Les glissements de terrain sont parmi les risques naturels les plus destructeurs, causant des milliers de morts et des milliards de dollars de dommages chaque année. La capacité de prévoir où et quand ces événements se produiront est essentielle pour protéger les collectivités, les infrastructures et les écosystèmes.Les méthodes traditionnelles de prédiction des glissements de terrain ont été basées sur des règles heuristiques, des corrélations statistiques et un jugement d'expert – des approches qui sont souvent insuffisantes face à l'interaction complexe des facteurs géologiques, hydrologiques et météorologiques.

Cet article examine en profondeur comment les algorithmes d'apprentissage automatique sont appliqués à la prédiction des glissements de terrain. Nous examinons les algorithmes les plus courants, le pipeline pour construire des modèles prédictifs, les techniques d'évaluation et les défis qui subsistent. Nous discutons également des orientations futures, y compris la surveillance en temps réel et l'IA explicable, qui promettent de rendre les systèmes d'alerte précoce des glissements de terrain plus efficaces que jamais.

Comprendre la prévision des glissements de terrain

La prévision des glissements de terrain vise à estimer la probabilité d'une rupture de pente dans une zone donnée sur une période donnée. La prévision repose sur l'identification et la quantification des facteurs qui influent sur la stabilité de la pente.

  • Facteurs géologiques:[ Type de sol, type de roche, orientation du plan de litière, lignes de faille.
  • Facteurs géomorphologiques : Angle de pente, aspect de pente, courbure, élévation.
  • Facteurs hydrologiques:[ Intensité et durée des précipitations, niveau d'eau souterraine, humidité du sol.
  • Facteurs de couverture: Densité de végétation, changements dans l'utilisation des terres, déforestation.
  • Facteurs anthropogéniques : Construction de routes, extraction minière, excavation, irrigation.

Les approches traditionnelles, comme les modèles déterministes de stabilité des pentes (p. ex. pentes infinies, équilibre limite) ou les méthodes statistiques comme la régression logistique, supposent souvent des relations linéaires ou nécessitent des estimations détaillées de paramètres. Elles luttent avec des données à haute dimension, des valeurs manquantes et des interactions complexes et non linéaires qui caractérisent les déclencheurs de glissements de terrain dans le monde réel.

Algorithmes d'apprentissage automatique utilisés dans la prédiction des glissements de terrain

Les chercheurs ont appliqué une grande variété d'algorithmes ML à la cartographie et à la prédiction de la sensibilité aux glissements de terrain. Le choix dépend de la taille de l'ensemble de données, des types de caractéristiques, de l'interprétation souhaitée et des contraintes de calcul.

Arbres de décision

Chaque noeud interne teste une condition (p. ex. angle de pente > 30°), et chaque noeud de feuille attribue une classe (fluide de terre ou non-fluide de terre). Il est facile à interpréter et à visualiser, ce qui les rend utiles pour mieux comprendre les facteurs dominants. Cependant, les arbres de décision sont sujets à une suradaptation, surtout avec des données bruyantes; de petits changements dans les données peuvent produire des arbres entièrement différents.

Forêts aléatoires

Les forêts aléatoires combinent de nombreux arbres de décision formés sur des échantillons de bootstrap et des sous-ensembles aléatoires de caractéristiques. Chaque arbre vote sur le résultat, et le vote majoritaire détermine la prédiction finale. Cette approche d'ensemble réduit la variance et améliore la précision, souvent surperformant les arbres uniques. Les forêts aléatoires peuvent manipuler des types de données mixtes et sont robustes à aberrer. Les scores d'importance caractéristique peuvent être extraits, fournissant des indications sur les variables qui influencent le plus la présence de glissements de terrain.

