Les feux de végétation constituent une menace dans le monde, et Madagascar n’est pas une exception. Les besoins en stratégie de prévention et de prédiction de feu sont urgents. Les données massives et les analytiques de prédiction offrent une vaste opportunité pour explorer des méthodologies innovantes. Cette étude examine le potentiel de l’application de modèle prédictif basé sur l’apprentissage automatique pour la prédiction de feux de végétation. Pour cela, les modèles d’apprentissage automatique, Random Forest et XGBoost sont évalués. Les techniques de régression et de classification ont été toutes les deux utilisées. La technique de régression estime le nombre de feux, tandis que celle de classification prédit la probabilité d’occurrence des feux dans l’écorégion sèche de Madagascar. Les deux techniques utilisent les données sur la topographie, les conditions météorologiques et les combustibles, comme la pente et les indices de sécheresse et de végétation. De nouvelles variables sur la proximité aux infrastructures, comme l’interface urbaine non-urbaine (WUI) sont introduites.  Les mesures de performance comme le coefficient de détermination R², l’erreur quadratique moyenne (RMSE) et la précision globale (AUC) sont utilisées pour évaluer la précision des modèles. Les résultats démontrent que Random Forest et XGBoost sont des outils performants présentant une grande précision de prédiction pour la classification (94%) et une précision acceptable pour la régression (66%). WUI est parmi les variables les plus importantes. Les résultats montrent l’importance de l’inclusion de diverses sources de données, surtout sur les conditions socio-économiques, pour l’optimisation du modèle et l’amélioration de la précision de prédiction. La collaboration interdisciplinaire et l’innovation méthodologique sont importantes pour mieux éclairer les prises de décision proactive en prévention des feux de végétation.