Chaque année, des millions d'hectares de forêts sont brûlés, libèrent des milliards de tonnes de dioxyde de carbone, détruisent les habitats fauniques et menacent les communautés humaines. En 2023 seulement, le Canada a connu sa pire saison des incendies, avec plus de 18 millions d'hectares brûlés, une superficie d'environ la taille du Dakota du Nord. Des modèles d'évaluation précis des risques d'incendie ne sont plus un luxe; ils sont une nécessité urgente pour une prévention efficace, une préparation et une allocation des ressources.

La télédétection consiste à obtenir des informations sur la surface de la Terre sans contact physique direct, généralement à partir de satellites ou de capteurs aéroportés, ce qui permet aux chercheurs et aux organismes de gestion des incendies d'observer de longues régions forestières, souvent inaccessibles, à intervalles fréquents. En captant des données sur plusieurs longueurs d'onde du spectre électromagnétique, la télédétection fournit des informations critiques sur la santé de la végétation, le stress hydrique, la charge de carburant et la température de surface, qui sont autant de facteurs clés de l'inflammation et de la propagation du feu.

Le rôle de la télédétection dans la gestion des incendies de forêt

La télédétection joue un rôle multiforme dans la gestion moderne des incendies de forêt, couvrant l'évaluation des risques avant incendie, la surveillance active des incendies et l'évaluation des dommages après incendie. La capacité de mesurer de façon cohérente et à grande échelle les variables biophysiques est ce qui distingue la télédétection des observations traditionnelles au sol.

L'une des contributions les plus critiques de la télédétection est la capacité d'évaluer les conditions de combustible, la végétation vivante et morte qui sert de principal matériau combustible dans un incendie. En mesurant la réflectance spectrale et les émissions thermiques, les capteurs peuvent estimer la teneur en eau, la concentration de chlorophylle et la proportion de matériaux morts dans la végétation.Ces propriétés influencent directement la probabilité d'inflammation et l'intensité du feu une fois commencé.

Types de données de télédétection utilisées

Les plateformes de télédétection sont équipées de divers capteurs, chacun étant conçu pour capter différents aspects de l'environnement. Le choix du capteur dépend des informations spécifiques nécessaires, qu'il s'agisse de la végétation verte, de la température de surface ou de la structure tridimensionnelle du combustible.

  • Image optique: Les capteurs optiques mesurent la lumière du soleil réfléchie dans des bandes visibles, presque infrarouges (NIR) et infrarouges à ondes courtes (SWIR).L'indice de végétation de différence normalisée (NDVI), calculé à partir de NIR et de réflectance rouge, est largement utilisé pour évaluer la santé et la densité de la végétation.Une végétation saine et bien hydratée reflète davantage de NIR, produisant des valeurs NDVI élevées, alors que la végétation stressée ou sèche donne des valeurs plus faibles.
  • Imagerie thermique : Les capteurs infrarouges thermiques (TIR) détectent la chaleur émise par la surface de la Terre. Ces ensembles de données révèlent des anomalies de température de surface qui peuvent indiquer une végétation stressée (p. ex., feuilles avec des stomates fermées sous la sécheresse) ou des incendies actifs.
  • LiDAR (Light Detection and Ranging): LiDAR utilise des impulsions laser pour mesurer les distances jusqu'au sol et les structures de végétation. Le résultat est un nuage 3D très détaillé qui peut caractériser la hauteur de la couverture de la couverture, la couverture de la couverture et la distribution verticale du carburant.Cette information est essentielle pour comprendre le potentiel de comportement du feu — par exemple, les combustibles à grande échelle (arbustes souterrains et petits arbres) peuvent transporter le feu du sol forestier dans la couverture, ce qui entraîne des incendies catastrophiques de la couronne.
  • Radar d'ouverture synthétique (SAR) : Les capteurs SAR, comme ceux du satellite Sentinel-1 de l'ESA, transmettent des micro-ondes et mesurent le signal rétro-répertorié. Le SAR est particulièrement utile parce qu'il pénètre dans les nuages et peut fonctionner jour ou nuit. Le signal est sensible à la teneur en humidité et à la rugosité de la surface.

Construire des modèles de risque d'incendie à partir de données de télédétection

La conversion des observations brutes de télédétection en évaluations des risques d'incendie pouvant être mises en œuvre nécessite un cadre de modélisation systématique, qui comporte généralement plusieurs étapes : acquisition de données, prétraitement, dérivation de variables biophysiques, intégration avec les systèmes d'information géographique (SIG) et application d'algorithmes statistiques ou d'apprentissage automatique.

Pour les données optiques, il faut notamment corriger l'atmosphère afin de récupérer la réflectance de surface, le masquage des nuages et la composition pour réduire l'impact des nuages. Une fois nettoyés, les données servent à calculer les indices spectraux et d'autres variables dérivées. Les indicateurs communs de risque d'incendie comprennent l'indice de sécheresse Keetch-Byram (KBDI), qui évalue le déficit hydrique du sol par rapport aux précipitations et à la température; l'indice de danger des feux de forêt McArthur (FFDI), qui combine température, humidité, vitesse du vent et facteur de sécheresse; et des indices plus récents basés sur la télédétection, comme l'indice de potentiel d'incendie (IPF), qui intègre l'IVN et un rapport de verdosité.

