Un cadre GeoAI explicable pour l’évaluation spatiale de la susceptibilité aux incendies de forêt dans le sous-bassin supérieur du Ravi, Himalaya indien

Pourquoi les incendies dans l’Himalaya nous concernent tous

On imagine souvent les feux de forêt dans des paysages arides occidentaux, pourtant certains des risques d’incendie qui évoluent le plus rapidement se trouvent aujourd’hui dans les montagnes himalayennes de l’Inde. Ces forêts stockent l’eau, rafraîchissent le climat et soutiennent des centaines de milliers de personnes. Lorsqu’elles brûlent, maisons, faune et même les neiges et cours d’eau distants sont affectés. Cette étude porte sur une région de ce type — le sous-bassin supérieur du Ravi dans l’Himachal Pradesh — et montre comment des outils de cartographie modernes et l’intelligence artificielle peuvent révéler où les futurs feux de forêt sont les plus susceptibles de démarrer et de se propager, offrant aux communautés une chance d’agir avant la catastrophe.

Une vallée de montagne sous une pression croissante liée aux incendies

Le sous-bassin supérieur du Ravi est un paysage himalayen escarpé s’étendant des contreforts subtropicaux jusqu’à des hauteurs quasi-arctiques. Ses forêts subissent de plus en plus de stress dû à des températures plus élevées, des périodes sèches plus longues et des activités humaines telles que la construction de routes, le tourisme et l’expansion des villages. Les aiguilles de pin qui s’accumulent sur le sol forestier forment un tapis très inflammable pendant la saison sèche, de février à juin. Ces dernières années, l’Himachal Pradesh a enregistré certains des nombres d’incidents d’incendie les plus élevés en Inde, avec des feux menaçant à la fois des pentes isolées et des vallées habitées. Dans ce contexte, les auteurs ont entrepris d’élaborer une « carte de susceptibilité » détaillée montrant quelles parties du bassin sont plus ou moins susceptibles de connaître des incendies de forêt.

Transformer satellites et cartes en image du risque d’incendie

Pour créer cette carte, l’équipe a combiné de nombreuses sources d’information différentes. Les données satellitaires ont fourni des détails sur l’occupation du sol, la santé de la végétation, les précipitations, la température, l’humidité du sol et le vent. Les modèles d’altitude ont rendu compte de la pente et de la rugosité du terrain, tandis que des projets de cartographie ouverts ont fourni les emplacements des routes, des villages, des lieux de culte et des sites touristiques. Depuis le système de détection des incendies de la NASA, ils ont compilé plus de vingt ans de localisations d’incendies passés. Au total, ils ont sélectionné seize « facteurs de conditionnement » susceptibles d’aider ou d’entraver les incendies — de l’inclinaison de la pente et la vitesse du vent à la distance par rapport aux villages et aux routes. Chaque point du paysage a été décrit par ces facteurs et étiqueté comme brûlé ou non brûlé dans les archives historiques, constituant la matière première pour l’apprentissage informatique.

Demander à une équipe d’algorithmes de se mettre d’accord

Plutôt que de s’appuyer sur un seul modèle statistique, les chercheurs ont entraîné plusieurs méthodes avancées d’apprentissage automatique spécialisées dans la découverte de motifs dans des données complexes. Cela incluait des approches populaires basées sur les arbres comme Random Forest, XGBoost, LightGBM et CatBoost. Enfin, ils les ont combinées dans une approche de « stacking », où un modèle simple apprend à mieux mélanger les forces des quatre. Testées sur des données indépendantes, toutes les méthodes ont pu distinguer assez bien les zones propices aux incendies des zones plus sûres, mais le modèle empilé a donné les meilleurs résultats, les séparant correctement la plupart du temps. Son succès suggère qu’un comité d’algorithmes divers peut mieux saisir les influences entremêlées du climat, du relief et des activités humaines sur le comportement des incendies en montagne.

Regarder à l’intérieur de la boîte noire de l’intelligence artificielle

Aussi puissants soient-ils, ces modèles sont souvent critiqués pour leur opacité. Pour y remédier, les auteurs ont utilisé une technique d’explicabilité qui estime dans quelle mesure chaque facteur pousse la prédiction vers un risque d’incendie plus élevé ou plus faible. Les résultats ont mis en évidence un groupe clair de facteurs dominants. Des températures de l’air plus chaudes et des sols plus secs augmentent la susceptibilité, tandis qu’une humidité du sol et une humidité relative plus élevées la réduisent. Les lieux plus proches des villages présentaient un risque plus élevé, soulignant le rôle des allumages d’origine humaine. Les pentes raides et certaines orientations de versant comptaient aussi, car elles influencent la vitesse de dessèchement des combustibles et la montée des flammes. En bref, le modèle a fait écho à l’intuition physique : terrain chaud, sec et pentu près des populations est là où les problèmes sont les plus susceptibles d’apparaître.

Vérifier la stabilité réelle des réponses

Tout modèle n’est fiable qu’au regard de ses entrées, lesquelles peuvent être incertaines en raison d’erreurs de mesure ou d’un climat changeant. Pour tester la stabilité, les chercheurs ont « secoué » à plusieurs reprises leurs données d’entrée dans une fourchette réaliste et ont relancé le modèle des milliers de fois, une technique connue sous le nom de simulation de Monte Carlo. Ils ont aussi appliqué une méthode de sensibilité globale qui mesure dans quelle mesure chaque facteur — seul et en combinaison avec d’autres — contribue aux variations du risque prédit. Ces deux contrôles ont pointé l’humidité du sol et la température comme ingrédients les plus influents, suivis par les précipitations et l’humidité. Même lorsque les entrées étaient légèrement modifiées, la performance du modèle ne chutait que faiblement, suggérant que ses conclusions principales sont robustes plutôt que de simples coïncidences fragiles.

Une vision plus claire des endroits où les incendies peuvent frapper ensuite

En superposant tous ces enseignements, l’étude conclut qu’environ un cinquième du sous-bassin supérieur du Ravi se situe en zone de susceptibilité élevée ou très élevée aux incendies de forêt, principalement sur des pentes raides et sèches proches des routes et des habitations. Pour les responsables locaux, cette carte est plus qu’un produit académique : elle met en lumière où concentrer la surveillance précoce, la gestion des combustibles et les actions de sensibilisation du public. Pour le lecteur non spécialiste, le message clé est simple. Dans cette vallée himalayenne, la combinaison de chaleur, de sécheresse et de présence humaine prépare discrètement certaines pentes à brûler. Des outils qui mêlent satellites, algorithmes intelligents et explications claires peuvent aider à transformer ce schéma caché en actions pratiques — avant l’arrivée de la prochaine saison d’incendies sévères.

Citation: Suheb, Nawazuzzoha, M., Ali, M.S. et al. An explainable GeoAI framework for spatial assessment of wildfire susceptibility in the Upper Ravi sub-basin, Indian Himalaya. Sci Rep 16, 11662 (2026). https://doi.org/10.1038/s41598-026-46924-w

Mots-clés: susceptibilité aux incendies de forêt, forêts himalayennes, apprentissage automatique, humidité du sol, climat et incendie