📄 earth_science

Diagnosing Spatial Disparities in Urban Flood Burden through Hydro- Environmental Normalization in Jakarta, Indonesia

Cette étude introduit le cadre de la Déviation de la Charge d'Inondation Normalisée par l'Aléa (HNFBDev) pour diagnostiquer les disparités spatiales de la charge d'inondation urbaine à Jakarta en quantifiant la déviation entre les résultats observés et ceux attendus sur le plan environnemental, identifiant ainsi les lieux où les impacts des inondations sont inhabituellement élevés ou faibles par rapport aux conditions hydro-environnementales.

Auteurs originaux : Rifky Husaini, Perdinan Perdinan, Novindra Novindra

Publié 2026-08-11

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rifky Husaini, Perdinan Perdinan, Novindra Novindra

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

Le Grand Jeu de Détective des Inondations

Imaginez que vous essayiez de comprendre pourquoi certains quartiers sont inondés lors d'une averse alors que d'autres restent au sec. Dans le monde de la science, on appelle cela l'« évaluation des inondations urbaines ». Habitéralement, les scientifiques examinent deux éléments principaux : le danger (la quantité de pluie tombée ou la hauteur atteinte par la rivière) et l'exposition (le nombre de personnes vivant là). C'est comme vérifier la taille d'une vague et compter le nombre de nageurs. Si la vague est énorme et que la foule est nombreuse, nous supposons que la catastrophe est massive.

Mais voici la partie délicate : parfois, une vague géante frappe un endroit où il y a très peu de monde, et la « catastrophe » semble petite. D'autres fois, une vague de taille moyenne frappe un quartier bondé, et le chaos est immense. Ce document pose une question astucieuse : Le désordre que nous observons est-il plus grand ou plus petit que ce que nous attendrions, compte tenu de la météo et du terrain ? Pour répondre à cela, les chercheurs utilisent une méthode appelée « diagnostics observés-attendus ». Voyez cela comme un professeur qui corrige une copie. Si un élève obtient 90 % à un examen super difficile, c'est incroyable. S'il obtient 90 % à un test où tout le monde a eu 99 %, c'est qu'il n'a peut-être pas assez étudié. Ce document tente de noter les quartiers de Jakarta non pas seulement sur la façon dont ils ont été mouillés, mais sur la façon dont ils ont été mouillés par rapport à ce que la météo et les conditions du sol indiquaient qu'ils devraient l'être.

L'histoire du détective des inondations de Jakarta

Dans la ville bouillonnante et de faible altitude de Jakarta, en Indonésie, les inondations sont un mélange compliqué de fortes pluies, de montée du niveau de la mer, d'affaissement du sol et de rues encombrées. Les chercheurs, Rifky Husaini, Perdinan et Novindra, voulaient résoudre un mystère : Pourquoi certains quartiers souffrent-ils plus que d'autres, même lorsque la météo semble similaire ? Ils ne voulaient pas seulement cartographier où l'eau est allée ; ils voulaient savoir si le fardeau (les ennuis causés par l'eau frappant les gens) était anormalement élevé ou bas.

Pour ce faire, ils ont créé un nouvel outil appelé HNFBDev (Hazard-Normalized Flood Burden Deviation — Déviation du Fardeau d'Inondation Normalisée par le Danger). Cela ressemble à un nom de robot, mais c'est en fait un simple vérificateur « Attente vs Réalité ». Voici comment ils ont joué au jeu :

Étape 1 : Le score « Attendu »
D'abord, ils ont construit un modèle numérique de la « personnalité de l'inondation » de Jakarta. Ils ont examiné la pluie, la pente du terrain, la proximité du quartier avec l'océan, l'affaissement du sol et le nombre de bâtiments. En se basant sur ces ingrédients, ils ont calculé quel devrait être le fardeau de l'inondation. Si un quartier est situé juste sur la côte et que le sol s'affaisse, le modèle dit : « Vous devez vous attendre à beaucoup d'ennuis. » Si un quartier est en hauteur et loin de la rivière, le modèle dit : « Vous devez vous attendre à très peu d'ennuis. »

Étape 2 : Le score « Observé »
Ensuite, ils ont regardé ce qui s'est réellement passé. En utilisant des yeux satellites (plus précisément le radar Sentinel-1, qui peut voir à travers les nuages), ils ont suivi les inondations majeures entre 2020 et 2024. Ils n'ont pas seulement compté l'eau ; ils ont compté les gens debout dans l'eau. Ils ont combiné les images satellites des zones inondées avec des cartes de zones d'habitation pour créer un « score de fardeau ».

