Détection intelligente des incendies en agriculture grâce à l’apprentissage automatique et aux systèmes embarqués pour la prévention des risques et une meilleure durabilité

Pourquoi il est crucial de protéger les exploitations contre les incendies

Partout dans le monde, les agriculteurs subissent la pression d’un climat plus chaud et plus sec et d’une recrudescence des feux de forêt. Un seul incendie peut anéantir des récoltes, dégrader les sols et menacer les approvisionnements alimentaires locaux. Cet article présente une solution pratique pour détecter précocement les incendies sur les exploitations : un petit dispositif électronique peu coûteux et des programmes informatiques intelligents, permettant de repérer le danger à temps même dans des champs isolés avec peu ou pas d’accès à Internet.

Des exploitations vulnérables dans un monde qui se réchauffe

L’agriculture moderne dépend d’un climat stable, or le changement climatique provoque des vagues de chaleur plus longues, des sécheresses et davantage d’incendies. Les méthodes traditionnelles de surveillance, comme les patrouilles ou les caméras distantes, sont lentes, coûteuses et ratent souvent les départs de feu de faible ampleur. Pour de nombreuses communautés rurales, notamment celles éloignées des villes et des infrastructures réseau, il est urgent de disposer d’outils simples capables de surveiller les cultures 24 heures sur 24, d’alerter en quelques secondes et de protéger la production alimentaire sans dépendre de services cloud complexes.

Une petite boîte qui surveille la fumée et les flammes

Les chercheurs ont construit une unité autonome de détection d’incendie autour d’un micro-ordinateur Raspberry Pi 3 B+ de la taille d’une paume. Cet appareil se connecte directement à des capteurs de fumée et de flamme disposés sur le terrain. Les capteurs mesurent en continu la présence de fumée et de flammes, et le Raspberry Pi enregistre localement ces mesures avec des horodatages précis. Un petit écran affiche le niveau de danger actuel et un buzzer retentit lorsque le risque devient élevé, permettant aux travailleurs à proximité d’intervenir immédiatement. Comme tout fonctionne sur l’appareil lui-même, le système peut opérer dans des exploitations isolées dépourvues d’un Internet fiable ou de serveurs centralisés.

Apprendre à l’appareil à évaluer le danger d’incendie

Détecter la fumée et les flammes ne suffit pas : le système doit aussi juger de la gravité de la situation. Pour cela, l’équipe a entraîné plusieurs modèles d’apprentissage automatique — des méthodes informatiques qui apprennent des motifs à partir de données — sur des mesures réelles collectées avec leur prototype. Ils ont défini trois catégories : conditions normales sans feu, état d’alerte avec danger possible, et incendies confirmés. En utilisant un jeu de données relativement petit mais soigneusement nettoyé, ils ont appliqué des modèles appelés régression logistique et forêt aléatoire, ainsi qu’une régression linéaire pour produire un score de risque continu. Les modèles ont appris comment des combinaisons de niveaux de fumée et de flamme correspondent à ces états de risque, et comment la rapidité des variations dans le temps signale une augmentation du danger.

Comment des logiciels intelligents renforcent la fiabilité

Lors des tests, le modèle forêt aléatoire s’est distingué. Il a correctement classé les niveaux de risque d’incendie avec environ 99 % de précision et des scores également élevés pour la détection des vrais incendies et la minimisation des faux négatifs. Le modèle de régression logistique, plus simple, a aussi obtenu de bonnes performances, mais la forêt aléatoire a mieux géré les motifs complexes des données et s’est montrée plus stable au fil des essais répétés. Pour se prémunir contre des capteurs défaillants ou des conditions environnementales atypiques, les chercheurs ont ajouté une étape de détection d’anomalies avec une approche appelée Isolation Forest. Cette couche supplémentaire signale les lectures inhabituelles qui ne correspondent pas au comportement normal, ce qui peut indiquer soit un motif d’incendie non courant, soit un capteur défaillant. L’équipe a aussi analysé les moments de la journée où les incidents ont tendance à se produire, identifiant des plages horaires qui pourraient nécessiter une surveillance renforcée.

Vers une agriculture plus intelligente et résiliente

En combinant du matériel peu coûteux, un traitement local des données et des méthodes d’apprentissage automatique judicieusement choisies, le système proposé offre aux agriculteurs un outil d’alerte précoce pratique contre les incendies. Il ne dépend pas de liens Internet rapides ni de grands centres de données, ce qui le rend adapté aux régions agricoles éloignées. Les résultats suggèrent que de tels systèmes embarqués et intelligents peuvent réduire significativement le risque de dommages par le feu, renforcer la sécurité de la production alimentaire et aider les exploitations à s’adapter au climat changeant. Avec des améliorations futures — comme davantage de capteurs environnementaux, des algorithmes améliorés et éventuellement l’alimentation solaire — cette approche pourrait évoluer vers une plateforme plus large de sécurité des exploitations et de gestion des ressources protégeant à la fois les cultures et l’environnement alentour.

Citation: Morchid, A., Elbasri, A., Qjidaa, H. et al. Intelligent fire detection in agriculture using machine learning and embedded systems for risk prevention and improved sustainability. Sci Rep 16, 9773 (2026). https://doi.org/10.1038/s41598-026-40378-w

Mots-clés: agriculture intelligente, détection d’incendie, apprentissage automatique, systèmes embarqués, durabilité rurale