Machine-Learning-Based Landslide Susceptibility Mapping Using an InSAR- Refined Inventory in the Mandi district, Northwestern Himalaya, India, Himalaya region

Imaginez la surface de la Terre comme un gigantesque puzzle au ralenti. Parfois, des pièces de ce puzzle — versants de montagnes, collines et pentes — décident de glisser vers le bas. Lorsqu'elles le font, on appelle cela un glissement de terrain, et cela peut être une catastrophe pour les personnes, les routes et les maisons situées sur leur passage. Les scientifiques tentent depuis longtemps de prédire où ces glissements pourraient se produire ensuite. Traditionnellement, ils ont observé les indices « statiques » : la pente d'une colline, le type de roche qui la compose, la quantité de pluie qui tombe à cet endroit et où les anciens glissements se sont produits par le passé. C'est comme essayer de prédire un accident de voiture en ne regardant que l'état de la route et l'historique du véhicule, sans remarquer que le conducteur est actuellement en train de faire des embardées.

Mais la Terre est dynamique ; elle est toujours en mouvement, en train de se déplacer et de gémir sous le poids de la gravité, de la pluie et des plaques tectoniques. Pour attraper un glissement de terrain avant qu'il ne se produise, les scientifiques doivent voir l'« embardée » avant le crash. C'est là qu'intervient un type spécial de technologie spatiale. Considérez les satellites comme de gigantesques yeux super-sensibles dans le ciel capables de mesurer le mouvement du sol de quelques millimètres seulement — comme remarquer qu'une personne fait un tout petit pas avant de trébucher. En combinant ces « yeux de l'espace » avec de puissants programmes informatiques qui apprennent à partir de modèles (appelés apprentissage automatique ou machine learning), les scientifiques peuvent construire une carte de danger bien plus précise. Il ne s'agit pas seulement de regarder de vieilles cartes ; il s'agit d'observer le sol respirer et bouger en temps réel pour voir où il est sur le point de lâcher prise.

---

L'histoire de l'article : Attraper les mouvements sournois de la Terre

Dans le district de Mandi, dans le nord-ouest de l'Himalaya en Inde, le sol est un peu une diva dramatique. C'est un lieu de montagnes escarpées, de fortes pluies de mousson et de failles tectoniques actives (des fissures dans la croûte terrestre). Pendant des années, les scientifiques et les responsables ont tenté de cartographier les parties de ce district les plus susceptibles de glisser. Ils comptaient auparavant sur des inventaires « statiques » — essentiellement une liste de glissements de terrain déjà survenus et enregistrés dans de vieilles bases de données. Les auteurs de cet article ont réalisé que cette approche revenait à essayer de prédire la météo en ne consultant que le journal d'hier. Cela occultait les mouvements subtils et lents qui se produisent en ce moment même et qui signalent l'imminence d'un glissement.

Ainsi, l'équipe, dirigée par Akshay Raj Manocha et ses collègues, a décidé de moderniser son travail de détective. Ils ont récupéré des données provenant des satellites Sentinel-1, qui agissent comme des caméras radar de haute technologie, scannant le district de Mandi de 2023 à 2024. Ils ont utilisé deux techniques astucieuses, appelées Interférométrie de Dispersions Persistantes (PSI) et Sous-ensemble de Baseaux Étroits (SBAS), pour traiter ces données. Vous pouvez considérer ces techniques comme deux manières différentes d'écouter le rythme cardiaque de la Terre. La PSI est excellente pour écouter les points stables et durs comme les rochers et les bâtiments, tandis que la SBAS est plus apte à entendre les mouvements plus mous et plus étendus dans les zones végétalisées. Ensemble, elles ont créé une carte de déformation du sol ultra-sensible, montrant exactement où le sol rampait, glissait ou se déplaçait, même s'il n'avait pas encore dégringolé.

La grande découverte : Trouver les glissements cachés

L'équipe a pris ces nouvelles données de mouvement de haute technologie et s'en est servie pour corriger leur ancienne liste de glissements de terrain. Ils ont comparé la « carte de rampement » du satellite avec la base de données existante du gouvernement concernant les glissements de terrain. Le résultat fut une révélation : l'ancienne liste omettait l'action. En utilisant les données satellitaires, ils ont trouvé 36 nouveaux glissements de terrain qui n'avaient été cartographiés par personne auparavant. Cela a augmenté leur liste totale de glissements connus de 18 %. C'était comme trouver 36 coffres au trésor cachés sur une carte que tout le monde pensait pourtant complète.

