Machine Learning-Based Landslide Susceptibility Mapping and Environmental Controls in Hanang District, Northern Tanzania
Cette étude utilise un modèle d'apprentissage automatique de type Forêt Aléatoire intégré aux données SIG et de télédétection pour cartographier la susceptibilité aux glissements de terrain dans le district de Hanang, en Tanzanie, atteignant une précision de 93,5 % et identifiant l'NDVI comme le principal prédicteur tout en révélant que près de 44 % du district est hautement vulnérable aux futurs glissements de terrain.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez la Terre comme un moule de Jell-O géant et légèrement vacillant posé sur une assiette. Parfois, l'assiette tremble (tremblements de terre), ou parfois, quelqu'un verse trop d'eau sur le dessus, faisant glisser le Jell-O en un bloc désordonné. Dans le monde réel, ce « glissement » est appelé un glissement de terrain. Cela se produit lorsque le sol, généralement sur une colline ou une montagne, décide qu'il ne peut plus supporter son propre poids et dégringole. C'est un événement majeur car, lorsque le sol bouge, il peut emporter avec lui des maisons, des routes et des forêts, causant d'énormes problèmes pour les personnes qui y vivent.
Pour empêcher cela de se produire, les scientifiques essaient de prédire où le sol est le plus susceptible de glisser. Ils font cela en observant un ensemble d'indices, comme la pente de la colline, la quantité de pluie qui tombe et le nombre d'arbres qui y poussent. Voyez cela comme un détective essayant de résoudre un mystère : « Qui a glissé ? » Le détective regarde l'humidité du sol, l'angle de la rampe et si la personne portait des chaussettes glissantes. Dans le monde de la science, les ordinateurs deviennent des super-détectives. Ils utilisent ce qu'on appelle l'« Apprentissage Automatique » (Machine Learning), ce qui revient essentiellement à apprendre à un ordinateur à tirer les leçons de ses erreurs passées (ou dans ce cas, des glissements de terrain passés) afin de deviner où le prochain pourrait se produire. C'est extrêmement important car, si nous savons où se trouve le danger, nous pouvons construire des maisons plus sûres et avertir les gens avant que la catastrophe ne frappe.
Maintenant, zoomons sur une histoire spécifique en Tanzanie. Une chercheuse nommée Asnath Alberto Malekela a décidé de jouer au détective dans le district de Hanang, un endroit qui a été récemment frappé de plein fouet par une catastrophe majeure de glissement de terrain fin 2023. Le sol là-bas est comme un tapis rugueux et bosselé, et quand de fortes pluies sont arrivées, le tapis a glissé directement hors du sol. Asnath voulait découvrir exactement quelles parties de ce district étaient les plus susceptibles de glisser à nouveau, alors elle a construit une boule de cristal numérique à l'aide d'un programme informatique appelé « Forêt Aléatoire » (Random Forest).
Vous vous demandez peut-être ce qu'est une « Forêt Aléatoire » ? Imaginez que vous essayiez de prédire la météo. Au lieu de demander à une seule personne, vous interrogez toute une forêt de 100 amis différents. Chaque ami examine un ensemble de indices légèrement différent (certains regardent les nuages, d'autres le vent, d'autres les oiseaux). Ensuite, vous prenez un vote. Si 90 de vos amis disent « Il va pleuvoir », vous les croyez probablement. C'est exactement ce que le modèle de Forêt Aléatoire a fait ici. Il a demandé à 100 « arbres » numériques d'examiner le paysage et de voter pour savoir si un glissement de terrain se produirait à un endroit donné.
Pour enseigner à cette forêt numérique, Asnath a rassemblé une liste massive d'indices provenant de l'espace et du sol. Elle a trouvé 859 points spécifiques : 429 endroits où des glissements de terrain s'étaient réellement produits (les points « glissants ») et 430 endroits où le sol était parfaitement stable (les points « sûrs »). Elle a ensuite injecté dans l'ordinateur dix types d'informations différents pour chaque point, incluant :
- L'altitude (Élévation).