Machines à vecteur de soutien (SVM)

SVM construit un hyperplan qui sépare le mieux les zones de terrain-prone et les zones sûres dans un espace de caractéristiques haute dimension. En utilisant les fonctions du noyau (p. ex., la fonction de base radiale), SVM peut modéliser efficacement les limites non linéaires. SVM est particulièrement efficace lorsque le nombre de caractéristiques est important par rapport au nombre d'échantillons. Il a montré de solides performances de généralisation dans de nombreuses études de glissement de terrain. Cependant, SVM peut être calculablement coûteux sur de grands ensembles de données, et le choix du bon noyau et de réglage des paramètres nécessite un calibrage soigneux.

Réseaux neuronaux et apprentissage profond

Les réseaux neuronaux artificiels (RNA) sont constitués de nœuds interconnectés (neurons) organisés en couches. L'apprentissage profond, sous-ensemble de RNA avec plusieurs couches cachées, peut apprendre des modèles très complexes à partir de grands ensembles de données. Les réseaux neuronaux convolutionnels (RNC) et les réseaux neuronaux récurrents (RNA) ont été appliqués à la prédiction des glissements de terrain à l'aide de données spatiales (images) et de séquences temporelles (série chronologique de précipitations). Par exemple, les RNA peuvent extraire directement des caractéristiques de l'imagerie satellitaire ou des modèles numériques d'élévation (DEM).

Machines à stimuler les gradients (GBM)

Les algorithmes comme XGBoost, LightGBM et CatBoost sont devenus populaires dans la recherche sur les glissements de terrain en raison de leur performance prédictive élevée et de leur capacité à gérer naturellement les valeurs manquantes et les caractéristiques catégoriques. Ils sont souvent plus rapides que les forêts aléatoires et peuvent capter des interactions complexes. Par exemple, une étude dans Geoscience Frontiers a démontré que XGBoost surperformait les forêts aléatoires et la SVM pour la susceptibilité aux glissements de terrain dans la région du Sichuan en Chine (Chen et al., 2020.

Construire un modèle de prévision des glissements de terrain

L'élaboration d'un modèle robuste de prévision des glissements de terrain basé sur le LM implique un pipeline systématique, de l'acquisition de données au déploiement.

Collecte de données

Les données de qualité sont le fondement de tout modèle de ML. Pour la prédiction des glissements de terrain, les données proviennent de :

  • Inventaires des glissements de terrain: Registres historiques des lieux, des dates et des types des glissements de terrain.Les sources comprennent les relevés géologiques régionaux, l'interprétation des images satellitaires et les études sur le terrain.De nombreux inventaires sont accessibles au public par l'intermédiaire d'organismes comme NASA Global Landslide Database.
  • Rastres environnementaux: Modèles numériques d'élévation (DEM) de SRTM ou LiDAR, cartes des sols, lithologie, utilisation des terres/couverture terrestre (LULC) à partir d'images satellitaires (p. ex. Landsat, Sentinel-2).
  • Données climatiques:[ Enregistrements de précipitations à partir de pluviomètres ou de produits par satellite (p. ex., MRG, GPM).
  • Données sismiques: Catalogues de tremblements de terre pour les déclencheurs de glissements de terrain co-sismiques.

Les données doivent être compilées à une résolution spatiale cohérente (habituellement de 30 m ou plus) et à une échelle temporelle. Il est important d'établir un équilibre entre le nombre d'échantillons de glissements de terrain et d'échantillons non de glissements de terrain pour éviter le déséquilibre de classe, ce qui peut biaiser le modèle vers la classe majoritaire.

