Amélioration de la modélisation des risques d'incendies de brousse pour protéger les communautés victoriennes

Le défi

Pendant la catastrophe des feux de brousse australiens de 2019-2020, le DEECA (Département de l'Énergie, de l'Environnement et de l'Action climatique) gérait le risque d'incendie à l'échelle de l'État grâce à son indicateur de « risque résiduel », calculé par le modèle Phoenix RapidFire. Après quatre ans de fonctionnement, le système nécessitait une intégration importante de technologies cloud et de capacités d'apprentissage automatique pour continuer à réduire le risque d'incendie dans tout l'État de Victoria.

Le modèle Phoenix RapidFire, initialement conçu pour une utilisation sur ordinateur, peinait à s'adapter à grande échelle. Les flux de travail de post-traitement manuels créaient des goulots d'étranglement qui empêchaient le système de fonctionner à la résolution requise pour des prévisions précises. Des couches de données obsolètes limitaient la précision de la modélisation, et l'infrastructure existante ne permettait pas d'intégrer de nouvelles sources de données telles que les scénarios météorologiques modernes ou les différents schémas d'allumage. Les coûts opérationnels élevés s'accompagnaient d'une capacité limitée. La plateforme devait être accessible à un large éventail d'opérateurs, des scientifiques aux chefs des pompiers, qui appliquaient les indicateurs obtenus de différentes manières, toutes importantes.

Le DEECA avait besoin d'un stockage et d'un traitement des données dans le cloud d'une capacité bien supérieure à celle existante. Le volume de données requis pour la modélisation haute résolution des feux de brousse dans tout l'État de Victoria dépassait largement les capacités de tout système sur site. Une mise à niveau de cette ampleur n'étant pas envisageable avant plusieurs années, le projet devait être aussi avancé et adapté que possible, offrant une capacité de traitement quasi illimitée tout en maîtrisant les coûts et en permettant l'intégration de techniques d'apprentissage automatique avancées.

L'approche

Kablamo a été mandaté pour concevoir et déployer CloudFARM, une plateforme AWS native du cloud et entièrement évolutive, afin de soutenir la prochaine génération de modélisation des risques de DEECA. La solution a été conçue autour de quatre principes clés :

• Architecture cloud native : migration de Phoenix RapidFire vers un environnement cloud AWS haute performance, remplaçant le modèle de traitement sur poste de travail par une architecture sans serveur.

• Intégration du machine learning : Amazon SageMaker pour des analyses poussées et des prédictions améliorées, permettant des évaluations des risques plus précises grâce au machine learning.

• Automatisation : pipelines sans serveur utilisant Lambda et Athena pour une mise à l’échelle massive, éliminant les flux de travail de post-traitement manuels qui créaient auparavant des goulots d’étranglement.

• Maîtrise des coûts : mise à l’échelle automatique des ressources avec une visibilité accrue pour les opérateurs, garantissant que la plateforme ne consomme des ressources que lors de l’exécution des simulations.

La modélisation des feux de brousse utilise Phoenix RapidFire, un simulateur de comportement du feu qui place l’Australie à la pointe de l’innovation en matière d’outils et d’analyse des feux de brousse. Pour améliorer la précision, Phoenix RapidFire a été alimenté par des données plus fiables provenant de sources géospatiales, temporelles et historiques. La plateforme permet aux scientifiques et aux responsables des services d’incendie de créer, simuler et reproduire rapidement des scénarios complexes avec des données haute résolution. Une interface utilisateur riche a été mise en place, permettant aux utilisateurs de créer rapidement des scénarios de simulation à partir de données prédéfinies ou nouvellement importées, et de reproduire des simulations précédentes avec de légères modifications.

Des capacités avancées d'apprentissage automatique, grâce à Amazon SageMaker, permettent une analyse plus poussée et une précision prédictive accrue. L'architecture utilise Amazon Athena et S3 pour les pipelines de données et combine Phoenix RapidFire avec des modèles de réseaux bayésiens pour la prédiction. Des pipelines de traitement basés sur Python gèrent la transformation des données et l'orchestration des modèles. La solution globale privilégie l'évolutivité, l'automatisation, une conception native du cloud et la rentabilité, permettant ainsi à DEECA d'exécuter des milliers de simulations à travers l'État de Victoria sans intervention manuelle ni contraintes d'infrastructure.

Les résultats

La solution CloudFARM a multiplié par six environ la résolution de modélisation des allumages et par deux la résolution de simulation, l'effet combiné sur les scénarios météorologiques offrant une amélioration d'environ 70 fois par rapport à la version précédente. L'architecture native du cloud AWS, entièrement automatisée, a éliminé les contraintes d'évolutivité précédentes, offrant une capacité quasi illimitée à un coût avantageux. Tous les flux de données sont désormais entièrement automatisés, éliminant ainsi les étapes de traitement manuel qui limitaient auparavant le débit du système.

Avant CloudFARM, la réalisation d'une évaluation des risques à l'échelle de l'État nécessitait plusieurs jours de coordination et de traitement manuels. La nouvelle plateforme réduit ce délai à quelques heures, les opérateurs pouvant lancer des simulations à la demande et suivre leur progression grâce à une interface utilisateur intuitive. Les scientifiques peuvent comparer simultanément les résultats de plusieurs scénarios, en ajustant des paramètres tels que les schémas d'allumage, les conditions météorologiques et les données sur la charge combustible afin de comprendre l'influence des différentes variables sur le comportement prévu du feu. Grâce à l'architecture à mise à l'échelle automatique, DEECA ne paie la puissance de calcul que lorsque les simulations sont en cours, ce qui permet de maîtriser les coûts malgré l'augmentation considérable de la capacité de traitement.

Perspectives d'avenir

Cette refonte d'une ressource essentielle, la capacité de prédire les risques et de gérer les feux de brousse, représente une étape importante dans le rôle de chef de file de l'Australie en matière de gestion des feux de brousse. Grâce à une infrastructure cloud AWS, une capacité de traitement des données quasi illimitée et les avantages de l'apprentissage automatique, l'État de Victoria dispose désormais d'un outil puissant pour sauver des vies, des biens et des espaces naturels.

La solution CloudFARM permet désormais de produire les indicateurs de risque critiques de DEECA grâce aux technologies numériques les plus précises et performantes. L'architecture de la plateforme est conçue pour intégrer de nouvelles sources de données et techniques de modélisation à mesure de leur disponibilité, garantissant ainsi au système une position de pointe dans le domaine de la science des feux de brousse. Les nouvelles données géospatiales, images satellites et projections climatiques disponibles peuvent être intégrées au cadre de modélisation sans nécessiter de refonte de l'infrastructure sous-jacente. Kablamo continue d'assurer le support opérationnel et le développement continu du produit grâce à ses services de maintenance.