Évaluation du risque d’incendie par apprentissage automatique : étude de cas de la ville de Jinan, Chine

Pourquoi le risque d’incendie dans une ville concerne tout le monde

À mesure que les villes s’étendent et que les étés se réchauffent, des incendies autrefois rares deviennent plus fréquents et plus destructeurs. Cette étude se penche sur Jinan, une ville en forte croissance dans l’est de la Chine, pour poser une question simple mais urgente : où les incendies sont‑ils les plus susceptibles de se déclarer, et quand ? En combinant données satellitaires, cartes urbaines et techniques modernes d’apprentissage automatique, les chercheurs montrent comment identifier avec précision les zones à risque et utiliser ces connaissances pour mieux protéger les personnes, les habitations et les forêts voisines.

Considérer l’incendie comme un phénomène à l’échelle de la ville

Plutôt que de traiter chaque incendie comme un accident isolé, l’équipe a envisagé Jinan comme un système global. Ils ont rassemblé les traces de plus de 7 500 incendies détectés par satellite entre 2001 et 2024 et les ont associées à 15 facteurs environnementaux. Ceux‑ci incluaient les éléments climatiques (précipitations, température, vent, humidité), la morphologie du terrain (altitude, pente, exposition), la végétation (verdure et type d’occupation des sols) et des signes d’activité humaine (densité de population et distance aux routes et aux cours d’eau). Toutes ces données ont été converties en couches cartographiques à une résolution commune afin que chaque point de la ville puisse être décrit de la même manière : plus ou moins humide, plus ou moins pentu, plus ou moins végétalisé et plus ou moins fréquenté par les humains.

Apprendre aux ordinateurs à repérer les zones dangereuses

Pour transformer cette masse d’informations en prévisions utiles, les auteurs ont testé cinq approches d’apprentissage automatique différentes. Celles‑ci allaient de méthodes bien établies comme les forêts aléatoires (Random Forests) et les machines à vecteurs de support (SVM) à des techniques plus avancées, dont Light Gradient‑Boosting Machine (LightGBM) et un système d’apprentissage profond appelé réseau neuronal convolutionnel (CNN). Chaque modèle a été entraîné à distinguer les emplacements où des incendies s’étaient produits d’emplacements similaires où aucun incendie n’avait été enregistré. Les modèles ont ensuite été évalués sur leur capacité à classer correctement des emplacements nouveaux et inconnus, selon des mesures telles que l’exactitude globale, l’équilibre entre incendies manqués et fausses alertes, et un score fondé sur une courbe connu sous le nom d’AUC, qui reflète la qualité de la séparation entre zones à risque et zones sûres.

Ce que révèlent les cartes sur où et quand les incendies se déclarent

Les outils les plus performants furent le CNN et le modèle LightGBM, qui ont tous deux prédit correctement les zones propices aux incendies dans plus de quatre cas sur cinq et obtenu des scores AUC très élevés. Le CNN avait une légère supériorité, notamment pour tracer des frontières nettes entre zones plus sûres et plus risquées. Ses cartes ont montré un schéma distinctif décrit comme « trois zones à haut risque et deux ceintures de risque ». En termes simples, les lieux les plus exposés aux incendies se concentrent dans et autour des quartiers centraux et méridionaux, reliés par deux bandes de risque accru traversant et descendant la ville. Les plaines du nord et les hautes montagnes du sud lointain sont généralement moins exposées. L’analyse a aussi mis en évidence les facteurs les plus influents : l’usage et la couverture des sols, ainsi que la verdure de la végétation, se sont avérés être les moteurs principaux, davantage que les moyennes climatiques à long terme de température ou de précipitations. Autrement dit, la manière dont les humains modèlent et fragmentent le paysage, et la quantité de combustible disponible, importent au moins autant que le climat de fond.

Saisons, quartiers et comportements humains

Le risque d’incendie à Jinan n’est pas constant tout au long de l’année. En alimentant le CNN avec des données spécifiques à chaque saison, les auteurs ont constaté que le printemps et l’été se distinguent. Le printemps présente la plus large étendue de zones à haut risque, en partie liée à des rituels extérieurs traditionnels utilisant des flammes à proximité d’herbes et de bois secs. L’été concentre le plus grand nombre d’incendies réels, dans des quartiers bâtis où la chaleur, la forte consommation électrique et les activités extérieures se combinent. L’automne apporte des risques épars le long des lisières agricoles et montagneuses, associés au brûlage de résidus de récolte, tandis que l’hiver met l’accent sur la végétation desséchée et les pratiques de chauffage en zones rurales et forestières. En compilant les risques par district, Huaiyin apparaît comme la priorité numéro un pour la prévention, suivi de Tianqiao, Gangcheng et Zhangqiu, ce qui indique où les services d’incendie et l’éducation du public pourraient avoir le plus d’impact.

Ce que cela implique pour des villes plus sûres

Pour un non‑spécialiste, la leçon principale est que les incendies en milieu urbain et périurbain ne sont ni aléatoires ni inévitables. En apprenant des événements passés et en lisant des signaux subtils dans le temps, l’occupation du sol, la végétation et l’activité humaine, les algorithmes modernes peuvent produire des cartes de risque détaillées qui indiquent précisément où concentrer les patrouilles, les mises à niveau des réseaux électriques vieillissants, la gestion de la végétation et les règles concernant les brûlages à l’air libre. À Jinan, l’étude montre que la croissance urbaine en contact avec des espaces verts inflammables constitue une recette à risque. Le même schéma se retrouve dans de nombreuses villes à travers le monde. Des approches comme les cartes basées sur les CNN utilisées ici offrent aux autorités locales un moyen pratique d’anticiper la saison des incendies plutôt que de toujours réagir après coup.

Citation: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

Mots-clés: risque d’incendie urbain, apprentissage automatique, données satellitaires, réseaux neuronaux convolutifs, prévention des catastrophes