Prétraitement des données

Les données brutes nécessitent presque toujours un nettoyage et une transformation:

  • Mettre en main les valeurs manquantes :[ Imputer en utilisant la moyenne, la médiane ou l'interpolation; ou utiliser des algorithmes qui supportent les données manquantes.
  • Alignement coordonné:[ S'assurer que toutes les couches sont dans la même projection (p. ex. UTM) et dans la même étendue de grille.
  • Normalisation et normalisation:[ Échelle des caractéristiques numériques (p. ex. pente, élévation) à une plage standard (p. ex. 0–1 ou z-scores) pour empêcher les variables avec des plages plus grandes de dominer le modèle.
  • Encodage des variables catégorisées:[ Conversion des unités géologiques, des types de sol et des classes de couverture terrestre en représentations numériques en codage à chaud ou en codage ordinal.
  • Stratégie d'échantillonnage:[ Pour les ensembles de données déséquilibrés, des techniques telles que sous-échantillonnage aléatoire, suréchantillonnage (SMOTE) ou apprentissage sensible aux coûts peuvent être appliquées.

Sélection des caractéristiques

Toutes les caractéristiques ne contribuent pas à la puissance prédictive. L'inclusion de caractéristiques non pertinentes ou redondantes peut augmenter le surajustement et le coût de calcul.

  • Méthodes de filtration:[ Analyse de corrélation (Pearson, Spearman), information mutuelle, test chi carré.
  • Méthodes d'enroulement:[ Élimination récursive de la fonction (RFE), sélection avant/arrière.
  • Méthodes intégrées:[ Importance de la caractéristique des modèles basés sur les arbres, régularisation L1 (LASO) pour les modèles linéaires.

Par exemple, l'angle de pente est presque toujours un prédicteur fort, tandis que l'aspect peut avoir une influence moins directe dans certaines régions.

Formation et réglage des modèles

Une fois les fonctionnalités et les fractionnements de données prêts, l'algorithme ML sélectionné est formé.

  • Divague des données: Données de partage en formation (70–80%), validation (10–15%) et tests (10–15%). Assurer l'indépendance spatiale et temporelle si possible (p. ex., formation sur des événements plus anciens, test sur des événements plus récents).
  • Validation de la corrosion:[ Utiliser la validation croisée du facteur k (p. ex., 10 fois) pour évaluer la stabilité du modèle et réduire le surajustement.
  • Optimisation du paramétrage :[ Recherche en grille, recherche aléatoire ou optimisation bayésienne pour trouver des paramètres optimaux (p. ex. profondeur de l'arbre, taux d'apprentissage, paramètres du noyau).
  • Regularisation:[ Techniques comme l'abandon (dans les réseaux neuraux) ou la régression de crête/LASO pour éviter une suradaptation.

Validation et essais

Le modèle final est évalué sur l'ensemble d'essais retenu.

  • Précision: (TP + TN) / total – fausseur si les classes sont déséquilibrées.
  • Précision:[ TP / (TP + FP) – les faux positifs faibles sont importants pour l'alerte précoce.
  • Reappel (sensibilité):[ TP / (TP + PN) – un taux élevé de vrais positifs est essentiel pour éviter les glissements de terrain manquants.
  • F1-score: Moyenne harmonique de précision et de rappel.
  • Zone sous la courbe caractéristique de fonctionnement du récepteur (AUC-ROC): Mesure l'équilibre entre les taux positifs réels et faux positifs; les valeurs supérieures à 0,8 indiquent une bonne discrimination.
  • Cohen , Kappa: Mesure l'accord entre les prévisions et les classes réelles, en tenant compte du hasard.

De plus, le modèle devrait être testé à partir de données spatiales ou temporelles indépendantes pour s'assurer qu'il se généralise au-delà du domaine de formation.

Défis et limites

Malgré leur promesse, les modèles de prédiction des glissements de terrain basés sur le ML doivent faire face à plusieurs obstacles que les chercheurs doivent surmonter.

