Dans le cadre du projet SOSVITI (https://sosviti.egemap.eu/), axé sur la gestion durable des terres et la résilience en viticulture, les feux de forêt constituent une préoccupation croissante. Cette étude présente une méthode rapide d'évaluation des dégâts causés par le feu dans les vignobles, utilisant l'imagerie par drone et l'intelligence artificielle. Cette méthode permet une prise de décision plus rapide et des stratégies de rétablissement plus efficaces dans les paysages viticoles touchés par les incendies à travers l'Europe.

L'amélioration de la résilience des vignobles face au risque d'incendie est devenue une priorité de recherche majeure dans le cadre des projets SOSVITI. L'étude présente un flux de travail hybride d'intelligence artificielle (IA) conçu pour évaluer rapidement les dégâts causés par le feu dans les vignobles à l'aide d'images UAV à ultra-haute résolution.

Cette recherche est le fruit d'une collaboration internationale entre l'Université de Grenade – via le Département d'Analyse Géographique Régionale, EGEMAP (TerraLab 2 UGR) et DaSCI – et des partenaires tels que Gaia Robotics (Grèce), l'Université de Valence et l'Institut des Systèmes Industriels (ISI, Centre de Recherche Athena). L'étude a été menée en collaboration avec le domaine viticole Orfanos Estate à Patras (Grèce), qui a permis l'accès à des vignobles réels touchés par les incendies.

Suite à l'incendie de forêt d'août 2025 près de Patras, l'étude a utilisé des images RVB capturées par drone, avec une résolution d'environ 1,5 cm, pour cartographier les impacts de l'incendie à l'échelle de la parcelle. La méthodologie combine deux approches complémentaires.

Premièrement, un flux de travail interprétable basé sur des indices de végétation RVB (tels que ExG, NGRDI, GRVI et VARI), intégrés par analyse en composantes principales (ACP) et clustering k-means, permet d'identifier les schémas de gravité des dommages causés par le feu. Cette approche est rapide, nécessite un minimum de données et fournit des résultats clairs et interprétables.

Deuxièmement, l'étude a appliqué un modèle d'apprentissage profond (U-Net) pour générer des cartes haute résolution de la végétation endommagée et survivante, atteignant une précision spatiale élevée (environ 91 % mIoU). Ce modèle affine la représentation spatiale des dommages causés par le feu, notamment le long des rangs de vigne et à leurs limites.

La principale contribution de cette étude réside dans la combinaison de deux méthodes au sein d'un cadre d'IA hybride. Tandis que l'approche classique explique les schémas de dommages sous-jacents, l'apprentissage profond améliore la précision spatiale. Cet équilibre entre interprétabilité et précision est particulièrement précieux en situation d'urgence.

Les résultats indiquent que la majeure partie du vignoble a subi des dommages faibles à modérés, les impacts les plus importants étant concentrés dans des zones spécifiques. La capacité à produire des évaluations rapides et fiables à partir de données de drones à faible coût rend cette approche très pertinente pour une utilisation opérationnelle.

En intégrant des méthodes d'IA avancées à des technologies accessibles, l'étude soutient les objectifs de FIRE WINE, contribuant à une gestion plus résiliente des vignobles et à une meilleure réponse aux impacts des feux de forêt dans un contexte de changement climatique.

Auteurs de l'étude:

2. Andalusian Research Institute in Data Science and Computational Intelligence, DaSCI, University of Granada, 18071, Granada, Spain

3. RNM-197 research group.

Terra-lab 2 (UGR): EGEMAP: Environmental Geography and Mapping (www.egemap.eu)