Abstract:Wildfires burn an average of 2 million hectares per year in Canada, most of which can be attributed to only a few days of severe fire weather. These "spread days" are often associated with large-scale weather systems. We used extreme threshold values of three Canadian Fire Weather Index System (CFWIS) variables -the fine fuel moisture code (FFMC), initial spread index (ISI), and fire weather index (FWI) -as a proxy for spread days. Then we used self-organizing maps (SOMs) to predict spread days, with sea-level pressure and 500 hPa geopotential height as predictors. SOMs require many input parameters, and we performed an experiment to optimize six key parameters. For each month of the fire season (May-August), we also tested whether SOMs performed better when trained with only one month or with neighbouring months as well. Good performance (AUC of 0.8) was achieved for FFMC and ISI, while nearly good performance was achieved for FWI. To our knowledge, this is the first study to develop a machine-learning model for extreme fire weather that could be deployed in real time.Key words: wildland fire, fire danger, fire regimes, SOM, weather.Résumé : Les feux, dont la plupart peuvent être imputés à seulement quelques jours durant lesquels les conditions météorologiques sont propices aux incendies forestiers sévères, détruisent en moyenne deux millions d'hectares de forêt par année au Canada. Ces jours propices à la propagation des feux sont souvent associés à de vastes systèmes météorologiques. Nous avons utilisé des valeurs seuils extrêmes pour trois variables de la méthode canadienne de l'indice forêt-météo (MCIFM) : l'indice du combustible léger (ICL), l'indice de propagation initiale (IPI) et l'indice forêt-météo (IFM) en tant que substituts pour les jours propices à la propagation des feux. Ensuite, nous avons utilisé des cartes autoorganisables (SOM) pour prédire les jours propices à la propagation des feux avec comme prédicteurs la pression au niveau de la mer et une hauteur du géopotentiel de 500 hPa. Les SOM exigent plusieurs paramètres d'entrée et nous avons effectué une expérience pour optimiser six paramètres clés. Pour chaque mois de la saison des feux (mai-août), nous avons aussi testé si les SOM étaient plus performantes lorsqu'elles étaient entraînées avec seulement un mois ou en incluant aussi les mois voisins. Une bonne performance (AUC de 0,8) a été obtenue pour ICL et IPI, alors qu'une performance satisfaisante a été obtenue pour IFM. À notre connaissance, il s'agit de la première étude qui élabore un modèle d'apprentissage automatique pour des conditions météorologiques extrêmes propices aux incendies forestiers qui peut être déployé en temps réel. [Traduit par la Rédaction] Mots-clés : feux de forêt, danger d'incendie, régime des feux, cartes autoorganisables (SOM), conditions météorologiques.