Présentation

Parmi les applications les plus efficaces dans ce domaine, on peut citer la cartographie de la susceptibilité aux glissements de terrain (LSM), un processus qui identifie les zones sujettes à l'échec des pentes.Les glissements de terrain posent des menaces importantes pour la vie humaine, l'infrastructure et les écosystèmes, entraînant des milliards de dollars de dommages et des milliers de décès par an. Les méthodes traditionnelles de cartographie de la susceptibilité, souvent basées sur l'heuristique experte ou des modèles statistiques simples, luttent pour saisir les interactions complexes et non linéaires entre des facteurs prédisposants tels que la topographie, la géologie et l'hydrologie.

Comprendre la cartographie de la sensibilité des glissements de terrain

La cartographie de la susceptibilité des glissements de terrain est le processus d'estimation des endroits où des glissements de terrain risquent de se produire à l'avenir, en fonction de la répartition spatiale des glissements de terrain passés et d'un ensemble de facteurs de conditionnement. Elle diffère de la cartographie des dangers, qui intègre également la probabilité temporelle, et de la cartographie des risques, qui comprend l'exposition et la vulnérabilité.

Les méthodes heuristiques sont subjectives et ne sont pas facilement reproductibles. Les modèles statistiques supposent des relations linéaires et nécessitent souvent une sélection rigoureuse de variables. Les modèles déterministes nécessitent des paramètres géotechniques détaillés qui sont rarement disponibles à l'échelle régionale. Ces limites ont conduit les chercheurs à des méthodes d'IA fondées sur des données qui peuvent gérer des relations non linéaires à haute dimension sans hypothèses solides préalables.

Les facteurs de conditionnement couramment utilisés dans les MLSM sont notamment les suivants:

  • Attributs topographiques: angle de pente, aspect, courbure, élévation, indice d'humidité topographique (TWI), indice de puissance du courant (SPI).
  • Facteurs géologiques: lithologie (type de roche), densité de failles, degré d'altération.
  • Couverture des terres: type de végétation, utilisation des terres, indice de végétation de différence normalisée (IVND).
  • Facteurs hydrologiques: précipitations annuelles, intensité des précipitations, distance jusqu'au drainage.
  • Facteurs anthropogéniques : densité du réseau routier, pentes coupées, activité minière.

Chaque facteur contribue différemment selon la géologie et le climat locaux. Les modèles d'IA apprennent automatiquement ces contributions à partir de données de formation, qui consistent généralement en cartes d'inventaire des glissements de terrain (points ou polygones) et les couches de facteurs correspondantes.

Le rôle de l'intelligence artificielle

L'IA, en particulier l'apprentissage automatique (ML) et l'apprentissage profond (DL), répond aux principaux défis du LSM : espaces de fonctionnalités à haute dimension, interactions non linéaires, et nécessité d'un traitement automatisé évolutif sur de vastes zones.Au lieu de définir manuellement les règles de décision, les modèles d'IA sont formés à des exemples marqués (pixel de glissement de terrain et pixels de glissement de terrain) pour apprendre à cartographier les facteurs de conditionnement et les probabilités de glissement de terrain.

  • Découverte de la carte: L'IA peut détecter des interactions complexes entre des facteurs que les analystes humains pourraient manquer.
  • Évoluabilité:[ Une fois formés, les modèles peuvent être appliqués à des régions ou à des nations entières sans apport d'experts supplémentaires.
  • Quantification d'incertitude :[ Les extrants probabilistes permettent aux décideurs de comprendre les niveaux de confiance.
  • Intégration de données multisources:[ L'IA peut fusionner l'imagerie satellitaire, les modèles numériques d'élévation (DEM), les cartes des sols et les grilles de précipitations en une prédiction unifiée.

Constatation clé:[ Le succès de l'IA dans les MLG dépend de la qualité et de la représentativité des données de formation.