Étape 3 : La grande révélation (La Déviation)
Enfin, ils ont soustrait le score « Attendu » du score « Observé ».

Score Positif : Le quartier a subi plus d'ennuis que ce que la météo et le sol prédisaient.
Score Négatif : Le quartier a subi moins d'ennuis que prévu.
Score Zéro : Le quartier a obtenu exactement ce qui était attendu.

Ce qu'ils ont trouvé

Les résultats étaient fascinants et ont montré que l'histoire des inondations de Jakarta est plus complexe que simplement « pluie + population = catastrophe ».

La météo explique une partie, mais pas tout
Les chercheurs ont découvert que la « personnalité de l'inondation » (le forçage hydro-environnemental) faisait un travail décent pour prédire le fardeau. Elle expliquait environ 22,8 % des différences entre les quartiers. Cela signifie que si la pluie et l'affaissement du sol sont importants, ils ne racontent pas toute l'histoire. Il reste beaucoup de mystère.

Les points chauds « Haut-Haut »
La carte des « Scores Positifs » (les endroits qui ont reçu plus d'ennuis que prévu) n'était pas aléatoire. Elle formait de grands groupes, particulièrement dans les parties nord et centrales de Jakarta. Les quartiers de Tangki, Kota Bambu Utara, Jembatan Besi, Duri Selatan et Duri Utara présentaient les scores de « déviation » les plus élevés, allant de 3,56 à 3,83. Ces endroits étaient frappés bien plus durement que la météo et le terrain ne le suggéraient seuls.

Les zones fraîches « Bas-Bas »
Inversement, certaines zones du sud et de l'ouest présentaient des « Scores Négatifs ». Ces quartiers ont subi moins d'ennuis que prévu. Cela pourrait signifier qu'ils disposent d'un excellent drainage, d'une meilleure protection, ou peut-être que les satellites ont manqué une partie de l'eau.

Le motif est réel
Les chercheurs ont vérifié si ces motifs n'étaient pas simplement un coup de chance de leurs calculs. Ils ont essayé de modifier les poids de leurs ingrédients (donner plus d'importance à la pluie, ou plus d'importance à l'affaissement du sol) et les résultats sont restés presque identiques. La corrélation était incroyablement élevée (0,990 avec une pondération standard et 0,970 avec une pondération égale). Cela suggère que les « ennuis supplémentaires » ou la « chance supplémentaire » dans ces quartiers est une chose réelle et physique, et non une simple erreur mathématique.

Ce que cela signifie (Et ce que cela ne signifie pas)

Les auteurs sont très prudents quant à ce que cet outil n'est pas. Ils précisent explicitement qu'un score élevé ne signifie pas que le gouvernement local est mauvais, que les infrastructures sont défaillantes ou que les populations sont vulnérables. Cela ne nous dit pas non plus pourquoi le fardeau est élevé. Cela signale simplement le quartier comme étant « suspect ».

Voyez le HNFBDev comme un détecteur de fumée. Si l'alarme se déclenche, elle ne vous dit pas s'il y a un incendie, un morceau de pain brûlé ou une douche de vapeur. Elle vous dit simplement : « Hé, quelque chose se passe ici qui ne correspond pas aux règles habituelles. »

L'article suggère que ces clusters « Haut-Haut » sont des endroits où nous devons regarder de plus près. Peut-être y a-t-il un goulot d'étranglement caché dans le drainage, une rivière obstruée, ou un type spécifique de configuration de bâtiments qui piège l'eau. Les zones « Bas-Bas » pourraient être des endroits où les défenses locales fonctionnent bien, ou peut-être que les satellites n'ont tout simplement pas vu l'eau.

