🔥 Quel lien existe-t-il entre un point chaud détecté par satellite, un feu de forêt et la qualité de l’air que nous respirons ?
Lorsqu’un incendie se déclare, ses fumées peuvent transporter des particules fines sur plusieurs dizaines, voire plusieurs centaines de kilomètres. La qualité de l’air peut alors se dégrader bien au-delà de la zone directement touchée par le feu.
Mais peut-on repérer ces phénomènes à partir de données ouvertes ?
C’est la question qui a lancé ce nouveau projet.
Sur mon bureau, j’avais justement un nouvel outil : un PC portable suffisamment puissant pour faire fonctionner localement des modèles d’intelligence artificielle open source, avec Ollama et Qwen.
Il ne restait plus qu’à réunir plusieurs mondes :
🛰️ des satellites capables de détecter depuis l’espace des anomalies thermiques ;
🔥 des points chauds pouvant correspondre à des incendies, des feux de forêt, des brûlages ou d’autres sources importantes de chaleur ;
🗺️ des données publiques françaises permettant de localiser ces détections et de les rattacher à un territoire ;
🌫️ et, en toile de fond, la question de leurs conséquences possibles sur la qualité de l’air.
Après quelques lignes de code, plusieurs essais, quelques erreurs et beaucoup de curiosité, une première carte a vu le jour.
Elle croise notamment :
• les détections thermiques du système NASA FIRMS et du capteur VIIRS ;
• les contours administratifs des départements diffusés par Etalab ;
• les services de géocodage de l’IGN ;
• le fond cartographique OpenStreetMap.
⚠️ Une précision importante : un point chaud détecté par satellite n’est pas nécessairement un incendie confirmé.
Il peut aussi correspondre à une activité industrielle, à un brûlage agricole ou à une autre source de chaleur. La carte constitue donc un outil d’observation et de sensibilisation, pas un service opérationnel d’alerte incendie.
Ce projet m’a également permis d’explorer une autre manière d’utiliser l’intelligence artificielle.
Le développement a été accompagné par un modèle d’IA open source exécuté directement sur mon ordinateur, sans devoir envoyer systématiquement mon code et mes données vers une grande plateforme distante.
Cette approche répond à deux objectifs qui me tiennent à cœur :
🌱 rechercher une utilisation plus frugale de l’IA, en choisissant un modèle adapté à la tâche plutôt que le modèle le plus puissant disponible ;
🔓 conserver davantage d’indépendance et de maîtrise sur mes outils, mes données et mes traitements.
Bien entendu, faire tourner une IA localement ne la rend pas automatiquement sobre.
La frugalité consiste aussi à limiter les requêtes inutiles, à utiliser une machine déjà disponible et à réserver l’intelligence artificielle aux étapes où elle apporte une réelle valeur.
Dans ce projet, l’IA a joué le rôle de copilote : elle m’a aidé à structurer le développement, à analyser des erreurs et à documenter l’application.
Mais l’idée, le choix des données, leur croisement, les vérifications et l’interprétation restent profondément humains.
C’est finalement ce que j’aime dans l’open data : partir de ressources publiques parfois dispersées, les relier et les transformer en un service concret et compréhensible.
🛰️ Un ordinateur portable, un modèle open source, des données publiques… et des satellites qui observent la Terre à plusieurs centaines de kilomètres au-dessus de nos têtes.
👉 Découvrez la carte des points chauds détectés en France :
https://opendataservices.fr/feux-france/
Vos retours et vos idées d’amélioration sont les bienvenus.
#OpenData #QualitéDeLAir #FeuxDeForêt #Incendies #Satellite #IntelligenceArtificielle #IAOpenSource #IALocale #IAFrugale #Cartographie #DonnéesPubliques
Vos retours et vos idées d’amélioration sont les bienvenus :
#OpenData #QualitéDeLAir #FeuxDeForêt #Incendies #Satellite #IntelligenceArtificielle #IAOpenSource #IALocale #IAFrugale #Cartographie #DonnéesPubliques