Algorithmes d'apprentissage des machines clés

De nombreux algorithmes ML ont été appliqués à la LSM, chacun ayant des forces et des faiblesses distinctes. Les plus étudiés sont les suivants:

  • Régression logistique (LR):[ Un classificateur linéaire simple qui évalue la probabilité d'occurrence de glissement de terrain. Il sert de base de référence mais souvent sous-performe sur des ensembles de données complexes.
  • Arbres de décision (DT):[ Modèle semblable à un arbre où les caractéristiques sont utilisées pour diviser les données en groupes homogènes. Facile à interpréter mais susceptible de surcoller sans tailler.
  • Random Forest (RF):[ Un ensemble de nombreux arbres de décision formés sur des échantillons piégés et des sous-ensembles aléatoires de caractéristiques. RF est robuste, gère bien les données manquantes et fournit des scores d'importance de caractéristique. Il se classe régulièrement parmi les meilleurs interprètes dans les points de repère LSM.
  • Support Vector Machines (SVM):[ Un classificateur discriminatif qui trouve les classes de glissement de terrain hyperplanes les mieux adaptées et non-landslide. SVM fonctionne bien dans les espaces haute dimension mais nécessite une sélection minutieuse du noyau (p. ex., fonction de base radiale).
  • Gradient Boosting Machines (GBM):[ Ensemble séquentiel qui construit des arbres pour corriger les erreurs des arbres précédents. XGBoost et LightGBM sont des variantes populaires offrant une haute précision et vitesse, bien qu'ils soient plus sensibles aux hyperparamètres.
  • Réseaux neuronaux artificiels (ANN):[ Perceptrons multicouches (MLP) avec une ou plusieurs couches cachées. Les AN peuvent modéliser des relations non linéaires mais nécessitent de gros ensembles de données et un réglage attentif pour éviter une suradaptation.

Dans les études comparatives, les RF et les gradients stimulent obtiennent souvent la plus grande précision de prédiction (ASC > 0,85–0,95) sur divers terrains. Cependant, aucun algorithme n'est universellement le meilleur; le choix dépend de la taille des données, des types de caractéristiques et des besoins en interprétabilité.

Approches d'apprentissage approfondi

Dans le cadre du ML, les réseaux neuronaux convolutionnels (RCN) sont particulièrement prometteurs parce qu'ils peuvent traiter directement des images raster (p. ex., DEM, bandes satellites) sans extraction manuelle de fonctions. Un RCN apprend des caractéristiques spatiales hiérarchiques – les contours, les textures et les schémas de forme terrestre – qui sont très pertinentes pour la prédiction des glissements de terrain. Des études récentes indiquent que les RCN peuvent surpasser les méthodes traditionnelles de LM, surtout lorsqu'ils utilisent des données de télédétection à haute résolution (p. ex., 1-10 m/pixel).

On a également appliqué des réseaux neuronaux récurrents (RNN) et des réseaux de mémoire à court terme (LSTM) longs à des données de séries chronologiques, comme des séquences de précipitations menant à un glissement de terrain. La combinaison de CNN et de LSTM dans un modèle hybride permet une analyse simultanée des facteurs spatiaux et temporels, améliorant les prévisions de sensibilité sur des échelles saisonnières.

Malgré leur puissance, les modèles d'apprentissage profond exigent des données bien marquées (en milliers d'échantillons) et des ressources de calcul importantes.Pour de nombreuses régions, ces inventaires ne sont pas disponibles, ce qui rend l'apprentissage du transfert – où un modèle pré-formé sur un domaine est affiné sur un autre – un domaine de recherche actif.

Sources de données et prétraitement

Les données d'entrée de haute qualité sont le fondement de tout projet de GTS basé sur l'IA.

  • Les modèles d'élévation numériques (DEM) :[ SRTM (30 m), ALOS World 3D (30 m) ou les DEM dérivés de LiDAR (1–5 m) fournissent des dérivés de topographie.
  • Inventaires des glissements de terrain:[ Cartes historiques des événements provenant de l'interprétation de photos aériennes, de la détection de changement d'image par satellite ou de relevés sur le terrain.
  • Cartes géologiques: Les unités de lithologie sont souvent le facteur de contrôle le plus puissant.
  • Imagerie de satellite: Landsat 8/9, Sentinel-2, ou très haute résolution (VHR) images fournissent couverture terrestre, NDVI, et la détection des dommages après l'événement.
  • Données sur les précipitations:[ Les produits de précipitations broyées (p. ex. CHIRPS, TRMM, GPM) offrent des moyennes à long terme ou des indices de précipitations antérieures.

