L’intelligence artificielle peut-elle prédire la pollution des incendies de forêt ?

Face à l’augmentation des incendies de forêt et de la pollution atmosphérique qui en résulte, des chercheurs se tournent vers l’intelligence artificielle pour améliorer la précision des prévisions. Cette technologie pourrait aider à protéger l’environnement et la santé humaine.

En raison de l’augmentation des températures et des sécheresses, les incendies de forêt graves sont en hausse à travers le monde, tout comme les contaminants transportés par la fumée qui nuisent à l’environnement et à la santé humaine. En 2023, le Canada a connu sa pire saison d’incendies de forêt, avec des feux qui ont libéré plus de 290 millions de tonnes de carbone dans l’atmosphère. La Californie a également connu des saisons d’incendies record en 2020 et 2021.

Les effets secondaires de cette pollution vont de l’irritation à la mort. La fumée des incendies de forêt canadiens a dérivé jusqu’au Portugal et à l’Espagne, et a déclenché des alertes de qualité de l’air dans les villes à travers les États-Unis et le Canada, infligeant des yeux qui piquent, des nez bouchés et une respiration laborieuse à des millions de personnes.

Les Instituts nationaux de la santé estiment que la pollution de l’air est responsable de 6,5 millions de décès chaque année dans le monde.

L’intelligence artificielle pour une meilleure compréhension de la pollution atmosphérique

« Nous savons que des niveaux dangereux de qualité de l’air représentent une menace significative, mais comme l’exposition se produit lentement, au fil du temps, il est plus difficile de la quantifier », a indiqué Marisa Hughes, responsable de l’intelligence climatique au Laboratoire de physique appliquée de Johns Hopkins (APL) à Laurel, Maryland, et assistante de gestion du programme Intelligence humaine et machine.

Et d’ajouter : « Un modèle plus précis et de plus haute résolution peut aider à protéger les populations en leur fournissant des informations sur la qualité de l’air au fil du temps afin qu’elles puissent mieux planifier à l’avance. »

Prévision météorologique intelligente

Pour mieux comprendre où les polluants de la fumée vont se déplacer et quand, les chercheurs de l’APL et de l’Administration nationale océanique et atmosphérique (NOAA) utilisent l’intelligence artificielle pour simuler des modèles atmosphériques.

Cette famille de projets de l’APL aidera finalement les prévisionnistes à fournir des prédictions plus précoces, de plus haute résolution et plus précises des mouvements et de l’évolution des menaces pour la qualité de l’air, comme les panaches de fumée d’incendie de forêt.

Les défis de la prévision météorologique actuelle

Les méthodes actuelles de prévision météorologique reposent sur des modèles, dans lesquels d’énormes quantités de données – telles que la composition atmosphérique, la température et la pression de l’air – sont calculées dans des équations complexes qui suivent les lois de la physique, de la chimie et du transport atmosphérique et produisent des simulations d’événements météorologiques futurs.

Le temps que chaque modèle prédit est appelé un pas de temps ; pour prédire plus loin dans le futur, pour plusieurs pas de temps, les modèles ont besoin de plus de puissance de calcul, de données et de temps pour analyser toutes les variables.

L’IA pour améliorer la vitesse et la précision des prévisions

« Dans notre cas, les modèles examinent le mouvement de près de 200 polluants différents dans l’atmosphère pour chaque pas de temps, séquentiellement. Cela représente environ 40% de leur calcul », a précisé l’investigatrice principale Jennifer Sleeman, une chercheuse senior en IA à l’APL.

« Et puis ils doivent aussi considérer comment ces produits chimiques interagissent les uns avec les autres et comment ils se décomposent – la chimie représente environ 30% du calcul. Il faut une quantité significative de puissance de calcul pour effectuer la prévision de la qualité de l’air avec toutes les variables utilisées. »

Lorsqu’il s’agit de prévision, une seule exécution du modèle ne suffit pas. Les chercheurs utilisent une technique appelée modélisation d’ensemble, dans laquelle ils exécutent de quelques à des centaines de variations de modèles pour tenir compte des changements possibles de conditions – comme une vague de froid ou un système de pression entrant – et utilisent la moyenne de ces variations pour la prévision.

« Exécuter un modèle est un défi computationnel – alors imaginez exécuter plus de 50 modèles. Dans certains cas, cela n’est tout simplement pas faisable en raison du coût et de la disponibilité de calcul », a indiqué Jennifer Sleeman.

C’est là que la méthode assistée par l’IA de l’APL améliore la vitesse et la précision de la prévision. L’équipe a développé des modèles d’apprentissage profond qui simulent des ensembles tout en utilisant moins de pas de temps d’entrée plus courts.

« La quantité de calcul que nous pourrions économiser avec nos réseaux est énorme », a conclu Jennifer Sleeman. « Nous accélérons les choses parce que nous demandons aux modèles de calculer des pas de temps plus courts, ce qui est plus facile et plus rapide à faire, et nous utilisons l’émulateur d’apprentissage profond pour simuler ces ensembles et tenir compte des variations des données météorologiques. »

Légende illustration : « Ces dernières années, des incendies de forêt d’une ampleur record ont libéré des millions de contaminants dans l’air, déclenchant des alertes à la qualité de l’air dans tout le pays. L’APL utilise l’intelligence artificielle (IA) pour accélérer les prévisions en matière de qualité de l’air et, à terme, mieux comprendre comment et où ces polluants se déplaceront.