Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events
Cette étude analyse les incidents de glissements de terrain mondiaux de 1988 à 2017 en utilisant le Catalogue mondial des glissements de terrain afin de révéler des concentrations spatiales significatives et des corrélations entre les caractéristiques des glissements de terrain et l'impact humain, établissant ainsi une base pour la modélisation prédictive future et les stratégies de réduction des risques.
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
Les glissements de terrain figurent parmi les forces les plus destructrices de la nature, capables d'engloutir des routes, d'ensevelir des maisons et de coûter des vies tant dans les pays riches que dans les régions en développement. Ils ne se produisent pas par hasard ; ils sont le résultat d'une convergence spécifique de conditions. Un terrain escarpé, des couches rocheuses instables et l'activité humaine comme la construction ou la déforestation créent une fondation fragile. Lorsqu'un déclencheur survient, tel que de fortes précipitations ou un tremblement de terre, le sol cède. Depuis des décennies, les scientifiques étudient ces événements, mais une grande partie de ce travail s'est concentrée sur des zones locales spécifiques. Pour comprendre véritablement la situation à l'échelle mondiale, les chercheurs avaient besoin d'un moyen de visualiser les modèles qui émergent lorsque des milliers d'événements sont examinés ensemble. Cela nécessite une collecte massive de données, un inventaire mondial qui suit non seulement où et quand un glissement s'est produit, mais aussi quelle était son ampleur et combien de personnes il a affectées. Avec un tel ensemble de données, les scientifiques peuvent dépasser les suppositions et commencer à percevoir la véritable forme du risque.
Une équipe de chercheurs issus d'universités des États-Unis s'est tournée vers le Catalogue Mondial des Glissements de Terrain (Global Landside Catalog) pour répondre à ces questions fondamentales. Ce catalogue est un registre complet des incidents de glissements de terrain signalés entre 1996 et 2016, contenant 2 217 incidents documentés. L'équipe ne cherchait pas à prédire le prochain glissement de terrain, mais plutôt à comprendre l'histoire que racontaient ces chiffres. Ils ont examiné comment la fréquence de ces événements changeait au fil du temps, où ils se concentraient sur la carte, et si la taille d'un glissement pouvait être prédite en fonction de son emplacement et de la période de l'année. Pour ce faire, ils ont appliqué l'apprentissage automatique (machine learning), une méthode où les ordinateurs apprennent à reconnaître des modèles dans les données sans être explicitement programmés avec des règles. Ils ont testé plusieurs modèles informatiques différents pour voir s'ils pouvaient classer les glissements de terrain par catégories de taille — petits, moyens ou grands — sur la base des informations disponibles dans le catalogue, telles que l'année de l'événement, ses coordonnées géographiques et la densité de population de la zone.
Les résultats ont brossé le portrait d'une distribution inégale. Les glissements de terrain ne sont pas dispersés de manière aléatoire à travers le globe ; ils se concentrent étroitement dans des régions spécifiques. Ces points chauds correspondent parfaitement aux zones connues pour leurs montagnes escarpées, leurs fortes précipitations et leur activité tectonique intense. Les données ont également montré une augmentation du nombre d'événements signalés au cours de la période d'étude. Les chercheurs suggèrent que cette augmentation est probablement due à une combinaison de facteurs : un plus grand nombre de personnes vivant dans des zones dangereuses, des changements climatiques apportant une météo plus extrême, et des améliorations dans la manière dont ces événements sont signalés et enregistrés. Lorsque l'équipe a examiné la taille des glissements, elle a constaté que les événements de taille moyenne constituaient la majorité des rapports, tandis que les glissements véritablement massifs et catastrophiques étaient relativement rares. Ce déséquilibre est crucial pour comprendre le risque, car même les événements de grande ampleur, bien que moins fréquents, peuvent causer des dommages et des pertes de vies disproportionnés.
Les chercheurs ont ensuite posé une question difficile : un modèle informatique peut-il apprendre à distinguer un petit glissement de terrain d'un grand simplement en regardant le moment et le lieu ? Ils ont injecté les données dans quatre systèmes d'apprentissage automatique différents, incluant Random Forest et les Machines à Vecteurs de Support (Support Vector Machines). Ils ont également essayé une technique appelée analyse en composantes principales, qui simplifie les données complexes en combinant de nombreuses variables en quelques modèles clés, dans l'espoir de rendre les modèles plus intelligents. Les résultats ont été modestes. Les meilleurs modèles n'ont réussi à classer correctement la taille d'un glissement de terrain que dans environ 58 à 60 % des cas. C'est à peine mieux qu'un choix aléatoire pour un problème complexe. Les modèles informatiques ont trouvé que l'année de l'événement et sa localisation étaient les indices les plus utiles, tandis que le nombre de décès signalés n'offrait que peu d'aide pour prédire la taille, ce qui est logique puisque les décès sont une conséquence de l'événement, et non une cause de sa taille.
La découverte peut-être la plus révélatrice fut que la simplification des données n'a pas aidé. Les chercheurs espéraient que la réduction du nombre de variables clarifierait les modèles, mais c'est le contraire qui s'est produit. Les modèles ont été légèrement plus performants lorsqu'ils utilisaient les données originales détaillées plutôt que la version simplifiée. Cela suggère que les détails spécifiques de chaque événement comptent, et que les informations nécessaires pour comprendre la taille d'un glissement de terrain sont réparties dans de nombreux facteurs qui se perdent lorsque les données sont compressées. Les modèles ont également éprouvé des difficultés car les différentes catégories de taille se chevauchent considérablement dans les données ; un glissement de terrain de taille moyenne dans un lieu donné peut sembler très similaire à un glissement de grande taille dans un autre si l'on ne regarde que la localisation et le temps de base.
L'étude conclut que, bien que nous disposions d'un outil puissant qu'est le Catalogue Mondial des Glissements de Terrain, celui-ci a des limites. Le catalogue est une ressource inestimable pour observer les grandes tendances de l'activité mondiale des glissements de terrain, mais il manque de données environnementales détaillées nécessaires pour faire des prédictions précises sur des événements spécifiques. Les données sont incomplètes et le signalement est inégal, ce qui rend difficile l'apprentissage des règles exactes du jeu par les ordinateurs. Les chercheurs soulignent que les travaux futurs doivent se concentrer sur le comblement de ces lacunes. Pour réellement évaluer le risque et construire de meilleurs modèles, nous avons besoin de registres plus complets incluant des informations détaillées sur le sol, la météo et le terrain local. D'ici là, notre compréhension de ces puissants événements naturels restera un travail en cours, guidée par les modèles que nous pouvons voir, mais limitée par les détails que nous ne pouvons pas encore capturer.
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.