Les variables topographiques telles que la pente, l'aspect et l'altitude, dérivées des modèles numériques d'élévation (DEM), sont combinées avec les données historiques sur la végétation, les conditions météorologiques et les incendies. La télédétection fournit la couche végétale, souvent mise à jour tous les 8 à 16 jours, permettant de rafraîchir les cartes des risques d'incendie à des intervalles quasi-réels, permettant d'identifier les zones à haut risque à l'échelle régionale, nationale et même mondiale.

L'apprentissage automatique pour une prévision améliorée

Les modèles traditionnels de risque d'incendie reposent sur des équations et des seuils prédéfinis. Toutefois, la disponibilité croissante de grands ensembles de données de télédétection a alimenté l'adoption de techniques d'apprentissage automatique (ML), qui peuvent permettre de découvrir des relations et des interactions non linéaires entre les prédicteurs qui pourraient être omises par les méthodes classiques.

Par exemple, une étude de 2023 publiée dans Remote Sensing of Environment a utilisé des séries chronologiques Sentinel-2 NDVI, des données sur les incendies actifs et des produits de réanalyse météorologique pour former un modèle forestier aléatoire pour la prévision des dangers d'incendie à court terme dans les écosystèmes méditerranéens. Le modèle a permis d'atteindre une zone sous la courbe (AUC) supérieure à 0,85, ce qui démontre une forte compétence prédictive.

Avantages des modèles de risque d'incendie à distance–à détecteurs

L'intégration de la télédétection dans l'évaluation des risques d'incendie offre des avantages tangibles qui vont au-delà de la recherche universitaire. Les organismes opérationnels du monde entier ont commencé à intégrer des données satellitaires dans leurs systèmes d'aide à la décision. Par exemple, le National Interagency Fire Center (NIFC) des États-Unis s'appuie sur des produits du Wildland Fire Assessment System (WFAS), qui utilise des données d'humidité du combustible provenant de satellites pour attribuer des cotes quotidiennes de danger d'incendie dans tout le pays.

  • Couverture complète des grandes zones inaccessibles : La télédétection permet de surveiller les forêts boréales éloignées, les tourbières tropicales et les terrains montagneux accidentés qui seraient impossibles à patrouiller à pied. Ceci est particulièrement important pour la détection précoce des incendies dans les régions inhabitées où ils peuvent brûler sans être détectés pendant des jours.
  • Systèmes de surveillance en temps réel et d'alerte rapide:[ Les satellites comme GOES-R (Géostationnaire Operational Environmental Satellite) fournissent des images toutes les 5 à 10 minutes, permettant la détection rapide des points chauds.
  • Mise en place d'une allocation de ressources améliorée pour la prévention et la suppression des incendies : En identifiant les zones qui présentent la plus forte probabilité d'inflammation et de comportement extrême au feu, les organismes peuvent cibler plus efficacement les traitements de réduction du carburant (brûlures prescrites, éclaircissement mécanique) et hiérarchiser les moyens de suppression pendant la saison des incendies.
  • Soutien à la planification à long terme et à l'élaboration de politiques:[ Des décennies d'archives de télédétection permettent aux chercheurs d'analyser comment le risque d'incendie a évolué au fil du temps en réponse aux politiques de changement climatique, d'utilisation des terres et de gestion des forêts.

Un exemple important du monde réel vient de l'Australie, où les feux Black Summer de 2019–2020 ont brûlé plus de 18 millions d'hectares. Au lendemain, le gouvernement australien a investi massivement dans un système de détection d'incendie basé sur satellite appelé « FireSat » qui combine les données infrarouges thermiques de l'Himawari-8 japonais et d'autres capteurs. Le système fournit un potentiel d'incendie de routine et des alertes de points chauds, et il a été utilisé pendant la saison 2021–2022 pour guider le brûlage préventif et le déploiement des ressources.

Défis et limites

Si la télédétection offre un potentiel énorme, la voie vers les modèles opérationnels de risque d'incendie n'est pas sans obstacles. Les praticiens doivent naviguer sur les défis techniques, logistiques et épistémologiques pour s'assurer que les prévisions sont fiables et réalisables.

Complicité du traitement des données: Le volume des données satellitaires est immense. Une seule scène Sentinel-2 (100 km × 100 km) produit environ 800 Mo de données sur 13 bandes spectrales. Le traitement, le stockage et l'analyse de ces données à l'échelle nationale ou mondiale nécessitent une infrastructure informatique et une expertise importantes en télédétection, en science des données et en analyse géospatiale.

