Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

Dans les paysages montagneux et accidentés du sud-ouest de la Chine, la terre se déplace parfois avec une force soudaine et destructrice. Les glissements de terrain constituent une menace persistante pour la vie, les habitations et les infrastructures des populations vivant dans ces vallées escarpées. Depuis des décennies, les scientifiques et les ingénieurs s'appuient sur des modèles informatiques pour prédire où ces catastrophes pourraient frapper ensuite. Ces modèles sont excellents pour repérer des motifs ; ils peuvent analyser une carte d'un versant de colline et dire : « Cet endroit semble dangereux », en analysant des facteurs tels que la pente du terrain, la quantité de pluie qui y tombe ou le type de roche située sous le sol. Cependant, il existe une différence cruciale entre repérer un motif et comprendre la cause. Savoir qu'un glissement de terrain se produit souvent là où le sol est escarpé ne nous dit pas automatiquement ce qui se passerait si nous pouvions, d'une manière ou d'une autre, modifier l'inclinaison, ou si nous pouvions modifier la quantité d'eau dans le sol. Pour véritablement gérer les risques, nous devons savoir non seulement ce qui est associé à un glissement de terrain, mais ce qui causerait réellement une augmentation ou une diminution du risque si nous intervenions.

C'est le défi que s'est lancé une équipe de chercheurs de l'Université Polytechnique de Technologie Électronique de Chongqing, de l'Université Pédagogique de Chongqing et de l'Université de Pékin. Ils ont concentré leur étude sur Chongqing, une ville célèbre pour sa topographie spectaculaire et sa croissance urbaine rapide, où l'intersection de la nature et de l'activité humaine crée un laboratoire parfait pour tester de nouvelles manières de comprendre les aléas géologiques. Au lieu de simplement demander quels facteurs prédisent un glissement de terrain, ils ont posé une question différente, plus difficile : si nous pouvions changer un facteur environnemental spécifique, comment le risque de glissement de terrain changerait-il ? Pour répondre à cela, ils sont allés au-delà des outils de prédiction standards et ont appliqué une méthode connue sous le nom de T-learner. Cette approche permet aux chercheurs de simuler un scénario de type « et si », en estimant la différence de risque entre un niveau élevé d'un facteur, comme de fortes précipitations, et un niveau faible, tout en tenant compte soigneusement de toutes les autres conditions présentes dans le paysage.

Les chercheurs ont commencé par un ensemble de données massif contenant plus de 30 000 enregistrements, dont la moitié concernait des lieux où des glissements de terrain s'étaient produits et l'autre moitié des lieux où ils n'avaient pas eu lieu. Ils ont recueilli 17 informations différentes pour chaque emplacement, allant de la hauteur du terrain et de l'angle de la pente à la quantité d'eau s'évaporant du sol, la distance par rapport aux rivières et le type de roche sous-jacente. En utilisant un puissant algorithme d'apprentissage informatique, ils ont d'abord entraîné un modèle pour reconnaître les motifs qui distinguent un site de glissement de terrain d'un site sûr. Ce modèle était très précis, identifiant correctement les lieux de glissements de terrain dans leurs données de test avec un haut degré de succès. Cependant, l'équipe savait qu'une grande précision ne révèle pas à elle seule la cause. Un modèle peut apprendre que les glissements de terrain se produisent près des routes simplement parce que les routes sont construites sur des pentes raides, et non parce que les routes elles-mêmes déclenchent le glissement. Pour démêler cela, ils ont utilisé le T-learner pour estimer l'effet moyen du changement de chaque facteur.

Les résultats ont offert une vision nuancée de ce qui motive le risque de glissement de terrain dans cette région. L'analyse a suggéré que les trois facteurs présentant les différences de risque contrefactuelles estimées les plus importantes étaient l'évapotranspiration, les précipitations et l'élévation. L'évapotranspiration est une mesure de la quantité d'eau qui se déplace du sol et des plantes vers l'air ; dans cette étude, les zones présentant des niveaux plus élevés de ce processus étaient associées à un risque prédit de glissements de terrain plus faible. De même, une élévation plus élevée et des précipitations totales plus élevées étaient également liées à un risque plus faible dans leur modèle spécifique. Les chercheurs ont averti que ce résultat concernant les précipitations ne devait pas être directement traduit en une recommandation d'intervention visant à augmenter les précipitations. Ils ont expliqué que ce résultat reflète probablement des conditions à long terme plutôt que des déclenchements immédiats ; peut-être que les zones ayant une forte pluviométrie annuelle possèdent une végétation mieux adaptée pour maintenir le sol, ou que les données capturent un aspect différent du cycle de l'eau par rapport aux tempêtes soudaines qui provoquent des ruptures immédiates. En revanche, l'intensité des précipitations — la vitesse à laquelle la pluie tombe — a montré un effet positif, ce qui signifie qu'une pluie plus rapide et plus intense était associée à un risque plus élevé, ce qui concorde avec la compréhension commune des déclenchements de glissements de terrain.

