Des chercheurs de l'École d'ingénierie de l'UCLA Samueli et de leurs collaborateurs ont développé Fuelvision, un nouveau système qui pourrait aider à améliorer la préparation à la maison à l'échelle de la forêt en combinant l'imagerie satellite avec l'intelligence artificielle pour identifier rapidement et avec précision les sources de carburant des incendies de forêt.
Dans les tests de validation utilisant des données de deux des incendies de forêt récents les plus intenses de Californie – les incendies Dixie et Caldor de 2021 – les prédictions de Fuelvision correspondaient étroitement à des cartes de carburant réelles, démontrant le potentiel de l'outil pour une utilisation réelle. Le système a atteint une précision de cartographie de 77% dans les tests. Une étude décrivant le nouveau système a récemment été publiée dans le Journal international d'observation et de géoinformation de la Terre appliquée.
« Nous avons construit un outil qui permet à quiconque – des agences locales aux chercheurs mondiaux – de générer des cartes de carburant de forêt à l'aide de données par satellite », a déclaré Riyaaz Shaik, auteur principal de l'étude et chercheur à l'UCLA. « Cela aide à rendre les informations vitales sur les risques d'incendie de forêt accessibles pour une réponse plus rapide et plus intelligente. »
Bien que certains modèles aient atteint une précision plus élevée à grande échelle, ils sont plus lents et s'appuient sur une analyse d'experts. En revanche, FuelVision fonctionne de manière autonome, en utilisant des données couramment disponibles.
Étant donné qu'il tire des données des intrants par satellite mondiale, FURANCHIVE est facilement adaptable aux zones forestières à l'échelle nationale. Le système ne nécessite pas d'enquêtes au sol pour soutenir les stratégies d'atténuation des incendies ou guider les réponses d'urgence.
Pour tester et valider leur modèle, les chercheurs ont formé le système en utilisant des données réelles du programme d'inventaire et d'analyse forestier du US Forest Service. L'équipe a également utilisé des réseaux adversaires génératifs, un type d'apprentissage automatique qui utilise un générateur pour créer des données et un discriminateur qui évalue la précision des données, pour produire des données de formation synthétiques fiables et aider à améliorer la précision de cartographie du système.
« FuelVision peut aider à anticiper où les incendies pourraient se propager et comment se préparer », a déclaré Ertugrul Taciroglu, auteur correspondant et professeur de génie civil et environnemental à l'UCLA Samueli. « Il est polyvalent, facilement adaptable et peut aider les agences à l'échelle mondiale à la fois à organiser des interventions d'urgence et à développer des stratégies d'évaluation des risques et d'atténuation des risques à long terme. »
Les chercheurs rendent lavision de FuelVision accessible de deux manières. Ils prévoient de publier une interface basée sur Python qui permet aux utilisateurs ayant une expérience de codage de base de générer leurs propres cartes de carburant. Ils offriront également une production de caractéristique de carburant à la demande en fonction des besoins des utilisateurs.