Mais ils ne se sont pas arrêtés à la simple découverte des glissements. Ils voulaient prédire où seraient les prochains. Pour ce faire, ils ont injecté leur liste mise à jour et « affinée par l'InSAR » dans quatre modèles d'apprentissage informatique différents (des algorithmes qui apprennent à partir de données) : Extreme Gradient Boosting (XGB), Random Forest, Régression Logistique et Perceptron Multicouche. Ils ont également testé douze facteurs différents pouvant causer un glissement, tels que la pente, la proximité d'une route, le type de roche et la quantité de pluie.

Le vainqueur et les règles du jeu

Les modèles informatiques ont joué à un jeu de « repérer le motif » pour voir lequel pouvait prédire le mieux les glissements de terrain. Le vainqueur fut l'Extreme Gradient Boosting (XGB). Il était le plus précis, surtout lorsque les chercheurs utilisaient une méthode spécifique appelée « validation croisée par blocs spatiaux » avec une taille de bloc de 3 000 mètres. Voyez cela comme un test du modèle sur différents morceaux de la carte pour s'assurer qu'il ne se contentait pas de mémoriser le quartier, mais qu'il apprenait réellement les règles de tout le jeu.

Les résultats étaient impressionnants. En utilisant la nouvelle liste de glissements de terrain mise à jour par satellite plutôt que l'ancienne liste statique, la précision du modèle (mesurée par un score appelé AUC) a bondi de 12 à 15 %. Cela suggère que savoir où le sol bouge actuellement fait une énorme différence pour prédire où il finira par tomber.

Qu'est-ce qui fait glisser le sol ?

Les modèles informatiques ont également agi comme des détectives, pointant les indices les plus importants. Les « suspects » ayant les empreintes les plus marquantes sur les occurrences de glissements de terrain étaient :

1. La pente : La déclivité est le facteur numéro un. Plus la colline est raide, plus elle est susceptible de glisser.
2. La distance aux routes : Étonnamment, la proximité d'une route augmente la probabilité d'un glissement. Cela s'explique par le fait que la construction de routes implique souvent de tailler dans les flancs des collines et de modifier le drainage de l'eau, ce qui fragilise la pente.
3. La distance aux failles : Les zones proches des fissures dans la croûte terrestre (failles) sont plus instables car les roches y sont déjà brisées et fragiles.
4. La pluie : Les fortes pluies agissent comme la goutte d'eau qui fait déborder le vase, imprégnant le sol et le rendant lourd et glissant.

L'équipe a créé une carte finale divisée en cinq zones : très faible, faible, modérée, élevée et très élevée susceptibilité. Ils ont constaté que les zones à risque élevé et très élevé couvrent environ 25 % du district. Mieux encore, la carte était juste : la grande majorité des glissements de terrain qu'ils ont trouvés (les anciens ainsi que les 36 nouveaux) se trouvaient précisément dans ces zones à haut risque.

Les limites et l'avenir

L'article note avec prudence que ceci n'est pas une boule de cristal magique. La technologie satellitaire a des limites. Dans les zones de forêts très denses ou de terrains rocheux extrêmement escarpés, le signal radar peut être brouillé (un problème appelé « décorrélation »), ce qui signifie qu'ils n'ont pas pu observer le mouvement du sol dans environ 15 à 20 % du district. De plus, les modèles informatiques sont basés sur les données dont ils disposent actuellement ; ils ne tiennent pas encore compte de la manière dont le changement climatique pourrait rendre les pluies encore plus lourdes à l'avenir.

Cependant, l'étude démontre un point puissant : en combinant les « yeux de l'espace » qui voient le sol bouger avec des modèles informatiques intelligents, nous pouvons passer d'une carte de danger statique et obsolète à une carte vivante et respirante. C'est une façon de voir les signes d'alerte de la Terre avant que le glissement ne se produise, offrant une meilleure chance de protéger les populations et les routes dans l'Himalaya.