Interruption de la couverture de nuages: Les capteurs optiques et thermiques ne peuvent pas voir à travers les nuages. C'est une limite majeure dans les régions où la couverture de nuages est persistante, comme les forêts tropicales du Nord-Ouest du Pacifique ou les forêts tropicales. Pendant la haute saison des feux, les panaches de fumée provenant des feux existants peuvent obscurcir davantage les vues des satellites, créant un angle mort exactement lorsque la surveillance est la plus critique.

Les capteurs à résolution grossière (p. ex. MODIS à 1 km) sont utiles pour la surveillance mondiale, mais ils ne peuvent pas résoudre les petits incendies ni l'hétérogénéité du combustible à petite échelle. Les capteurs à résolution fine (p. ex. Landsat à 30 m, Sentinel-2 à 10 m) ont des temps de revisite plus longs (5–16 jours) et peuvent manquer de changements rapides dans l'humidité du combustible.

L'intégration de diverses sources de données:[ La combinaison de données provenant de plusieurs capteurs (optiques, thermiques, SAR, LiDAR) avec des prévisions météorologiques et des enregistrements historiques d'incendie est un problème complexe de fusion des données. Chaque ensemble de données a son propre système de coordonnées, géométrie d'acquisition et caractéristiques d'erreur.

Validation et transférabilité:[ Un modèle qui fonctionne bien dans une région peut échouer dans une autre en raison de différences dans les types de végétation, les régimes d'incendie ou le climat.Les modèles d'apprentissage automatique, en particulier, sont enclins à suradapter les données de formation et peuvent ne pas généraliser dans l'espace ou le temps.

Orientations futures

La prochaine génération de modèles de risque d'incendie tirera probablement parti des technologies émergentes pour surmonter les limites actuelles et fournir des évaluations encore plus précises et opportunes.

Capteurs à base de drone

Les Drones peuvent voler sous la couverture nuageuse, transporter des caméras thermiques et multispectrales à haute résolution et revoir des sites spécifiques à la demande. Ils sont particulièrement utiles pour cartographier les charges de carburant dans les zones d'intérêt identifiées par des cartes de risques de satellites. Les entreprises et les agences déploient actuellement des essaims de drones pour surveiller les paysages exposés au feu, avec un traitement à bord permettant la détection en temps réel des incendies.

Amélioration de l'analyse des données et de l'intelligence artificielle

Les progrès de l'apprentissage profond, en particulier les réseaux neuronaux convolutionnels (RCN) et les architectures de transformateurs, permettent une analyse plus robuste de l'imagerie de télédétection. Au lieu d'indices fabriqués à la main, ces modèles peuvent apprendre directement des données spectrales brutes pour prédire le danger d'incendie. Ils peuvent également mieux exploiter le contexte spatiotemporel - par exemple, détecter les patrons de séchage anormaux qui précèdent les flambées d'incendie.

Intégration avec l'Internet des objets (IdO) et la Science citoyenne

Les capteurs au sol, comme les stations météorologiques, les sondes d'humidité du sol et les pièges à caméra, peuvent être combinés à la télédétection pour fournir une image multi-échelles du risque d'incendie. Les réseaux IoT deviennent plus abordables et plus fiables, ce qui permet une surveillance dense dans les zones critiques.

Vers des systèmes prédictifs, et non pas simplement réactifs

L'objectif ultime est de passer de l'évaluation des risques (probabilité d'estimation) à la simulation prédictive (prévention de la propagation et du comportement des incendies).Des modèles de feux météorologiques combinés comme WRF-SFIRE ingèrent déjà l'humidité du combustible dérivée par satellite et la topographie pour simuler la croissance des incendies.

La collaboration internationale accélère également les progrès, dont le Centre mondial de surveillance des incendies et le Groupe d ' observation de la Terre s ' emploient à harmoniser les normes en matière de données et à assurer un accès libre aux produits satellitaires pour les pays en développement, ce qui est essentiel parce que les incendies ne respectent pas les frontières politiques et que bon nombre des régions les plus exposées aux incendies (Afrique centrale, Asie du Sud-Est, par exemple) ne disposent pas d ' infrastructures satellitaires nationales.

Conclusion

En offrant une vue synoptique continue de l'état de la végétation, de la teneur en eau et de la dynamique thermique, les capteurs satellitaires et aériens permettent une prise de conscience de la situation qui était inimaginable il y a une génération. Lorsqu'elle est intégrée aux systèmes SIG, à l'apprentissage automatique et aux systèmes opérationnels d'aide à la décision, la télédétection permet aux gestionnaires d'incendie de repérer les zones à haut risque, d'allouer les ressources judicieusement et de lancer des alertes précoces qui sauvent des vies et des biens.

Néanmoins, des défis subsistent, du traitement des données aux goulets d'étranglement et à la transférabilité des modèles. La voie à suivre consiste à investir dans la capacité de calcul, à adopter de nouvelles plates-formes de capteurs comme les drones et à favoriser des accords internationaux de partage de données.

Pour plus de détails, voir les ressources de NASA Earth Observatory[, European Forest Fire Information System[ et USDA Forest Service Fire Research[