Syracuse

FICHE DE LECTURE : Anticipation de la gravité des incendies urbains pour adapter l’engagement des secours, SCISC

05/01/2026

Lutte contre les incendies bâtimentaires à Taiwan

Titre :

Prévision de la gravité des incendies urbains pour améliorer la réponse d’urgence et l’engagement des ressources

Forecasting urban fire severity for enhanced emergency response and resource allocation

Cette étude visait à développer un modèle prédictif pour aider les services d’incendie à optimiser l’engagement des ressources en estimant la probabilité d’aggravation d’un incendie et en intégrant des données SIG (système d’information géographique) afin de permettre une meilleure prise de décision plus rapide et basée sur des données, améliorant en fin de compte l’efficacité opérationnelle et de la sécurité publique.

 Nous avons analysé 47 382 interventions incendie survenues dans une ville entre 2010 et 2020. Après nettoyage et prétraitement des données, un modèle XGBoost (NDR : XGBoost (eXtreme Gradient Boosting) est une bibliothèque logicielle open source qui s’est imposée comme l’algorithme privilégié par de nombreux lauréats de concours de machine learning) a été entraîné et validé par validation croisée à 5 plis, puis testé dans différents contextes temporels et géographiques.

 Les principales variables prédictives comprenaient la structure du bâtiment, son usage, le nombre d’étages, son ancienneté et le moment de la journée. Le modèle a atteint une précision globale de 82,7 %, avec une sensibilité de 84,3 % pour les incendies majeurs et une spécificité de 81,1 % pour les incendies ordinaires.

 Les incendies étaient plus susceptibles de s’aggraver dans les bâtiments anciens, la nuit, et les week-ends. Les simulations ont montré que l’allocation des ressources guidée par le modèle pourrait entraîner une réduction de 23 % des dommages matériels, de 18 % des blessures chez les sapeurs-pompiers, et de 15 % des délais d’intervention.

 Cette étude propose une application innovante de l’analyse prédictive dans le domaine de la lutte contre l’incendie. Contrairement aux travaux antérieurs centrés sur l’évaluation statistique du risque incendie ou sur des modèles prédictifs isolés, notre étude propose une intégration innovante des données spatiales basées sur les SIG avec l’algorithme XGBoost, permettant à la fois une forte précision prédictive et une allocation des ressources tenant comptes de la dimension spatiale. Cette approche constitue une avancée pour la prise de décision en temps réel en milieu urbain, au-delà des méthodes existantes.

• Réplicabilité / transférabilité limitée : une seule ville asiatique étudiée, avec ses caractéristiques propres architecturales, réglementaires, morphologiques et socio-économiques.
• Performance du modèle faible : pas d’intégration de données dynamiques en temps réel (météo, trafic routier, occupation de l’immeuble…), des bénéfices opérationnels étudiés par simulation et des facteurs prédictifs ignorés (l’évolution des risques, des matériaux de construction ou des politiques urbaines, et les scénarios multirisques).

 L’étude repose sur des données issues d’une seule ville en Asie, ce qui ne permet pas la généralisation des résultats à d’autres contextes urbains. En effet, les différences architecturales, réglementaires et infrastructurelles, les modes de fonctionnement entre villes peuvent modifier les dynamiques d’incendie et la performance du modèle, ce d’autant que ce type d’approche est très proches des données (machine learning, partie de l’IA). Ainsi Le modèle est limité dans ces résultats par les données qu’il intègre et ne peux être utilisé dans nos contextes.

• L’étude souligne la valeur ajoutée significative opérationnelle des investissements des SIS dans les outils prédictifs et dans la transformation digitale (inclus les outils IA d’aide à la décision et l’IA agentique), avec une capacité également de s’articuler avec l’intelligence des bâtiments (SMART Building : conception d'un bâtiment où le fonctionnement du plus grand nombre d'équipements électriques possible est à la fois automatisé et coordonné) et des villes (SMART City).
• Le modèle prédictif proposé doit être développé et contextualisé en considérant les limites susmentionnées afin de :
• mieux adapter les stratégies et les outils de prévention et de réponse (ex. une proximité des ressources pour les zones urbaines à hauts risques),
• mieux valoriser les impacts humain et financier de ces stratégies.

 L’intitulé semblait très prometteur mais malheureusement le système proposé ne va pas assez loin. En effet, plus de 80% du pouvoir prédictif du modèle repose sur la structure du bâtiment, son usage, le nombre d’étages, son ancienneté et la période de la journée. Il serait intéressant d’incorporer des entrées dynamiques telles que les conditions météorologiques (vitesse du vent, humidité, température), les niveaux de congestion du trafic issus de capteurs connectés (IoT), ainsi que des données d’occupation en temps réel (IoT, bâtiments intelligents…). Ces variables renforceraient la réactivité et la précision contextuelle des prédictions, en particulier dans des environnements urbains en évolution rapide.

En France, les principaux sites ou secteurs à risques sont déjà référencés par les bureaux préventions des services d’incendie et de secours. Sont alors éditées des fiches opérationnelles préétablies (ETARE), destinées à préparer à l’avance la réponse opérationnelle. De plus les règles d’engagement actuel en milieu urbain sont plutôt largement les engins, quitte à les annuler une fois sur place.

L’utilité principale du modèle, dans la forme actuelle, serait d’optimiser le travail déjà effectué par les bureaux préventions, d’analyser finement l’implantation de nouvelles casernes et éventuellement d’envisager des stratégies de prépositionnement d’engins.

Ainsi article, même s’il ne permet pas de transposer le modèle, ouvre la voie de l’IA comme aide à la décision en sécurité civile. En effet, il montre que des travaux sont possibles dans ce champ sur le données des SIS.

Firefighting resource allocation; Predictive analysis; Fire risk assessment; XGBoost ;

Engagement des ressources de lutte contre l’incendie ; Analyse prédictive; Évaluation du risque incendie; XGBoost ; IA ; Feu urbain ; Bâtiment intelligent (SMART building)

Shao-Lun Lee

Department of Information Management, Asia Eastern University of Science and Technology, New Taipei, Taiwan

Lee SL, Hsu MH, Wang YF, et al. Forecasting urban fire severity for enhanced emergency response and resource allocation. Sci Rep. 2025;15:42165. doi:10.1038/s41598-025-26006-z