Avis de Soutenance de Thèse de Doctorat présentée par : MHARZI ALAOUI Hicham

AVIS DE SOUTENANCE

 DE THESE DE DOCTORAT

 

Présentée par :              Monsieur MHARZI ALAOUI Hicham

Domaine :                    Sciences et ingénierie géodésiques, géoinformatiques, de l'aménagement, de l'eau et des procédés alimentaires

Unité de Recherche :      Technologies de l’espace au service du développement territorial, de la gestion des ressources naturelles et du suivi de l’environnement.

Intitulé de la thèse :       Modélisation prédictive du risque saisonnier des incendies de forêts et du comportement du feu en forêts méditerranéennes - Cas de la région du Rif au nord du Maroc

 

Membres du jury :

Pr Mohamed ROUCHDI, IAV Rabat (Directeur de thèse)

Pr Driss TAHIRI, IAV Rabat (Membre du comité de thèse)

Pr Abderrahman AAFI, ENFI Salé (Membre du comité de thèse)

Pr Hicham HAJJI, IAV Rabat (Rapporteur)

Pr Mouanis LAHLOU, IAV Rabat (Rapporteur)

Pr Said LAHSSINI, ENFI Salé (Rapporteur)

 

Date :                   Jeudi 28 Septembre 2017 à 10h30

Lieu :                   Salle de conférences, IAV Rabat

 

Résumé :

Les incendies de forêts, phénomène complexe s’il en est, restent incontestablement le fléau le plus dévastateur guettant les forêts de région méditerranéenne. L’évolution actuelle de ce phénomène et ces conséquences prévisibles menacent la viabilité des écosystèmes forestiers et compromettent la validité des pratiques habituelles des plans d’aménagement. Pour répondre à cela, le développement de modèle du risque long-termiste des incendies s’avère une condition sine qua none pour la mise en place de plans d’aménagement anti-feux efficaces et efficients.

La présente étude consiste en la modélisation prédictive du risque saisonnier des incendies de forêts et du comportement du feu dans la région du rif au nord du Maroc, où se concentre presque 65% de la problématique des incendies à l’échelle du pays. Une telle modélisation nécessite une approche appropriée reposant sur la compréhension du phénomène, l’émission des hypothèses, la recherche de modèles pertinents et enfin la proposition des voies d’application. Dans cette même logique, l’approche adoptée repose sur trois niveaux : le premier est de comprendre la répartition spatio-temporelle des incendies enregistrés durant la période 1997-2011, en fonction des facteurs physiques et biophysiques et aussi en fonction de la sévérité de l’année. Le deuxième est consacré à la modélisation du risque saisonnier, par la statistique classique et par l’apprentissage automatique (machine learning), en prenant en compte l’effet du climat et de la disponibilité du combustible sur les incendies.   Le troisième et dernier niveau, visant à offrir au gestionnaire un outil opérationnel pour l’optimisation des actions anti-feu, porte sur la modélisation spatiale de l’intensité de feu et de la sensibilité au feu de cime en utilisant respectivement les modèles FireStar et Albini.

Dans cette mise en œuvre, le travail s’est basé sur l’automatisation des différentes étapes de traitement de données au moyen de développement de script Phyton pour ArcGIS ou de programmation en langage R et aussi au modélisation par WindNinja des vents en fonction du relief.

Dans la première partie de cette étude, il a été mis en exergue à priori que, pendant les années sévères, les incendies se caractérisent par une sélectivité vis-à-vis de la variante chaude des types de bioclimat humide, subhumide et semi-aride. Lesquels sont caractérisés par une production abondante de la biomasse pendant l’hiver. Ceci favorise l’hypothèse de l’importance de la charge de combustible sur aussi bien l’éclosion que la propagation des incendies.

En outre, l’effet de l’altitude sur l’occurrence des incendies s’avère très significatif lors des années sévères, surtout pour les altitudes dépassant 2000 m, où le nombre d’incendie prend un pic. Ceci rejoint l’hypothèse de la prédisposition de la végétation de hautes altitudes à l’inflammation suite aux périodes de sécheresse prolongées et/ou aux températures élevées.

Concernant la deuxième partie de l’étude, relative à l’évaluation du risque saisonnier par l’analyse factorielle discriminante (AFD), il a été mis en relief l’effet de l’interaction entre le climat et la charge du combustible sur les incendies. En effet, l’étude a mis en exergue que les précipitations tardives printanières d’avril ne favorisent pas le déclanchement et la propagation des feux pendant la période des incendies suite au taux d’humidité de la végétation qui devient élevé et la rend difficilement inflammable, chose qui explique que les incendies déclarés pendant les années à faible sévérité n’ont pas pris de grande envergure. Par contre, les années sévères sont caractérisées par des précipitations élevées et précoce et un bilan hydrique important pendant février. Ces conditions favorisent le développement d’une biomasse assez importante et facilement inflammable. Ce dernier constat a été confirmé par les valeurs élevées du NDVI obtenues en Avril lors les années sévères.

D’autre part, L’utilisation de l’apprentissage automatique, par la méthode basée sur les arbres de décision et par la méthode ensembliste basée sur les Forêts Aléatoires (Random Forest), a montré que la précipitation constitue la variable la plus influente sur la sévérité de l’année, du fait que la quasi-totalité des algorithmes utilisés admet que cette variable seule peut renseigner sur la sévérité.

En effet, l’arbre de décision construit basé sur l’algorithme CART et aussi le modèle de la forêt aléatoire confirment que plus que les précipitations du mois de Février et Mars sont abondantes plus elles favorisent l’obtention d’une année sévère, et vice-versa.

Le modèle obtenu par la Forêt aléatoire semble le plus robuste et le plus pertinent (83% de précision, p-value=0.013) pour qu’il soit utilisé en tant qu’outils de prédiction et d’aide à la décision permettant aux gestionnaires d’apprécier le niveau du risque saisonnier en utilisant des paramètres facilement mesurables et accessibles.

Dans la troisième partie de l’étude, il a été démontré que presque 55% des superficies boisées de la province de Chefchaouen est caractérisée par une intensité moyenne à élevée (> 1700 Kw/m), et 30% de cette superficie est située dans des zones sensibles aux feux de cimes. Les différentes cartes ainsi élaborées, notamment celles de l’intensité du feu, la biomasse du combustible, de la hauteur des flammes et des zones vulnérables aux feux de cimes, constituent un outil d’aide à la décision permettant au gestionnaire de concevoir lors des années sévères un plan savamment raisonné de défense du massif contre les incendies.

En parallèle à ces résultats et en vue d’offrir aux décideurs un outil générique et applicable dans d’autres massifs, il a été procédé au développement d’un outil informatique, intégré dans l’environnement SIG et écrit en langage Phyton, permettant de générer toutes les cartes intermédiaires et finales d’intensité et des feux de cime.

 

Mots clés : Risque saisonnier, incendies de forêts, Modélisation prédictive, Machine Learning, Langage R, Arbre de décision, CART, Random Forest, AFD, Intensité du feu, feux de cime, FireStar, Phyton, SIG, Windninja.