À retenir

Cette étude nous offre une nouvelle façon d'examiner les cartes d'inondation. Au lieu de simplement dire « Cette zone est mouillée », nous pouvons maintenant dire « Cette zone est plus mouillée qu'elle ne devrait l'être, compte tenu de la pluie et du sol ». En utilisant ce travail de détective « observé-attendu », les urbanistes peuvent cesser de deviner et commencer à enquêter sur les quartiers spécifiques où le fardeau de l'inondation se comporte de manière étrange. C'est un outil pour trouver les indices, pas pour résoudre tout le mystère d'un coup. Les auteurs soulignent qu'il s'agit d'un outil de filtrage pour aider à prioriser l'envoi des véritables experts sur le terrain, afin de garantir que les ressources soient dirigées vers les endroits où le fardeau de l'inondation est véritablement hors de l'ordinaire.

Résumé Technique : Diagnostic des disparités spatiales de la charge d'inondation urbaine par la normalisation hydro-environnementale à Jakarta, Indonésie

Énoncé du problème
L'évaluation des inondations urbaines se concentre traditionnellement sur l'identification des zones présentant des aléas, une exposition ou une vulnérabilité élevés. Cependant, les cadres existants échouent souvent à distinguer si une charge d'inondation réalisée est anormalement élevée ou faible par rapport aux conditions hydro-environnementales spécifiques dans lesquelles elle se produit. Dans les villes côtières et deltaïques complexes comme Jakarta, les résultats des inondations résultent d'interactions entre divers moteurs (processus pluviaux, fluviaux, côtiers, souterrains et de surface) plutôt que de mécanismes uniques. Par conséquent, une charge observée élevée dans une zone fortement exposée aux inondations peut être cohérente avec les attentes environnementales, tandis qu'une charge modérée dans une zone à faible risque peut indiquer un échec de la protection ou une lacune dans les données. Les méthodes actuelles manquent d'un diagnostic géospatial qui sépare explicitement le forçage hydro-environnemental représenté de la charge d'inondation urbaine réalisée afin d'identifier les disparités spatiales qui justifient une investigation plus approfondie.

Méthodologie
L'étude développe et applique le Hazard-Normalized Flood Burden Deviation (HNFBDev), un cadre de diagnostic géospatial observé–attendu. L'analyse a été menée au niveau des kelurahan (villages urbains) à travers 261 unités administratives de Jakarta, Indonésie, couvrant la période 2020–2024.

Base de référence du forçage hydro-environnemental : Une surface de forçage composite a été construite pour représenter les conditions environnementales sous lesquelles une charge d'inondation est attendue. Cette base intègre des facteurs terrestux (précipitations quotidiennes maximales, élévation ajustée à la subsidence, pente, proximité des eaux de surface, intensité du bâti, imperméabilisation) et des facteurs côtiers (élévation ajustée à la subsidence, proximité du littoral, connectivité fluviale/estuarienne). Les indicateurs ont été normalisés sur une échelle de 0 à 1 et intégrés via une somme algébrique floue pour créer un score de forçage composite.
Charge observée pondérée par l'exposition de la population : En utilisant l'imagerie SAR de Sentinel-1, les étendues d'inondation pour des événements majeurs sélectionnés (2020–2024) ont été cartographiées. Ces étendues ont été intersectées avec des données de population grillées (WorldPop) pour calculer un proxy annuel de la charge d'inondation, pondéré par l'exposition de la population, pour chaque kelurahan. Cette métrique représente l'intersection de l'inondation et de la population exposée, plutôt que la perte économique directe ou la profondeur de l'eau.
Modélisation de l'attente environnementale : Un modèle d'attente environnementale a été développé pour estimer la charge anticipée sous le forçage hydro-environnemental représenté. Étant donné la nature non négative et asymétrique à droite des données, trois spécifications de modèles (GLM de type Tweedie, OLS avec transformation logarithmique, et modèles à deux parties de type "hurdle") ont été évaluées. Le modèle final (sélectionné selon l'adéquation et la stabilité) a estimé la charge attendue ( $\hat{B}_{it}$ ) pour chaque unité.
Calcul du HNFBDev : La déviation entre la charge observée ( $B_{it}$ ) et la charge attendue a été calculée comme le résidu annuel ( $e_{it}$ ). Ces résidus ont été agrégés en prenant la médiane sur la période d'étude pour chaque kelurahan. La valeur finale du HNFBDev a été dérivée en standardisant ces médianes des résidus ( $HNFBDev_i = \frac{\tilde{e}_i - \mu_{\tilde{e}}}{\sigma_{\tilde{e}}}$ ).
Diagnostics spatiaux et robustesse : Les statistiques de Moran's I globale et locale ont été utilisées pour tester l'autocorrélation spatiale et identifier des clusters (High-High, Low-Low) ainsi que des valeurs aberrantes. La robustesse a été évaluée en comparant les résultats sous un schéma de pondération informé par la littérature par rapport à une pondération égale des composantes de forçage, et en évaluant des hypothèses alternatives de masques d'inondation.