L'étude a également mis en évidence une distinction critique entre ce qu'un modèle informatique juge important et ce qui cause réellement un changement de risque. Les chercheurs ont comparé leurs nouvelles estimations « et si » avec une méthode standard appelée SHAP, qui classe simplement les facteurs en fonction de la manière dont ils aident le modèle à faire des prédictions. Dans le classement standard, l'évapotranspiration était le facteur le plus important, suivie des précipitations et de l'élévation. Bien que l'ordre soit similaire, la signification est différente. La méthode standard disait que ces facteurs étaient les meilleurs pour deviner où un glissement de terrain se produirait. La nouvelle méthode suggérait que si nous pouvions changer ces facteurs, le risque changerait de manière significative. Par exemple, l'étude a trouvé que la différence de risque estimée pour l'évapotranspiration était plus grande que celle de la pente, un facteur traditionnellement considéré comme le plus critique dans la science des glissements de terrain. Cependant, les chercheurs ont explicitement noté que ce schéma n'implique pas que ces variables aient été prouvées comme ayant des effets directs plus forts que la pente. Les définitions des traitements, la covariation spatiale et les facteurs de confusion non mesurés peuvent tous influencer le classement relatif, ce qui signifie que ces résultats doivent être considérés comme des hypothèses pour vérification ultérieure plutôt que comme des preuves définitives de force causale.

Malgré ces découvertes intrigantes, les chercheurs ont pris soin de définir les limites de leur travail. Ils ont souligné que leur étude était un instantané dans le temps, utilisant des données collectées toutes en même temps plutôt que de suivre les changements sur des années. De ce fait, ils ne pouvaient pas prouver qu'un facteur cause définitivement un autre, ni exclure la possibilité qu'un facteur caché, comme le type de sol ou l'ingénierie humaine passée, ait influencé à la fois les conditions environnementales et le risque de glissement de terrain. Ils ont également noté que leurs résultats sont spécifiques à l'environnement montagneux et humide de Chongqing et pourraient ne pas s'appliquer aux déserts arides ou aux plaines. L'étude sert de cadre exploratoire puissant, montrant que nous pouvons aller au-delà de la simple prédiction pour poser des questions plus profondes sur la cause et l'effet. Elle suggère que les efforts futurs pour prévenir les glissements de terrain devraient examiner de près le cycle de l'eau et la végétation, mais elle s'arrête avant de dire aux ingénieurs exactement quoi construire ou où creuser. Au lieu de cela, elle fournit un nouvel ensemble d'hypothèses à tester, incitant les scientifiques à concevoir des études futures capables de suivre les changements au fil du temps et de confirmer si ces effets estimés se vérifient dans le monde réel.

La valeur ultime de cette recherche réside dans sa capacité à séparer le signal de la prédiction du signal de la cause. En appliquant ces outils statistiques avancés à un problème du monde réel, l'équipe a démontré que les facteurs que nous utilisons pour prédire une catastrophe ne sont pas toujours les facteurs que nous devrions cibler pour la prévenir. Ils ont montré que, bien qu'un ordinateur puisse apprendre à repérer un versant dangereux avec une grande précision, comprendre pourquoi ce versant est dangereux nécessite un type de pensée différent. L'étude conclut que, bien que nous ne puissions pas encore prétendre avoir résolu le mystère de la causalité des glissements de terrain à Chongqing, nous avons franchi une étape importante vers la compréhension des relations complexes entre la pluie, le sol et la pente. Cette nouvelle perspective offre une feuille de route pour la recherche future, une feuille de route qui donne la priorité à la vérification de ces liens causaux avec de meilleures données et des tests plus rigoureux, menant finalement à des communautés plus sûres dans ces paysages difficiles.