Soutenance de thèse / Christos BOUNTZOUKLIS

Christos BOUNTZOUKLIS soutiendra sa thèse de doctorat le mercredi 5 juillet 2023, à 10h00 à l’IMREDD (salle 1-170), à Nice, en présentiel.

Évaluation de la dynamique spatiotemporelle des incendies de forêt dans le sud de la France

Ce travail a été réalisé sous la direction de Dennis Fox, Professeur à l’Université Côte d’Azur, et co-encadré par Elena Di Bernardino, Professeure à l’Université Côte d’Azur.

Le jury sera composé de :

• Étienne Cossart, Professeur, Université Jean Moulin Lyon 3 (Rapporteur)
• Léa Wittenberg, Professeure, University of Haifa, Israël (Rapportrice)
• Marielle Jappiot, Ingénieure de Recherche, INRAe (Examinatrice)
• Dennis Fox, Professeur, Université Côte d’Azur (Directeur de thèse)
• Elena Di Bernardino, Professeure, Université Côte d’Azur (Co-encadrante)

Résumé :

Les incendies de forêt représentent une menace significative pour les écosystèmes et le bien-être humain à l’échelle mondiale, en particulier 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 grave en termes de superficie brûlée et de nombre d’incendies en Europe depuis 2006. Le changement climatique exacerbe cette situation, augmentant les conditions sèches et les températures élevées, ce qui pourrait entraîner une augmentation de 200 % de la superficie moyenne annuelle brûlée dans la région méditerranéenne d’ici 2090.

L’analyse géospatiale est une approche puissante qui permet une compréhension plus approfondie des interactions, relations, modèles et tendances entre les phénomènes spatiaux, informant finalement une meilleure prise de décision et résolution de problèmes. De plus, l’apprentissage automatique (Machine Learning, ML) est apparu comme un outil précieux dans la science des feux de forêt, mais son efficacité dépend de la disponibilité de jeux de données étendus et de haute qualité.

Les relations spatiales entre l’activité des feux et les facteurs environnementaux changent avec le temps en raison du changement climatique, des modifications des biomes et des pratiques de gestion des feux. La cartographie des modèles spatiaux et des forces motrices principales qui influencent la distribution des feux offre des informations précieuses pour les agences de protection civile, leur permettant de mieux allouer les ressources et de mettre en œuvre des mesures de prévention efficaces. Bien que la suppression des incendies soit souvent priorisée, la prévention, l’atténuation et la préparation de la communauté sont des composants cruciaux de la gestion des feux de forêt. La prévention ciblée des incendies de forêt nécessite de comprendre et de documenter les causes des feux de forêt, cependant, il existe un pourcentage important d’incendies d’origine inconnue en Europe et en France.

Cette thèse de doctorat examine l’évolution spatiotemporelle des zones brûlées dans le sud de la France sur une période de 50 ans (1970-2019), en se concentrant sur les interactions avec la topographie et les types de végétation en utilisant des bases de données géospatiales sur les feux. Les résultats sont divisés en deux périodes de 25 ans en raison de la mise en œuvre d’une nouvelle politique de lutte contre les incendies en 1994. Au cours des 25 dernières années, la superficie brûlée a considérablement diminué et la répartition géographique des incendies a changé, en particulier dans les régions où les feux sont importants. Les pentes orientées vers le sud sont devenues plus propices aux feux dans la deuxième période, tandis que les faibles inclinaisons de pente ont été de plus en plus épargnées après 1994. La majorité des zones brûlées étaient fortement associées à l’emplacement des grappes de végétation sclérophylle, qui sont très sensibles au feu et s’étendent avec le temps.

De plus, cette thèse présente un modèle basé sur l’apprentissage automatique (ML) qui utilise un cadre explicatif pour prédire la cause des départs de feu dans le sud de la France en fonction des caractéristiques environnementales et anthropiques. Les résultats indiquent que la source des incendies peut être prédite avec des niveaux de précision variables ; les feux naturels ont la plus grande précision par rapport aux feux causés par l’homme, tels que les accidents et les incendies criminels. Les propriétés spatiotemporelles et les caractéristiques topographiques sont considérées comme les caractéristiques les plus importantes pour déterminer la classification des incendies d’origine inconnue dans la zone d’étude.

En exploitant de grandes bases de données sur les feux, des analyses de données géospatiales avancées et des techniques de ML, cette recherche améliore la compréhension de la dynamique des incendies et l’allocation efficace des ressources et des stratégies de prévention de la gestion des feux de forêt, atténuant ainsi les impacts sur le bien-être humain et les écosystèmes dans le sud de la France.

Mots clefs :  

Feux de forêt, Géomatique, Analyse geospatiale, Apprentissage automatique, Modèles spatiotemporels

---

Assessing Spatio-Temporal Forest Fire Dynamics in Southern France Using Geospatial and Machine Learning Approaches

Abstract:

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, biome alterations, and fire management practices. Mapping spatial patterns and the primary driving forces impacting fire distribution provides valuable insights for civil protection agencies, enabling them to better allocate resources and implement effective prevention measures. 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 compared to human-caused fires such as accidental and arson. 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.

Keywords:

Forest Fires, Geomatics, Geospatial analysis, Machine learning, Spatiotemporal patterns

---

---