La surveillance aérienne par drones pose des défis d'optimisation lorsque plusieurs trajets doivent être planifiés rapidement sur de vastes territoires. Notre approche combine des prévisions de risque obtenues par apprentissage automatique avec une méthode d'optimisation hybride classique–quantique. Les cartes de risque servent à générer de nombreuses tournées candidates, puis un processeur quantique à atomes neutres sélectionne un ensemble de trajets diversifiés en résolvant un problème d'ensemble indépendant. Testé sur le Québec, avec onze ans de données de feux pour la prédiction et une année complète pour l'optimisation, le cadre fournit rapidement des solutions de haute qualité. Cette contribution montre le potentiel pratique des heuristiques quantiques pour la planification opérationnelle, avec des gains attendus lorsque le matériel quantique aura des capacités mise à l'échelle.