Résultats clés

Forçage vs Charge : Le forçage hydro-environnemental composite a montré une relation positive statistiquement significative avec le proxy de la charge d'inondation pondérée par l'exposition de la population. Cependant, le modèle de forçage n'a expliqué que 22,8 % de la variation de la charge observée, indiquant que la base de référence hydro-environnementale constitue une référence mais ne détermine pas entièrement les résultats réalisés.
Disparités spatiales : La surface du HNFBDev a révélé une hétérogénéité intra-urbaine substantielle. Les déviations positives (charge plus élevée que prévu) étaient concentrées dans le nord et le centre de Jakarta, tandis que les déviations négatives (charge plus faible que prévu) apparaissaient plus fréquemment dans le sud et l'ouest.
Points chauds spécifiques : Les déviations positives les plus élevées (valeurs de HNFBDev comprises entre 3,56 et 3,83) ont été identifiées dans des kelurahan tels que Tangki, Kota Bambu Utara, Jembatan Besi, Duri Selatan et Duri Utara.
Organisation spatiale : Les valeurs de HNFBDev ont présenté une autocorrélation spatiale significative (Moran's I global = 0,355, p = 0,001). L'analyse locale a identifié des clusters High-High (29 unités) où les zones voisines subissaient systématiquement une charge plus élevée que prévu, et des clusters Low-Low (44 unités) où la charge était plus faible que prévu. Les valeurs aberrantes spatiales étaient moins fréquentes.
Robustesse : Les classements et les motifs spatiaux du HNFBDev étaient hautement stables sous des hypothèses analytiques alternatives, montrant une corrélation de Pearson de 0,990 entre les schémas de forçage informés par la littérature et ceux à pondération égale.

Signification et affirmations
L'article positionne le HNFBDev comme un diagnostic géospatial observé–attendu transférable, conçu pour compléter, et non remplacer, les modèles hydrodynamiques, les évaluations de vulnérabilité ou les audits d'infrastructure existants.

Utilité diagnostique : La principale contribution est la capacité d'identifier les lieux où les résultats d'inondation sont disproportionnellement élevés ou faibles par rapport au contexte environnemental. Cela permet aux planificateurs de distinguer les zones où une charge élevée est "attendue" en raison d'un forçage sévère, et les zones où une charge élevée est "inattendue", suggérant des goulots d'étranglement dans le drainage, une sous-performance des infrastructures ou des facteurs d'exposition non mesurés.
Outil de filtrage : Les auteurs affirment explicitement que le HNFBDev est un outil de filtrage et de priorisation. Il identifie les zones où une vérification supplémentaire de l'hydraulique, de l'infrastructure, de l'institutionnel et du local est nécessaire.
Limites d'interprétation : L'étude maintient un champ d'application modeste concernant ses affirmations. Le HNFBDev n'est pas une mesure directe de :
- La performance d'adaptation ou la résilience.
- La qualité de la gouvernance ou l'efficacité institutionnelle.
- L'efficacité des infrastructures.
- La vulnérabilité sociale, la profondeur de l'inondation ou les mécanismes causaux.
- La perte économique directe.

Les auteurs avertissent que le regroupement spatial des déviations ne valide pas automatiquement des mécanismes spécifiques ; il met plutôt en évidence les zones où l'écart "observé–attendu" nécessite une triangulation multi-sources (par exemple, vérification sur le terrain, analyse du réseau de drainage) pour comprendre les causes sous-jacentes. Le cadre est présenté comme une étape vers une planification de la résilience climatique urbaine fondée sur des preuves, particulièrement dans les environnements contraints par les données où les données hydrodynamiques ou d'infrastructure détaillées peuvent être incomplètes.