Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

Dans les montagnes escarpées et balayées par la pluie du nord du Maroc, le sol est une entité vivante et mouvante. Les pentes raides, la géologie complexe et les fortes pluies saisonnières se combinent pour faire des glissements de terrain une réalité fréquente et dangereuse. Pour les planificateurs et les responsables de la sécurité, l'objectif est de tracer une carte qui montre où la terre est susceptible de céder à nouveau. Il ne s'agit pas de deviner ; c'est un défi statistique. Pour construire un modèle capable de prédire où les glissements de terrain pourraient se produire, les scientifiques ont besoin de deux choses : une liste des endroits où des glissements de terrain se sont déjà produits, et une liste des endroits où le sol est stable. La première liste est facile à trouver ; la seconde est un piège. Ce n'est pas parce qu'un glissement de terrain n'a pas été enregistré dans un endroit spécifique que le sol est sûr. Il se peut simplement que le glissement de terrain ait été manqué, caché par la végétation ou trop ancien pour être visible. Traiter ces zones non enregistrées comme des zones confirmées « sûres » revient à supposer qu'une pièce est vide parce que vous n'avez vu personne à l'intérieur, ignorant la possibilité que quelqu'un se cache dans le placard. Cette incertitude rend extrêmement difficile l'apprentissage d'un ordinateur pour distinguer un sol stable d'un sol qui attend simplement de glisser.

Une équipe de chercheurs marocains a abordé ce problème en développant une nouvelle façon de gérer ces glissements de terrain « manquants ». Au lieu de contraindre un ordinateur à prendre une décision unique et rigide sur les endroits non enregistrés qui sont sûrs, ils ont créé une méthode qui embrasse l'incertitude. Ils ont testé cette nouvelle approche, appelée MC-PU-2S, contre deux méthodes existantes dans les montagnes du Rif, une région connue pour son terrain escarpé et ses fréquents ruptures de pente. L'étude a utilisé une base de données de près de 6 000 observations, comprenant plus de 2 300 emplacements de glissements de terrain connus et des milliers d'autres points où le statut du sol était inconnu. En soumettant leurs modèles à un processus de test rigoureux qui empêchait l'ordinateur de faire du surapprentissage en mémorisant les données de test, les chercheurs ont constaté que leur nouvelle méthode produisait une image beaucoup plus claire et plus fiable du risque. Alors que les anciennes méthodes avaient tendance à étiqueter la quasi-totalité du paysage comme dangereux, brouillant les lignes entre haut risque et bas risque, la nouvelle approche a réussi à séparer les deux, offrant non seulement une carte du danger, mais une carte de confiance.

Le cœur du problème réside dans la façon dont les modèles traditionnels gèrent la classe « négative » — les endroits supposés être sûrs. Dans de nombreuses études, les chercheurs choisissent simplement des points aléatoires loin des glissements de terrain connus et disent à l'ordinateur : « Ceci est sûr ». La nouvelle étude soutient que cette supposition est erronée. Si un endroit est en réalité instable mais n'a simplement pas encore été cartographié, l'ordinateur apprend la mauvaise leçon. Les chercheurs ont comparé trois stratégies différentes pour gérer cela. La première, connue sous le nom de méthode de la Valeur d'Information Améliorée (Enhanced Information Value), tente de filtrer les endroits les plus sûrs en examinant un modèle préliminaire et en choisissant les zones de risque le plus faible. La seconde, appelée PU Two-Step, utilise un seuil strict : si un endroit semble suffisamment sûr selon un score spécifique, il est étiqueté comme sûr ; s'il est même légèrement moins sûr, il est écarté. Ces deux méthodes imposent un choix binaire, créant une ligne tranchée entre sûr et dangereux qui peut ne pas exister dans le monde réel.

La nouvelle méthode des chercheurs, MC-PU-2S, prend un chemin différent. Au lieu de tracer une ligne dure, elle attribue une probabilité à chaque endroit inconnu. Elle demande : « Quelle est la probabilité que cet endroit soit réellement sûr ? » et permet à la réponse d'être une nuance de gris plutôt que du noir ou du blanc. Pour ce faire, l'ordinateur exécute des centaines de simulations. Dans chaque simulation, il décide aléatoirement si un endroit inconnu spécifique doit être traité comme sûr ou non, sur la base de cette probabilité. Il construit ensuite un modèle de prédiction pour chacun de ces scénarios. Enfin, il fait la moyenne de ces centaines de modèles. Ce processus lisse les erreurs et révèle quelles prédictions sont solides et lesquelles sont fragiles. Le résultat n'est pas seulement une carte de susceptibilité, mais une suite de produits : une carte montrant le risque moyen, une carte montrant comment la prédiction varie à travers les simulations, et une carte mettant en évidence les zones où le modèle ne peut tout simplement pas décider.

