Soil Erosion Susceptibility Assessment Using Integrated RUSLE-GIS and Machine Learning Models in the Chittar River Basin, India

Imaginez la peau de la Terre comme une gigantesque couverture vivante faite de terre. Cette couverture est incroyablement importante car elle retient l'eau que nos cultures boivent et les nutriments qui font pousser les plantes. Mais tout comme une couverture laissée dehors pendant une tempête, cette couverture de terre peut se déchirer et être emportée par les eaux. Ce processus est appelé l'érosion du sol, et c'est un peu comme un voleur au ralenti qui dérobe la partie la plus fertile du sol, ne laissant derrière lui que de la roche dure et inutile. Lorsque cela se produit, la terre ne peut plus faire pousser de nourriture, les rivières s'encombrent de boue, et tout l'écosystème commence à souffrir. Les scientifiques essaient depuis longtemps de comprendre exactement où ce « voleur » est le plus actif. Ils utilisent des outils comme l'« Équation Universelle Révisée de la Perte de Sol » (RUSLE), qui est essentiellement une calculatrice géante qui additionne la force avec laquelle la pluie frappe, la pente des collines et la quantité d'herbe qui couvre le sol pour deviner quelle quantité de terre pourrait être emportée. Ils utilisent également l'« Apprentissage Automatique » (Machine Learning), qui revient à enseigner à un ordinateur comment devenir un détective super intelligent capable de repérer des motifs cachés dans d'énormes tas de données que les humains pourraient manquer. Comprendre où le sol est le plus susceptible de disparaître est crucial car, si nous savons où se trouvent les zones de danger, nous pouvons construire des clôtures, planter des arbres ou changer les méthodes agricoles pour protéger la terre avant qu'il ne soit trop tard.

Maintenant, zoomons sur le bassin de la rivière Chittar en Inde, un endroit où le terrain varie des montagnes escarpées et vallonnées aux plaines agricoles plates. Deux chercheurs, Jeilani Mohammed et Shashi Mesapam, ont décidé de jouer les détectives pour voir exactement quelle quantité de sol est à risque dans cette zone spécifique. Ils ne se sont pas contentés d'une seule méthode ; ils ont construit un « super-scope » de haute technologie en combinant la calculatrice de sol traditionnelle (RUSLE) avec un Système d'Information Géographique (SIG) — imaginez cela comme une carte magique et interactive qui peut superposer différents types d'informations — puis ils ont injecté toutes ces données dans quatre modèles d'Apprentissage Automatique différents pour voir lequel prédirait le mieux le danger.

L'équipe a rassemblé une quantité massive d'informations, comme un détective collectant des indices. Ils ont examiné les données de précipitations de 2000 à 2025, les cartes du type de sol, la forme du terrain (en utilisant un modèle numérique d'élévation) et l'usage réel des terres (comme les forêts, les fermes ou les villes). Ils ont décomposé le problème de l'érosion du sol en cinq ingrédients principaux : la force avec laquelle la pluie frappe (R), la facilité avec laquelle le sol s'effrite (K), la longueur et la pente des pentes (LS), la couverture végétale (C) et les techniques agricoles utilisées pour stopper l'érosion (P).

Une fois qu'ils ont obtenu tous ces indices, ils ont laissé quatre algorithmes informatiques faire leur travail. Ces algorithmes étaient comme quatre détectives avec des styles différents : Forêt Aléatoire (Random Forest - RF), Machine à Vecteurs de Support (Support Vector Machine - SVM), Arbre de Classification et de Régression (Classification and Regression Tree - CRT) et Arbre de Régression Boosté (Boosted Regression Tree - BRT). Chaque détective a tenté de prédire quelles parties du bassin étaient les plus susceptibles de perdre leur sol. Pour voir qui était le meilleur détective, ils les ont testés par rapport à des données réelles qu'ils n'avaient pas montrées aux ordinateurs auparavant.

Les résultats étaient clairs : le modèle Random Forest a été la star du spectacle. Il a obtenu un score de 0,967 sur une échelle appelée « Aire Sous la Courbe » (AUC), qui est une façon de mesurer la capacité d'un modèle à faire la distinction entre une terre sûre et une terre dangereuse. Un score aussi élevé suggère que le modèle est extrêmement fiable. Le modèle SVM arrive en deuxième position avec un score de 0,925, tandis que les modèles CRT et BRT ont obtenu des scores plus bas, respectivement de 0,870 et 0,820. L'étude a révélé que le modèle Random Forest était le plus précis pour cartographier les zones de « susceptibilité » — les zones où l'érosion du sol est susceptible de se produire.

Lorsqu'ils ont examiné les cartes créées par le meilleur modèle, ils ont constaté que le sol était en plus grand danger dans les parties hautes et escarpées du bassin, spécifiquement dans le nord-ouest. Ces zones sont comme le haut d'un toboggan glissant où la pluie frappe fort, le sol est escarpé et la végétation est insuffisante pour maintenir la terre en place. En revanche, les parties plus plates, centrales et orientales du bassin étaient beaucoup plus sûres, avec des risques d'érosion très faibles. L'ordinateur leur a également indiqué que les indices les plus importants pour prédire l'érosion étaient la pente du terrain, l'utilisation des terres (comme l'agriculture par rapport à la forêt), la force de la pluie et l'élévation du terrain.

L'article note explicitement que bien que leur modèle soit très performant, il présente certaines limites. Ils ont utilisé des données qui représentent un instantané dans le temps et n'ont pas pris en compte la façon dont la terre pourrait changer à l'avenir en raison du changement climatique ou de nouvelles pratiques agricoles. De plus, ce « super-scope » a été construit pour le bassin de la rivière Chittar, donc bien qu'il fonctionne très bien là-bas, nous ne pouvons pas être sûrs à 100 % qu'il fonctionnerait exactement de la même manière dans une partie complètement différente du monde sans tests supplémentaires. Cependant, l'étude suggère fortement que la combinaison de l'ancienne équation du sol avec l'apprentissage informatique moderne et intelligent est un moyen puissant de trouver les endroits où nous devons protéger notre sol le plus, aidant ainsi les agriculteurs et les planificateurs à maintenir intacte la couverture de la Terre.