Les étapes de prétraitement comprennent :

  1. Resamplement:[ Tous les rasters doivent être alignés sur la même résolution spatiale (p. ex., 30 m) et le même système de coordonnées.
  2. Normalisation ou normalisation: Les caractéristiques continues sont écalées à zéro moyenne et variance unitaire pour aider les algorithmes ML à converger.
  3. La manipulation de valeurs manquantes:[ Les voisins les plus proches ou l'interpolation peuvent combler des lacunes, mais de grandes zones manquantes peuvent nécessiter une exclusion.
  4. Déséquilibre de classe : Les glissements de terrain sont des événements rares (habituellement <5 % de la superficie). Les techniques utilisées sont les sous-échantillonnages aléatoires des non-glissements, le suréchantillonnage des glissements de terrain (SMOTE) ou l'ajustement des poids de classe dans la fonction perte.
  5. La multicolinéarité (p. ex., corrélation élevée entre la pente et l'IBT) peut nuire à certains modèles. L'analyse du facteur d'inflation de variation (FIV) ou l'élimination récursive des caractéristiques est recommandée.

Formation et validation des modèles

Pour construire un modèle d'IA fiable pour les GSM, il faut des protocoles de formation et de validation rigoureux.

  1. Échantillonnage: Les pixels de glissement de terrain sont étiquetés comme 1; les pixels de glissement de terrain non comme 0. La pratique courante consiste à sélectionner au hasard un nombre égal de points de glissement de terrain dans les zones à faible susceptibilité (p. ex. terrain plat) pour créer un ensemble de données équilibré.
  2. Train-Test Split: L'ensemble de données étiqueté est divisé en ensembles de formation (70–80%) et de test (20–30%) qui utilisent souvent une validation croisée spatiale (p. ex., le pli k ou le labour-one-area-out) pour éviter un biais d'autocorrélation spatiale.
  3. Hyperparamètre Tuning:[ La recherche en grille, la recherche aléatoire ou l'optimisation bayésienne trouvent des paramètres optimaux (p. ex., profondeur de l'arbre, taux d'apprentissage).
  4. Méthodes d'évaluation:[
    • ]Zone sous la courbe caractéristique du récepteur (AUC-ROC):[ Mesure la capacité de discrimination globale.
    • Matrice de confusion:[ Précision, précision, rappel, score F1. Le rappel (taux réel positif) est particulièrement important pour minimiser les glissements de terrain manqués.
    • Kappa Coefficient: Accord hors de toute chance.
  5. Prédiction spatiale : Le modèle formé est appliqué à l'ensemble de la grille de la zone d'étude, générant une carte de sensibilité (probabilité de 0 à 1). La carte est souvent reclassée en classes de sensibilité (p. ex., très faible à très élevée) à l'aide de bris naturels ou de quantiles.

Le surajustement est un risque constant. L'utilisation de trop de caractéristiques ou de modèles trop complexes (p. ex. réseaux profonds avec des données insuffisantes) peut donner une précision élevée de l'entraînement mais une généralisation médiocre.

Études de cas

1. Région de l ' Himalayan (Inde/Népal)

Les chercheurs ont appliqué Random Forest et SVM pour cartographier la susceptibilité dans l'Himalaya de Garhwal en utilisant la pente, l'aspect, la lithologie, l'utilisation des terres et les précipitations. RF a obtenu une ASC = 0,92, surperformant la SVM (0,88). La carte qui en a résulté a mis en évidence que plus de 30 % de la région est exposée à une susceptibilité élevée ou très élevée, guidant la construction de routes et la planification de l'établissement (Kumar et al., 2020).

2. Californie, États-Unis

Dans la région de la baie de San Francisco, un réseau neuronal convolutionnel profond a été formé sur 1 m de LiDAR DEM et orthophotos pour prédire les glissements de terrain peu profonds déclenchés par les tempêtes. Le CNN a correctement identifié 85 % des défaillances connues et a réduit les faux positifs de 40 % par rapport à une régression logistique de base (USGS Landslide Hazards Program, 2022).

