Feux de forêt au Maroc : comment l'ANEF combine satellites et intelligence artificielle pour anticiper le risque

Le bilan de mi-année 2026 de l'Agence Nationale des Eaux et Forêts (ANEF) est sans appel : entre le 1er janvier et le 20 juillet, 310 incendies de forêt ont été recensés au Maroc, ravageant 1 850 hectares, alors que la moyenne décennale sur la même période s'établit à 233 feux. Le nombre de départs de feu a bondi de près de 32%. En 2025, le bilan annuel complet faisait état de 418 incendies pour 1 728 hectares brûlés, un chiffre resté inférieur de 65% à la moyenne décennale de 4 870 hectares, mais les prévisions pour l'été 2026 anticipent une saison plus risquée : les pluies abondantes ont favorisé une croissance importante de la végétation, désormais exposée à un dessèchement rapide sous des températures supérieures aux normales saisonnières.

Face à ce risque croissant, l'ANEF a mobilisé 150 millions de dirhams pour renforcer son dispositif de prévention, de surveillance et d'intervention pour la saison 2026. Mais au-delà du budget et des moyens humains (plus de 2 800 guetteurs et agents forestiers déployés sur le territoire), c'est l'architecture technologique du dispositif qui mérite qu'on s'y attarde.

Un modèle de prévision basé sur l'IA explicable depuis 2021

Depuis 2021, l'ANEF s'appuie sur un modèle de prévision des feux de forêt fondé sur l'intelligence artificielle et l'IA explicable (xAI), présenté comme une première à l'échelle méditerranéenne. Le choix de l'IA explicable n'est pas anodin pour un usage opérationnel : contrairement à un modèle "boîte noire", une approche xAI permet aux équipes de terrain de comprendre quelles variables pèsent le plus dans une prédiction donnée, et donc de faire confiance à l'alerte avant d'engager des moyens d'intervention.

Le modèle croise plusieurs familles de données : historique des feux passés, relevés climatiques, enquêtes de terrain et imagerie satellite, pour identifier les zones les plus vulnérables et anticiper les départs de feu avant qu'ils ne se déclarent. Sa précision est estimée entre 72% et 75%, un niveau qui, sans être parfait, suffit à orienter le pré-positionnement des moyens de lutte sur les zones à risque plutôt que de répartir les ressources de façon uniforme sur tout le territoire forestier.

Un arsenal satellite multi-capteurs

Le système d'analyse quotidienne repose sur une combinaison de sources satellitaires : Sentinel, MODIS, VIIRS, Landsat et SPOT, complétées par des nano-satellites, des drones et du calcul cloud pour croiser ces flux avec des bases de données multisources. Cette diversité de capteurs n'est pas un empilement redondant mais répond à des besoins différents dans la chaîne de surveillance :

• MODIS et VIIRS, à résolution spatiale modeste mais à très haute fréquence de revisite, sont adaptés à la détection thermique quasi temps réel des foyers actifs.
• Sentinel et Landsat, à résolution plus fine, permettent de caractériser l'état de la végétation et son degré de dessèchement en amont de la saison à risque.
• Les drones à capteurs infrarouges interviennent en complément, au plus près du terrain, pour confirmer un départ de feu ou cartographier précisément un front actif que la résolution satellite ne peut pas détailler.

Chaque jour, l'ANEF analyse ainsi les conditions météorologiques (température, humidité, vitesse du vent) et l'état du couvert végétal à partir de ces images, avant de publier des bulletins d'alerte identifiant les zones les plus exposées.

Ce que ce dispositif illustre pour la gestion du risque environnemental

Ce système marocain est un exemple concret de ce qu'on appelle en gestion des ressources naturelles une approche multi-échelle et multi-capteurs : aucune source de données seule ne suffit à couvrir à la fois la fréquence de revisite nécessaire à l'alerte précoce et la résolution nécessaire à la caractérisation fine du risque. C'est en combinant des capteurs aux résolutions spatiales et temporelles complémentaires, puis en les faisant converger dans un modèle prédictif unique, que l'ANEF construit sa capacité d'anticipation.

Le recours à l'IA explicable plutôt qu'à un modèle opaque est un choix méthodologique qui mérite d'être noté : dans un contexte opérationnel où une alerte erronée immobilise des moyens humains et matériels coûteux, la capacité à justifier une prédiction pèse autant que sa performance brute. C'est un arbitrage que l'on retrouve dans de nombreux projets de gestion des risques naturels : la précision d'un modèle ne suffit pas si les décideurs de terrain ne peuvent pas en comprendre les fondements pour agir en confiance.

Pour qui s'intéresse à l'application concrète de la télédétection et du machine learning à la gestion forestière, le cas marocain illustre une réalité souvent sous-estimée : la valeur d'un système de surveillance ne tient pas à la sophistication d'un unique capteur ou modèle, mais à la cohérence de la chaîne complète, de l'acquisition de la donnée satellite jusqu'à la décision d'engager des moyens sur le terrain.