Lorsque les chercheurs ont comparé les résultats, la différence était frappante. Les anciennes méthodes produisaient des cartes où presque chaque point de la zone d'étude était classé comme présentant un risque élevé de glissement de terrain. L'ordinateur criait essentiellement « danger » partout, ce qui n'est pas utile pour la planification. La nouvelle méthode a produit une vision beaucoup plus équilibrée. Elle a correctement identifié que, bien que de nombreuses zones soient effectivement risquées, une partie importante du paysage est stable. Le nouveau modèle était bien meilleur pour distinguer les deux, ses prédictions s'alignant beaucoup plus étroitement sur les données réelles. Il a également corrigé une faille majeure des anciens modèles : leurs estimations de probabilité étaient compressées et biaisées, ce qui signifie qu'ils ne pouvaient pas distinguer précisément un AUC de 0,9 d'un AUC de 0,6. La nouvelle méthode a étalé ces probabilités, permettant une compréhension plus nuancée du terrain.

L'un des résultats les plus précieux de cette nouvelle approche est la capacité d'identifier l'incertitude. L'étude a révélé que dans environ 23 % de la zone, le modèle ne pouvait pas dire avec certitude si le sol était sûr ou dangereux. Ce sont les endroits où la classification oscille juste sur la ligne de décision. Dans une carte traditionnelle, ces zones ressembleraient au reste, cachant un manque critique de connaissances. Dans les nouvelles cartes, ces zones sont explicitement signalées. C'est un changement radical pour les décideurs. Une zone à haut risque avec une grande confiance peut être immédiatement ciblée pour des mesures de sécurité. Une zone à haut risque avec une faible confiance signale qu'un travail de terrain supplémentaire est nécessaire avant de dépenser de l'argent dans la construction ou l'atténuation. Cela indique aux responsables exactement où regarder ensuite, transformant un avertissement vague en un plan d'action spécifique.

L'étude a également confirmé que les facteurs les plus importants moteur des glissements de terrain dans cette région restent cohérents avec ce que les géologues savent déjà : la déclivité de la pente, la distance par rapport aux routes, le type de roche et la quantité de pluie. Cependant, la façon dont ces facteurs sont interprétés change lorsque l'incertitude est prise en compte. La nouvelle méthode a montré que la relation entre ces facteurs et le risque n'est pas un simple interrupteur, mais un gradient complexe. En moyennant le bruit des glissements de terrain « manquants », le modèle a pu voir ces schémas plus clairement. Les chercheurs ont noté que, bien que leur méthode nécessite plus de puissance de calcul que les techniques plus anciennes, l'échange en vaut la peine. La capacité de quantifier l'incertitude et de produire une carte qui admet ce qu'elle ne sait pas est une étape importante dans la gestion des aléas naturels.

Ce travail ne prétend pas avoir résolu entièrement le problème de la prédiction des glissements de terrain. Les chercheurs précisent avec prudence que leur méthode est sensible à la qualité des données initiales et que le nombre de simulations utilisées dans leur étude était un test pilote. Ils suggèrent que les travaux futurs devraient exécuter encore plus de simulations pour garantir que les résultats sont stables. Ils soulignent également que leur méthode ne mesure qu'un seul type d'incertitude : l'incertitude concernant la véracité de la sécurité des points. Elle ne tient pas compte des erreurs dans les cartes elles-mêmes ou des changements météorologiques au fil du temps. Néanmoins, l'étude démontète que passer d'une pensée rigide, noire et blanche, à une approche probabiliste donne de meilleurs résultats. Dans un monde où le sol est en mouvement constant, un modèle capable d'admettre ses propres doutes est bien plus utile qu'un modèle qui est avec certitude dans l'erreur. Les nouvelles cartes du nord du Maroc offrent un guide plus clair et plus honnête pour protéger les communautés vivant au bord de la pente.