3. Italie du Sud (Campanie)

Le modèle a permis de saisir les variations saisonnières, montrant que les feux de forêt d'été augmentent considérablement la sensibilité à l'automne suivant. L'étude a mis en évidence l'importance des facteurs de conditionnement dynamiques (Guzzetti et al., 2021)].

Ces études de cas montrent que le MLSM basé sur l'IA non seulement correspond mais dépasse souvent les méthodes traditionnelles en précision, surtout lorsque des données d'entrée à haute résolution sont disponibles.

Avantages et limites

Avantages

  • Acquiescement: Les modèles d'IA atteignent systématiquement des valeurs de l'ASC supérieures à 0,85, dépassant les méthodes statistiques conventionnelles.
  • Automation:[ Une fois formés, les modèles peuvent être appliqués sur des continents entiers, accélérant les évaluations qui ont pris des mois auparavant.
  • Intégration multisources:[ L'IA fusionne sans heurts les données raster, vectorielles et temporelles en un seul cadre.
  • Productions probabilistes:[ Les cartes de probabilité continues permettent un seuil flexible basé sur la tolérance au risque.
  • Transfertabilité:[ Les modèles pré-formés peuvent être adaptés à de nouvelles régions avec des données limitées par transfert d'apprentissage.

Limitations

  • Données: La performance est directement liée à l'exhaustivité des inventaires et à la qualité des cartes des facteurs.
  • Nature de la boîte noire:[ De nombreux modèles d'IA (surtout les réseaux profonds) offrent peu d'interprétation. Des techniques d'IA explicables comme SHAP ou LIME sont nécessaires pour comprendre quels facteurs conduisent les prédictions.
  • Risque excessif:[ Les modèles complexes peuvent mémoriser le bruit au lieu de généraliser, particulièrement dans les petits ensembles de données.
  • Coût de calcul:[ L'apprentissage approfondi nécessite des ressources GPU et un réglage hyperparamétrique étendu.
  • Stabilisation temporelle: Les cartes de sensibilité sont statiques, mais les déclencheurs de glissement de terrain (p. ex., précipitations) sont dynamiques.

Orientations futures

Le terrain évolue rapidement vers un MLSM plus robuste et plus opérationnel axé sur l'IA. Les principales tendances sont les suivantes :

  • Engagé Apprentissage:[ La combinaison de plusieurs algorithmes (par exemple RF + XGBoost + réseau neuronal) donne souvent des prédictions meilleures et plus stables que n'importe quel modèle.
  • Trafer Learning and Domain Adaptation:[ Utiliser des modèles formés dans des régions riches en données (p. ex., l'Europe) pour cartographier les bootstrap dans les zones de données (p. ex., l'Afrique centrale).
  • L'intégration avec des capteurs en temps réel:[ Les modèles d'IA mis à jour par les données IoT (p. ex., inclinaisonmètres, pluviomètres) pourraient passer de la susceptibilité statique à la prévision dynamique des risques.
  • Les outils comme l'importance des caractéristiques, les parcelles de dépendance partielle et les cartes de saliabilité augmenteront la confiance et l'acceptation réglementaire.
  • Plates-formes basées sur le cloud: Des services comme Google Earth Engine hébergent maintenant des bibliothèques ML (p. ex. TensorFlow, XGBoost) qui peuvent traiter des ensembles de données globales sans télécharger de téraoctets de données.
  • Des modèles d'IA qui prédisent simultanément les glissements de terrain, les inondations et les tremblements de terre pourraient mieux appuyer la réduction intégrée des risques de catastrophe.

Conclusion

L'intelligence artificielle a fondamentalement avancé la cartographie de la susceptibilité des glissements de terrain, permettant des évaluations plus précises, évolutives et automatisées que jamais auparavant. Les algorithmes d'apprentissage automatique, de la forêt aléatoire aux réseaux convolutionnels profonds, apprennent directement des données environnementales pour produire des surfaces de risque probabilistes qui peuvent guider l'aménagement de l'utilisation des terres, les systèmes d'alerte précoce et le développement de l'infrastructure. Toutefois, la qualité de ces cartes demeure liée aux données sous-jacentes et aux choix de modélisation.

Pour plus de renseignements, explorer le programme USGS Landslide Hazards Program[ et les études évaluées par des pairs dans des revues telles que Landslides[ et Engineering Geology[[