’événements récents en Europe du Sud, appuyées par des produits satellitaires tels que les images Sentinel-2 et MODIS, les données d’occupation des sols du programme Copernicus, ainsi que des rapports opérationnels de pompiers. Cette combinaison permettra de valider les modèles dans des scénarios réalistes et variés. Le projet OFML contribue également à l’IA frugale en combinant des modèles efficaces de propagation des feux, des approches hybrides d’apprentissage réduisant les besoins en données, et une attention particulière à la généralisabilité des modèles pour éviter un réentraînement complet à chaque nouveau domaine. Cette approche vise non seulement à améliorer l'efficacité opérationnelle de la gestion des incendies de forêt, mais aussi à protéger plus efficacement les vies humaines et les biens.