Microsoft fait don de 5 millions de dollars pour soutenir la surveillance des incendies de forêt en Californie par l'IA

fr.wedoany.com Rapport : Face à la menace croissante des incendies de forêt, le système ALERTCalifornia, créé par l'Université de Californie à San Diego, a introduit la surveillance par caméras IA dans la prévention et le contrôle des incendies, permettant de détecter les feux jusqu'à 2,5 heures plus tôt que le premier appel au 911. Le laboratoire AI for Good de Microsoft apporte un soutien financier et technique pour la prochaine phase d'expansion de ce système.

Le risque d'incendies de forêt aux États-Unis augmente avec la hausse des températures, la sécheresse persistante et l'expansion des zones de développement. L'année dernière, près de 78 000 incendies de forêt ont été signalés dans le pays, soit une augmentation de 20 % par rapport à l'année précédente. En Californie, le feu a longtemps contribué à façonner les paysages forestiers, de prairies et côtiers ; la difficulté actuelle de gestion se concentre sur la manière dont les communautés peuvent coexister avec le feu.

Au cours des dernières décennies, la détection des incendies de forêt reposait généralement sur les signalements des citoyens après avoir aperçu de la fumée depuis les routes, les points d'observation ou à proximité des communautés. ALERTCalifornia, créé par l'Université de Californie à San Diego, a transformé ce processus : environ 1 300 caméras sont déployées dans les zones sujettes aux incendies, et le système utilise l'IA pour comparer les images en temps réel sous différents angles de caméra afin de vérifier l'emplacement des foyers et d'envoyer des alertes aux équipes d'intervention en quelques minutes. Au cours des deux premiers mois d'essai, le système a détecté 77 incidents avant qu'ils ne soient signalés par d'autres canaux ; il traite actuellement plus de 7 millions d'images par jour et peut identifier les incendies de forêt jusqu'à 2,5 heures plus tôt que le premier appel au 911.

Le système a également pour mission de distinguer les vrais incendies des nuages, du brouillard et des variations de lumière, afin de réduire les fausses alertes qui gaspillent les ressources d'urgence. Le Dr Neal Driscoll, géophysicien et fondateur d'ALERTCalifornia, a déclaré que chaque incendie a le potentiel de devenir incontrôlable, et que l'équipe cherche à résoudre le problème de l'empêcher de devenir incontrôlable.

L'IA ne remplace pas le jugement sur le terrain des pompiers, mais fournit avant leur arrivée des vues multi-angulaires de l'emplacement du foyer et de son évolution probable, aidant les répartiteurs à décider de la réponse appropriée et à déterminer s'il s'agit d'un brûlage dirigé ou d'un nouvel incendie. Selon les données d'Earth.Org, un incendie de forêt nécessite la combinaison d'une végétation sèche, d'air riche en oxygène et d'une source de chaleur ; les vents forts accélèrent la propagation ; la foudre est la principale source naturelle d'ignition, et des éclairs plus chauds et plus durables sont plus susceptibles de déclencher des incendies ; une étude de 2014 a révélé que pour chaque augmentation de 1 degré Celsius de la température, la fréquence de la foudre peut augmenter de 12 % ; plus de 80 % des incendies de forêt aux États-Unis sont liés aux activités humaines, qui représentent environ 84 % des incendies de forêt américains ; la fumée des incendies contient des gaz et des particules fines qui peuvent se propager sur de longues distances et pénétrer profondément dans les poumons, augmentant les risques pour la santé respiratoire et cardiovasculaire ; le changement climatique a prolongé la saison des incendies aux États-Unis d'environ quatre mois à six à huit mois, voire plus ; les incendies de forêt à grande échelle libèrent des gaz à effet de serre et détruisent la végétation stockant le carbone, créant une boucle de rétroaction qui aggrave le changement climatique.

