Cadre CNN-MLP pour la prédiction des zones forestières brûlées utilisant l'algorithme PSO-WOA

Pourquoi il est important de prévoir les dégâts causés par le feu

Les feux de forêt deviennent plus chauds, plus vastes et plus fréquents à mesure que le climat se réchauffe et que l'urbanisation gagne les zones boisées. Pour les équipes anti-incendie et les communautés locales, une question cruciale lors d'un départ de feu n'est pas seulement de savoir si un incendie va démarrer, mais quelle étendue de terrain il risque de brûler. Cette étude montre comment une nouvelle forme d'intelligence artificielle peut prendre des mesures météorologiques et de sécheresse simples et les transformer en estimations très précises de la surface finale brûlée, donnant potentiellement aux gestionnaires d'urgence une avance décisive quand chaque heure compte.

Des données météorologiques brutes à l'impact du feu

Les chercheurs se concentrent sur un jeu de données bien connu provenant d'un parc national portugais qui recense 517 incendies de forêt. Pour chaque incendie, ils connaissent le lieu et la date, la température de l'air, l'humidité, la vitesse du vent, les précipitations récentes et plusieurs indices météorologiques d'incendie qui décrivent la sécheresse des différentes couches de combustible forestier. Le défi tient au fait que la plupart des incendies du dossier sont très petits, tandis que quelques-uns sont très grands, et que le lien entre les mesures météorologiques et la surface brûlée est fortement emmêlé et non linéaire. Les méthodes antérieures, y compris des outils classiques d'apprentissage automatique tels que les machines à vecteurs de support et les réseaux de neurones simples, peinaient avec ce schéma complexe et produisaient des prédictions seulement modérément précises.

Laisser les algorithmes décider quelles entrées comptent

Plutôt que d'alimenter tous les variables disponibles dans un modèle, l'équipe laisse d'abord un algorithme inspiré des lucioles rechercher la combinaison d'entrées la plus informative. Dans ce dispositif, chaque « luciole » propose un choix oui/non pour chaque caractéristique : inclure la température, exclure les précipitations, inclure l'un des indices de sécheresse, etc. Les lucioles plus brillantes représentent des combinaisons qui donnent des prédictions plus précises avec un modèle d'essai tout en gardant le nombre d'entrées réduit. Au fil de nombreuses itérations, les lucioles moins brillantes se déplacent vers les plus lumineuses, et le processus converge vers un ensemble concis de facteurs clés. Cette procédure met systématiquement en évidence cinq principaux moteurs de la surface brûlée : la température, l'humidité relative, deux mesures de sécheresse capturant la sécheresse à moyen et long terme, et une simple coordonnée indiquant l'endroit du parc où l'incendie s'est produit.

Un réseau neuronal hybride réglé par une recherche inspirée de la nature

Avec ces entrées centrales en main, les auteurs construisent un réseau neuronal léger mais spécialisé. Une partie, appelée réseau convolutionnel unidimensionnel, recherche des motifs dans la façon dont les caractéristiques sélectionnées interagissent — par exemple la combinaison de forte température, faible humidité et sécheresse profonde à certains emplacements. Sa sortie est ensuite transmise à un perceptron multicouche plus traditionnel qui effectue l'étape de régression finale pour estimer la surface brûlée. Choisir tous les réglages internes de ce modèle hybride — combien de couches, combien de neurones, la vitesse d'apprentissage — est en soi un problème compliqué. Pour y répondre, l'équipe combine deux autres méthodes de recherche inspirées de la nature, l'une modélisée sur les vols d'oiseaux (optimisation par essaims particulaires) et l'autre sur la stratégie de chasse des baleines. Travaillant par étapes, ces algorithmes explorent de nombreux designs de réseau possibles et se rapprochent progressivement de ceux qui minimisent l'erreur de prédiction sur des données de validation tenues à l'écart.

Une concordance presque parfaite avec les feux réels

Après ce réglage automatique, le modèle hybride optimisé est testé face à plusieurs solides concurrents en apprentissage profond : réseaux convolutionnels autonomes, réseaux feed-forward classiques et modèles orientés séquence tels que les LSTM et GRU. Tous sont entraînés et comparés sur les mêmes partitions de données. Le système hybride CNN–MLP s'impose clairement. Ses prédictions correspondent aux surfaces brûlées observées avec un coefficient de détermination d'environ 99,9 %, et ses erreurs moyennes — mesurées en hectares — sont extrêmement faibles. La validation croisée, dans laquelle les données sont répétitivement mélangées et séparées en différents plis d'entraînement et de test, montre que cette performance est stable et non le fruit d'une partition chanceuse. Des analyses supplémentaires utilisant SHAP, un outil d'explicabilité des décisions de modèle, confirment que des températures plus élevées et une sécheresse plus prononcée poussent les prédictions vers des surfaces brûlées plus grandes, tandis qu'une humidité plus élevée les tempère, faisant écho aux connaissances établies en sciences du feu.

Ce que cela signifie pour la gestion des incendies

Pour les non-spécialistes, le message essentiel est qu'une combinaison soigneusement conçue d'IA moderne et d'optimisation peut transformer une poignée de mesures météorologiques et de sécheresse routinières en estimations très fiables de la surface forestière qu'un incendie risque de consommer. En sélectionnant automatiquement les entrées les plus parlantes et en affinant le fonctionnement interne du modèle, l'approche offre à la fois précision et interprétabilité. Bien que l'étude se concentre sur un parc du Portugal et un jeu de données relativement restreint, le cadre peut, en principe, être étendu à des données plus riches et à d'autres régions. À mesure que de tels systèmes mûrissent et sont reliés à des flux météorologiques en temps réel, ils pourraient aider les agences à prioriser les zones à haut risque, planifier des évacuations plus tôt et allouer les ressources de lutte contre les incendies de manière plus efficace, réduisant en fin de compte le coût humain et écologique des feux de forêt.

Citation: Mousa, M.H., Algamdi, A.M., Fouad, Y. et al. CNN-MLP framework for forest burned areas prediction using PSO-WOA algorithm. Sci Rep 16, 4982 (2026). https://doi.org/10.1038/s41598-026-35836-4

Mots-clés: prévision des incendies, surface brûlée, apprentissage profond, indice météorologique d'incendie, risque d'incendie de forêt