- La pente de la colline (Pente).
- L'orientation de la colline (Exposition).
- La quantité de pluie tombée (tant lors d'une seule grosse tempête que sur l'année entière).
- La verdure des plantes (en utilisant une mesure satellite spéciale appelée NDVI).
- La probabilité d'humidité du sol (Indice d'humidité topographique).
- La proximité d'une rivière.
- L'utilisation des terres (comme l'agriculture ou les forêts).
L'ordinateur s'est ensuite mis au travail, comparant tous ces indices pour voir lesquels étaient les plus importants. Le résultat ? Le modèle était incroyablement doué pour sa tâche. Il a eu raison 93,5 % du temps ! C'est comme obtenir un A+ à un examen très difficile. L'ordinateur était si intelligent que lorsqu'il a examiné la carte qu'il a créée, il a découvert que près de 44 % de l'ensemble du district de Hanang se trouve dans la zone de danger « Élevée » ou « Très Élevée ». C'est presque la moitié du district !
Mais voici la partie la plus surprenante de l'histoire. Vous pourriez penser que la pente de la colline ou la quantité de pluie seraient les principaux méchants. Et bien qu'ils aient été certainement importants, l'ordinateur a pointé un doigt numérique géant vers autre chose : La Verdure.
L'étude a révélé que l'état de la végétation (à quel point les plantes sont saines et denses) était l'indice le plus important de tous. L'ordinateur a attribué au facteur « Verdure » le score le plus élevé de tous. Pensez-y de cette façon : les plantes sont comme le filet de sécurité de la nature. Leurs racines retiennent le sol comme des millions de petites mains agrippant une couverture. Quand les plantes sont saines et denses, elles retiennent fermement le sol. Mais quand les plantes sont clairsemées, endommagées ou absentes, le sol se retrouve nu et vulnérable. Les recherches d'Asnath suggèrent que maintenir le sol couvert de plantes saines est le meilleur moyen d'empêcher le Jell-O de glisser.
L'ordinateur a également compris que, si une seule forte averse est l'étincelle qui allume le feu, la sécheresse ou l'humidité du sol avant la tempête compte tout autant. C'est comme une éponge : si l'éponge est déjà imbibée par des semaines de pluie, un peu plus d'eau suffira à la faire goutter de partout. L'étude a montré que la combinaison des modèles météorologiques à long terme et des tempêtes courtes et intenses, mélangée à la forme du terrain et à la santé des plantes, crée la recette parfaite pour un glissement de terrain.
Pour s'assurer que l'ordinateur ne faisait pas que deviner, Asnath a vérifié son travail par rapport à l'histoire réelle. Elle a examiné les 429 véritables points de glissements de terrain du passé et a vu où ils se trouvaient sur la carte de l'ordinateur. Le résultat fut incroyable : 93,71 % des glissements de terrain réels tombaient exactement dans les zones de danger « Élevées » ou « Très Élevées » prédites par l'ordinateur. C'était comme si l'ordinateur possédait une carte qui correspondait parfaitement à la scène de crime.
Alors, qu'est-ce que cela signifie pour l'avenir ? L'étude ne se contente pas de dire « faites attention ». Elle donne une feuille de route précise. Elle nous dit que si nous voulons arrêter les glissements de terrain à Hanang, nous devons nous concentrer sur la protection et la restauration de la végétation. Elle suggère également que nous devons être particulièrement prudents lors de la construction de nouvelles routes ou de maisons dans les zones escarpées et vertes à proximité des rivières, car c'est là que le danger est le plus élevé. L'étude prouve qu'en utilisant des programmes informatiques intelligents et en observant les bons indices depuis l'espace, nous pouvons voir le danger avant qu'il ne survienne. C'est un outil puissant qui aide les gens à mieux planifier, à rester en sécurité et à comprendre que, parfois, la chose la plus importante qui maintient la montagne ensemble est l'herbe et les arbres que nous ne pouvons pas toujours voir de loin.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.