Les cas passés démontrent le rôle de la détection précoce. En 2023, les caméras et l'IA d'ALERTCalifornia ont aidé les pompiers à maîtriser rapidement l'incendie de Trotter Fire dans le comté de Kern, qui a brûlé 52 acres ; le projet indique que sans la technologie d'imagerie IA, cet incendie aurait pu s'étendre à près de 4 000 acres. Lors de l'incendie de Kincade Fire dans le comté de Sonoma en 2019, des alertes plus précoces ont soutenu la planification des évacuations : plus de 180 000 résidents ont été évacués sans aucun décès. Juan Lavista Ferres, vice-président d'entreprise et scientifique principal des données du laboratoire AI for Good de Microsoft, a déclaré que si l'on peut détecter un incendie suffisamment tôt, une pelle suffit à l'éteindre ; si l'on attend, il faut des bulldozers, des avions-citernes, voire un miracle.

Microsoft soutient la prochaine phase d'ALERTCalifornia avec un don de 5 millions de dollars, dont 2 millions pour le développement technologique et 3 millions sous forme de crédits pour les services cloud Azure. Zachary Wells, chef adjoint des pompiers du comté de Kern et directeur adjoint des opérations d'ALERTCalifornia, a déclaré que le système obtient une grande quantité d'informations dans les cinq premières minutes, et que cette compréhension précoce influence tout ce qui suit.

Au-delà de la détection, ALERTCalifornia utilise également près de 98 000 milles carrés de données LiDAR pour construire un modèle numérique du paysage californien, destiné à la cartographie topographique, au suivi de la santé des forêts et à l'évaluation des risques de catastrophes tels que les glissements de terrain. Ces capacités sont particulièrement importantes après les incendies, car les paysages endommagés sont plus vulnérables à l'érosion, aux coulées de boue et aux modifications des bassins versants. Combinée à la surveillance environnementale, l'imagerie IA peut soutenir le renforcement de la résilience avant, pendant et après les incendies de forêt.

Dans une stratégie plus large d'IA environnementale, le laboratoire AI for Good de Microsoft mène également une série de projets. Aurora forecasting s'appuie sur un modèle de base d'IA à 1,3 milliard de paramètres pour analyser les données atmosphériques, améliorant les prévisions météorologiques et climatiques, et soutenant la prévision météorologique, la modélisation de la qualité de l'air et l'analyse des phénomènes météorologiques extrêmes ; le projet géospatial d'apprentissage automatique, en collaboration avec des universités, des organisations de conservation, des ONG et la Présidence de la gestion des catastrophes et des urgences du ministère de l'Intérieur turc, combine des données géospatiales, des images satellites et aériennes avec l'apprentissage automatique pour l'évaluation des dommages aux bâtiments après les séismes, la cartographie des glaciers et de la couverture terrestre, la cartographie des élevages de volailles et la surveillance des énergies renouvelables.

Le projet de cartographie des glaciers utilise l'apprentissage automatique et l'imagerie satellitaire pour identifier et surveiller les glaciers propres et ceux couverts de débris dans la région de l'Hindu Kush-Himalaya, et fournit des outils en ligne permettant aux experts d'examiner et de corriger les prédictions du modèle ; le projet de cartographie des énergies renouvelables utilise l'apprentissage automatique géospatial pour cartographier et surveiller à grande échelle le développement des énergies renouvelables ; le projet d'acoustique biologique, en collaboration avec des institutions telles que l'Institut Humboldt, mène le projet Guacamaya d'identification des espèces en Amazonie, tout en soutenant la surveillance des bélugas et la classification automatique des chants d'oiseaux et de cris d'amphibiens ; le projet d'accélération des inventaires de biodiversité, en partenariat avec NOAA Fisheries, Sieve Analytics et LILA BC, analyse les images et l'audio provenant de pièges photographiques, de caméras aériennes et de microphones afin de réduire l'annotation manuelle ; le projet de cartographie de la couverture terrestre utilise la vision par ordinateur pour transformer les données de télédétection en informations sur l'utilisation et la couverture des terres, réduisant ainsi le temps de cartographie manuelle pour les scientifiques de l'environnement.