Évaluation de la dynamique spatiotemporelle des incendies de forêt dans le sud de la France : Une approche basée sur l'analyse géospatiale et l'apprentissage automatique

Assessing spatiotemporal forest fire dynamics in southern France : A geospatial and machine learning approach

• Auteur / Autrice : Christos Bountzouklis
• Direction : Dennis Fox, Éléna Di Bernardino
• Type : Thèse de doctorat
• Discipline(s) : Géographie
• Date : Soutenance le 05/07/2023
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sociétés, humanités, arts et lettres (Nice ; 2016-....)
• Partenaire(s) de recherche : Laboratoire : Étude des structures, des processus d'adaptation et des changements de l'espace. UMR 7300 (Nice ; 2012-)
• Jury : Président / Présidente : Étienne Cossart
• Jury : Examinateurs / Examinatrices : Marielle Jappiot
• Jury : Rapporteurs / Rapporteuses : Étienne Cossart, Lea Wittenberg

Mots clés

Mots clés contrôlés

Géomatique

France (sud)

Forêts -- Incendies

Mots clés libres

Feux de forêt

Géomatique

Analyse géospatiale

Apprentissage automatique

Modèles spatiotemporels

Forest Fires

Geomatics

Geospatial analysis

Machine Learning

Spatiotemporal patterns

Résumé

Les incendies de forêt constituent une menace significative pour les écosystèmes et le bien-être humain à l'échelle mondiale, notamment dans la région méditerranéenne, où les étés chauds et secs favorisent l'allumage et la propagation des feux. La saison des incendies de 2022 a été la deuxième plus sévère en termes de superficie brûlée et de nombre d'incendies en Europe depuis 2006. Les sécheresses récurrentes et les températures plus élevées, dans un contexte de changement climatique, devraient augmenter de 200% la superficie brûlée dans la région méditerranéenne d'ici 2090. L'analyse géospatiale est une approche puissante qui permet de mieux comprendre les interactions complexes, les relations, les schémas et les tendances entre les phénomènes spatiaux, ce qui éclaire finalement une meilleure prise de décision et la résolution des problèmes. De plus, l'apprentissage automatique (AA) est devenu un outil précieux dans la science des incendies de forêt, mais son efficacité dépend de la disponibilité d'ensembles de données étendus et de haute qualité. Les relations spatiales entre les incendies et l'environnement évoluent avec le temps en raison du changement climatique et des pratiques de gestion des incendies. La cartographie des schémas spatiaux et des principales forces motrices qui influencent la distribution des incendies fournit des informations précieuses aux agences de protection civile. Bien que la suppression des incendies soit souvent priorisée, la prévention, l'atténuation et la préparation communautaire sont des composantes cruciales de la gestion des incendies de forêt. De plus, une prévention ciblée des incendies de forêt nécessite de comprendre et de documenter les causes des incendies de forêt. Cependant, un pourcentage important d'incendies de cause inconnue est observé à la fois en Europe et en France. Cette thèse examine l'évolution spatiotemporelle des zones brûlées dans le sud de la France sur une période de 50 ans (1970-2019) ; elle se concentre sur les interactions avec la topographie et les types de végétation en utilisant des bases de données d'incendies. Les résultats sont divisés en deux périodes de 25 ans suite à la nouvelle politique de suppression des incendies en 1994. Au cours des 25 dernières années, la superficie brûlée a considérablement diminué et la répartition géographique des incendies a changé, surtout dans les régions à risque élevé. Les versants orientés au sud sont devenus plus propices aux incendies, tandis que les faibles inclinaisons de pente étaient évitées après 1994. La majorité des zones brûlées étaient fortement associées aux groupements de maquis, qui sont très sensibles aux incendies et s'étendent avec le temps. De plus, cette thèse présente un modèle basé sur l'AA qui utilise un cadre explicatif pour prédire la cause des départs de feu dans le sud de la France en se basant sur des caractéristiques environnementales et anthropiques. Les résultats montrent que les incendies peuvent être prédits avec des niveaux de précision variables : les incendies naturels ont la plus grande précision (score F1 de 0,87) par rapport aux incendies d'origine humaine tels que les accidents (score F1 de 0,74) et les incendies criminels (score F1 de 0,64). Les propriétés spatiotemporelles et les caractéristiques topographiques sont les plus importantes pour classifier les incendies de cause inconnue dans la région étudiée. En utilisant des bases de données d'incendies étendues, des analyses avancées de données géospatiales et des techniques d'AA, cette étude démontre comment les approches géospatiales peuvent quantifier les tendances spatio-temporelles des incendies dans un paysage et comment les techniques d'AA peuvent combler les lacunes dans la compréhension des causes d'allumage des incendies. Cela souligne également la nécessité d'une meilleure collecte harmonisée de données, qui renforcera la puissance des techniques d'AA pour fournir des informations utiles dans la gestion des terres.

Forest fires pose a significant threat to ecosystems and human welfare globally, especially in the Mediterranean region, where hot dry summers facilitate fire ignition and propagation. The fire season of 2022 was the second most severe in terms of burned area and number of fires in Europe since 2006. Recurrent droughts and higher temperatures in a context of climate change are expected to increase burned area by 200% in the Mediterranean region by 2090. Geospatial analysis is a powerful approach that enables a deeper understanding of the complex interactions, relationships, patterns, and trends between spatial phenomena, ultimately informing better decision-making and problem-solving. In addition, Machine Learning (ML) has emerged as a valuable tool in wildfire science, but its effectiveness depends on the availability of extensive, high-quality datasets. Spatial relationships between fire activity and environmental factors change over time due to climate change and fire management practices. Mapping spatial patterns and the primary driving forces impacting fire distribution provides valuable insights for civil protection agencies. Although fire suppression is often prioritized, prevention, mitigation, and community preparedness are crucial components of wildfire management. In addition, targeted wildfire prevention necessitates understanding and documenting forest fire causes, however, there is a substantial percentage of unknown-caused fires both in Europe and in France. This Ph.D. thesis examines the spatiotemporal evolution of burned areas in southern France over a 50-year period (1970-2019) ; it focuses on the interactions with topography and vegetation types using fire geodatabases. Results are divided into two 25-year periods due to the implementation of a new fire suppression policy in 1994. In the last 25 years, the burned area significantly decreased, and the geographic distribution of fires changed, particularly in regions with large fires. South-facing slopes became more fire-prone in the second period, whereas low slope inclinations were increasingly avoided after 1994. The majority of burned areas were strongly associated with the location of sclerophyllous vegetation clusters (shrublands), which are highly fire-prone and expand over time.Furthermore, this thesis presents an ML-based model that uses an explainable framework to predict the cause of fire ignitions in southern France based on environmental and anthropogenic features. Results indicate that the source of fires can be predicted with varying accuracy levels: natural fires have the highest accuracy (F1-score 0.87) compared to human-caused fires such as accidental (F1-score 0.74) and arson (F1-score 0.64). Spatiotemporal properties and topographic characteristics are deemed the most important features for determining the classification of unknown-caused fires in the study area.By leveraging large fire geodatabases, advanced geospatial data analysis, and ML techniques, this research demonstrates how geospatial approaches can quantify spatio-temporal trends in fire dynamics in a landscape and how ML techniques can be effectively used to fill gaps in fire ignition causes. It also underscores the need for better and more harmonized collection of data as this is a key component that will enhance the power of ML techniques in providing useful information for land management strategies.