Il existe plusieurs algorithmes d'apprentissage automatique qui peuvent être utilisés pour la

détection des incendies de forêt. Voici quelques-uns des plus couramment utilisés :

 Apprentissage supervisé
Les modèles d'apprentissage supervisé exigent un travail préparatoire important de la part des
scientifiques de données. Les jeux de données en entrée doivent être étiquetés et les paramètres de
sortie doivent être indiqués, afin de préciser les résultats attendus. De plus, il est nécessaire de régler
avec soin la précision pendant le processus d'apprentissage.

1. Régression linéaire
 Les équipes de data science utilisent couramment les algorithmes de régression
linéaire.
 Ces algorithmes permettent de mettre en évidence des corrélations simples
entre deux variables dans un jeu de données en examinant un ensemble
d'entrées et les sorties correspondantes, et en quantifiant la relation entre elles.
 Ils permettent notamment d'analyser comment le changement d'une variable
affecte une autre.
 Les régressions linéaires sont souvent représentées graphiquement sous forme
de lignes.

2. algorithme des machines à vecteurs de support (SVM)

 Les SVM (Séparateurs à vastes marges), ou machines à vecteurs de support, sont
des algorithmes qui ont pour objectif de séparer les données en classes.
 cherche à trouver une ligne qui permet de séparer les données d'un jeu en
classes spécifiques, tout en maximisant les marges
  Une fois les lignes de classification apprises, le modèle peut ensuite les appliquer
aux nouvelles données pour les classer en fonction des caractéristiques qu'elles
présentent.
 l’algorithme est idéal pour identifier des classes simples qu’il sépare par des
vecteurs nommés hyperplans
3. Arbre de décision
 L'algorithme d'arbre de décision représente les données sous forme graphique,
avec des branches qui montrent les résultats possibles de différentes actions.
 Il permet de classer et de prédire les variables de réponse en se basant sur les
décisions prises dans le passé.
 Les arbres de décision sont une méthode d'apprentissage automatique
supervisée qui peuvent être utilisés pour classer les données en fonction de
différents critères.
 Ils sont souvent utilisés pour la classification des images satellitaires et peuvent
être utilisés pour la détection des incendies de forêt.

4. Apprentissage non supervisé

Ces méthodes ne nécessitent pas d'étiquettes préalables pour identifier les
incendies de forêt. Elles peuvent être utilisées pour identifier les anomalies dans
les images ou les vidéos et signaler les zones potentiellement dangereuses.

1. Apriori
 L'algorithme Apriori est largement utilisé dans les bases de données
transactionnelles pour identifier des ensembles d'articles fréquemment
achetés ensemble, puis générer des règles d'association.
 Dans le domaine de l'analyse des paniers d'achat, cet algorithme est
particulièrement utile pour identifier des combinaisons de produits qui se
trouvent souvent ensemble dans la base de données.
 Les règles d'association sont généralement écrites sous la forme "Si l'article
X est acheté, alors l'article Y est également acheté", ce qui se représente
comme X -> Y.

2. K-means

 L'algorithme K-means est utilisé pour regrouper des données similaires

en clusters.
 Il fonctionne de manière itérative en calculant les centroïdes de k clusters
et en affectant chaque point de données au cluster ayant la plus petite
distance entre son centroïde et le point de données.
5. Algorithme basé sur le réseau de neurone
1. Réseaux de neurones convolutionnels (CNN) :
 Les réseaux neuronaux convolutifs sont des réseaux neuronaux artificiels
profonds largement utilisés pour classifier les zones d'images, les regrouper par
similarité et effectuer la reconnaissance d'objets dans des scènes visuelles. Ces
algorithmes sont utilisés pour identifier divers éléments, tels que des visages, des
individus, des panneaux de signalisation, des tumeurs, des ornithorynques et
bien d'autres aspects des données visuelles. Les références [Ter09] et [Yin17]
font partie des travaux fondateurs dans ce domaine.
 Cette méthode a été récemment appliquée sur la détection de la fumée : Frizzi et
al [Fri16], et Hu et al [Huy18]. Ces travaux ont abouti à des résultats intéressants
en générant des valeurs élevées de taux de bonne classification.
 Cette technique a permis aux chercheurs de détecter et localiser la fumée dans
les frames
2. Réseaux de neurones récurrents (RNN)
 Les réseaux de neurones récurrents (ou RNN pour Recurrent Neural
Networks), appartiennent à une famille de réseaux de neurones spécialisée
dans l'analyse de séquences, c'est-à-dire de données qui ont une longueur
variable.
 Si l'on reprend l'équation de sortie d'une couche de neurones "classique", les
notations pour le calcul de la sortie d'une couche deviennent :

Ytj=f(∑iWjixti)

 Les réseaux de neurones récurrents reposent sur deux principes :

 le premier principe est l'astuce de la fenêtre glissante vue dans le chapitre

précédent, qui permet de traiter des signaux de taille variable ;

 le second principe est l'utilisation de connexions récurrentes qui permettent

d'analyser la partie passée du signal.
Un élément fondamental pour empêcher la propagation d'un feu de forêt est de détecter les
flambées à temps. Pour cela, des systèmes de surveillance directe, des systèmes technologiques de
détection par satellite et des systèmes de détection de fumée sont utilisés.

Par exemple, l'Institut national de recherche spatiale au Brésil (INPE) détecte les sources de chaleur
via le satellite AQUA. Ce satellite utilise le capteur Modis avec une résolution de 1 Km2.