  • Résiliation et qualité des données:[ Les inventaires de glissements de terrain de haute qualité sont rares, en particulier dans les pays en développement. Des inventaires incomplets ou biaisés conduisent à des modèles peu fiables.
  • Déséquilibre de classe : Les glissements de terrain sont des événements rares; le nombre de cellules stables (non-landslide) dépasse de loin ceux instables. Les classificateurs ML standard ont tendance à prédire la classe majoritaire.
  • Nonstationnalité spatiale et temporelle:[ Les processus de glissement de terrain varient selon les régions et au fil du temps. Un modèle formé dans un bassin peut se révéler inefficace dans un autre en raison de différents régimes géologiques ou pluvieux.
  • Interprétabilité vs précision:[ Des modèles complexes comme les réseaux neuronaux profonds obtiennent une précision élevée, mais sont souvent considérés comme des boîtes noires. Pour la gestion des risques, les intervenants doivent comprendre pourquoi une prédiction est faite.
  • Sur-mesure : Avec de nombreuses caractéristiques et des échantillons limités, les modèles peuvent mémoriser les données de formation et échouer sur de nouveaux scénarios. La régularisation et la validation croisée rigoureuse sont nécessaires mais pas toujours suffisantes.
  • Coût de calcul:[ Les méthodes d'apprentissage et d'ensemble profonds nécessitent une puissance de traitement et une mémoire importantes, qui peuvent ne pas être disponibles dans les paramètres de ressources limitées.

Orientations futures et intégration avec les systèmes d'alerte précoce

L'apprentissage automatique pour la prédiction des glissements de terrain est un domaine en évolution rapide. Plusieurs tendances promettent d'améliorer les capacités du modèle et l'utilité du monde réel.

Surveillance en temps réel et fusion des capteurs

Les progrès réalisés dans les capteurs IoT (p. ex., les compteurs d'inclinaison, les piézomètres, les sondes d'humidité du sol) et la télédétection par satellite (p. ex., l'InSAR pour les produits de déformation au sol et les produits de précipitations à haute résolution) permettent de diffuser des données en temps quasi réel.

L'apprentissage profond avec des données spatiales et temporelles

Les réseaux neuronaux convolutionnels (RNC) et les réseaux neuronaux graphes (RNG) peuvent traiter directement les données raster et vectorielles, captant l'autocorrélation spatiale (p. ex., les pentes avoisinantes s'influencent). Les architectures récurrentes (LSTM, GRU) gèrent les séquences temporelles, permettant de prédire le moment des glissements de terrain en fonction des prévisions de précipitations.

AI explicable pour la communication des risques

À mesure que les modèles deviennent plus complexes, des outils comme SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model-agnostic Explications) sont appliqués pour expliquer les prédictions individuelles. Par exemple, un modèle peut produire -probabilité de glissement de terres = 85 % et indiquer que les principaux facteurs contributifs sont les pluies abondantes récentes et l'angle de pente raide.

Modèles Ensemble et Hybrides

La combinaison de plusieurs algorithmes, par exemple la forêt aléatoire + le réseau de SVM + le réseau neuronal, peut améliorer la robustesse. L'échafaudage ou le méta-apprentissage utilise les prédictions des modèles de base comme entrées dans un classificateur final.

Intégration avec les systèmes d'alerte précoce (SEA)

L'objectif ultime est d'intégrer les modèles de ML dans les systèmes opérationnels d'alerte rapide.Ces systèmes nécessitent non seulement des prévisions précises, mais aussi des seuils clairs, des protocoles de communication et un engagement communautaire.La US Geological Survey Landslide Hazards Program a mis à l'essai des outils basés sur ML pour les alertes régionales de glissements de terrain.

Conclusion

L'apprentissage automatique a fondamentalement changé le paysage de la prédiction des glissements de terrain, offrant des méthodes basées sur les données qui peuvent traiter des données environnementales complexes et à haute dimension.De l'arbre de décision et des forêts aléatoires à l'apprentissage profond et à l'augmentation des gradients, il existe une variété d'algorithmes, chacun présentant des avantages et des limites distincts. Le succès de tout modèle de prédiction dépend de la qualité des données d'entrée, de l'ingénierie rigoureuse des caractéristiques, de la validation rigoureuse et d'une compréhension claire des faiblesses du modèle.