Accélérer la cartographie de l’aléa des feux de forêts au Canada grâce à l’IA
Un modèle d’intelligence artificielle (IA) accélère la cartographie nationale de l'aléa d'incendie de plusieurs mois à quelques heures pour contribuer à la prévention.
Contexte
Au Canada, les saisons de feux de forêt s'allongent et s'intensifient, marquant quatre années consécutives au-dessus de 4 millions d'hectares brûlés, avec un sommet de 15 millions d'hectares en 2023. Face à cette nouvelle réalité, les mesures préventives et l’aménagement du territoire sont devenus urgents et plus critiques. Pour cela, Ressources naturelles Canada (RNCan) cartographie l’aléa d’incendies de feux de forêt à l’échelle nationale grâce au simulateur canadien BurnP3+. Cependant, le cadre de simulation est si lourd en calculs qu'il faut plusieurs jours pour cartographier une seule région au Canada. Il a donc fallu plus d’un an à RNCan pour produire la carte de 2026, rendant les mises à jour fréquentes irréalistes avec le cadre actuel.
À propos du projet
L’équipe de recherche appliquée de Mila et les scientifiques de RNCan ont collaboré pendant plus d’un an pour développer un modèle d'IA de substitution qui émule le processus de BurnP3+, atteignant une vitesse d'exécution 800 à 3 400 fois plus rapide. Capable de reconnaître les patrons spatiaux complexes du territoire, il permet aux analystes d’évaluer en quelques secondes des milliers de scénarios selon la météo, la topographie et les végétaux, et ce, avec une grande fidélité à BurnP3+.
Objectifs
Le projet vise à réduire considérablement les délais et les coûts de calcul nécessaires pour cartographier l'aléa de feux de forêt à l'échelle régionale et nationale.
De façon plus large, cet outil permet aux provinces, municipalités et partenaires industriels de planifier de manière proactive les mesures préventives contre les feux de forêt, la gestion des combustibles et les investissements en aménagement du territoire. À long terme, le projet vise à renforcer la souveraineté canadienne en matière de planification face aux risques climatiques. Finalement, la méthodologie, le code développé et le modèle d'IA sont en libre accès afin de permettre à la recherche de progresser sur ce type de problématique et de l'appliquer à d'autres pays ou à d'autres domaines de la gestion des risques environnementaux.
Découvrez l'équipe
Membres de Mila
Ressources
Code et modèle
AI Surrogate Wildfire Risk Mapping
Consulter le document
https://github.com/milatechtransfer/AISurrogate_wildfireriskmapping
Partenaire
Foire aux questions
Qui utilisera le modèle d'IA ?
Toutes les personnes utilisatrices de BurnP3+ à travers le Canada peuvent utiliser le modèle. Cela inclut les équipes de RNCan, les agences gouvernementales, ainsi que de nombreux autres acteurs de l'industrie où la modélisation des feux de forêt est critique.
Quelle est la précision du modèle d'IA ?
Selon nos métriques d'évaluation, nos analyses de sensibilité contrefactuelle validées par les experts en feux de forêt de RNCan et les évaluations sur d'autres études régionales, le modèle d'IA fournit une approximation de BurnP3+ suffisamment précise et robuste, compte tenu de l'accélération extraordinaire qu'il offre.
Que signifie l'accélération en pratique pour la gestion des feux de forêt ?
Les simulations standard de BurnP3+ sont très lourdes en calculs, nécessitant près de deux jours (38,9 heures), 32 cœurs de processeur (CPU) et plus de ~101 Go de mémoire vive (RAM) pour cartographier une seule région de 130 000 km² au Canada. Le modèle d'IA de substitution de Mila effectue une évaluation de bout en bout de cette même région en quelques secondes :
- Sur du matériel CPU standard : prend ~174 secondes en n'utilisant que ~13 Go de mémoire.
- Sur du matériel GPU : prend ~41 secondes en utilisant 37 Go de mémoire.
En pratique, cela transforme la modélisation des feux de forêt : d'un traitement par lots exécuté de nuit, elle devient un outil de prise de décision interactif et en temps réel.
Le modèle d'IA peut-il être étendu à de nouvelles régions ou à de nouveaux jeux de données ?
Les scientifiques de Mila ont développé un cadre de modélisation de substitution par IA, plutôt qu'un modèle unique. Le modèle d'IA de substitution national est une application de ce cadre. Par conséquent, Mila fournit a) le cadre pour entraîner, évaluer, affiner et déployer systématiquement des modèles de substitution d'apprentissage profond dans de nouvelles régions géographiques au Canada, et b) une suite de métriques spécifiques au domaine, accompagnée de protocoles d'évaluation contrefactuelle conçus pour tester la généralisation spatiale et les réponses aux interventions hors du jeu de données.
Y a-t-il des risques de mauvaise interprétation ou de résultats inexacts ?
Le modèle d'IA fonctionne davantage comme une émulation plutôt que de créer de nouvelles données. Étant donné que le modèle d'IA a été entraîné sur les résultats existants de BurnP3+, les risques sont très faibles.
Quelles sont les prochaines étapes de ce projet ?
Le prochain objectif est de diffuser l'outil auprès de la communauté d'utilisateurs de BurnP3+ et de continuer à effectuer plusieurs tests pour exploiter pleinement ses capacités et comprendre ses limites opérationnelles.