From Heuristic Models to GeoAI: A Scientometric and Thematic Evolution of Landslide Susceptibility Mapping Approaches

Les glissements de terrain comptent parmi les forces les plus destructrices de la Terre, capables d'engloutir des autoroutes, d'ensevelir des villages et de remodeler les paysages en quelques instants. Pendant des décennies, les scientifiques ont tenté de prédire où ces événements sont les plus susceptibles de se produire, créant des cartes qui mettent en évidence les zones à haut risque. Ces cartes, connues sous le nom de cartes de susceptibilité aux glissements de terrain, reposent sur la compréhension de la relation entre le sol lui-même et les facteurs qui déclenchent le mouvement, tels que les pentes raides, les fortes pluies et le type de roche ou de sol présent. Aux débuts de ce travail, les experts s'appuyaient largement sur leur propre expérience et leur jugement pour pondérer ces facteurs, tirant des conclusions basées sur ce qu'ils savaient du terrain. Au fil du temps, cependant, les outils dont disposent ces chercheurs ont radicalement changé. L'essor d'ordinateurs puissants, d'images satellites à haute résolution et de logiciels avancés a permis aux scientifiques de dépasser la simple observation pour entrer dans le domaine de la prédiction axée sur les données, où des algorithmes peuvent traiter de vastes quantités d'informations pour trouver des modèles invisibles à l'œil humain.

Une nouvelle étude menée par des chercheurs de l'Université d'État de Morgan et de l'École Fédérale de Topographie du Nigeria offre un regard complet sur la façon dont ce domaine s'est transformé au cours des vingt dernières années. L'équipe n'a pas mené une nouvelle expérience sur le terrain ; elle a plutôt réalisé une revue massive de la littérature scientifique existante pour retracer l'évolution de la prédiction des glissements de terrain. Ils ont rassemblé 795 articles de recherche évalués par des pairs, publiés entre 2006 et 2026, provenant de bases de données scientifiques majeures. En utilisant un logiciel spécialisé conçu pour analyser comment les thèmes de recherche se connectent et évoluent au fil du temps, ils ont cartographié le voyage intellectuel du domaine. Leur objectif était de comprendre non seulement quelles méthodes étaient utilisées, mais aussi comment l'approche globale du problème est passée de l'intuition humaine à l'intelligence artificielle.

L'analyse révèle une transition claire et constante dans la manière dont les scientifiques abordent la cartographie des glissements de terrain. Dans la période la plus précoce, de 2006 à 2012, la recherche était dominée par ce que les auteurs appellent des modèles heuristiques. Ce sont des méthodes où les experts attribuent des poids à différents facteurs en fonction de leurs connaissances, utilisant souvent des outils statistiques simples pour vérifier leur travail. Durant ces années, l'objectif principal était de collecter de meilleures données grâce à la télédétection, qui consiste à utiliser des satellites et des aéronefs pour observer la Terre depuis le haut. À mesure que la chronologie progressait vers la période située entre 2013 et 2018, l'accent s'est déplacé vers des approches plus quantitatives. Les chercheurs ont commencé à s'appuyer fortement sur l'apprentissage automatique (machine learning), un type d'informatique où les algorithmes apprennent des données pour faire des prédictions sans être explicitement programmés pour chaque règle spécifique. Cette ère a vu une augmentation de l'utilisation des modèles numériques d'élévation, qui sont des représentations 3D détaillées du terrain, permettant une compréhension beaucoup plus précise de la pente et de la stabilité.

Au moment où les chercheurs ont examiné la période de 2019 à 2022, le domaine était entré dans une nouvelle phase caractérisée par l'adoption rapide de l'apprentissage profond (deep learning). Il s'agit d'une forme plus avancée d'intelligence artificielle qui imite la façon dont le cerveau humain traite l'information à travers des couches de nœuds interconnectés. L'étude a révélé que durant ces années, le nombre d'articles publiés a explosé, près de 90 % de toute la recherche de leur ensemble de données apparaissant après 2018. Les thèmes de la littérature se sont élargis pour inclure des modèles d'ensemble complexes, qui combinent les prédictions de plusieurs algorithmes différents pour créer un résultat plus robuste et plus précis. Les chercheurs ont également noté une intégration croissante de technologies telles que le LiDAR, qui utilise des impulsions laser pour créer des cartes incroyablement détaillées de la surface du sol, et l'InSAR, une technique qui utilise des radars pour détecter de minuscules mouvements de la surface de la terre avant qu'un glissement de terrain ne se produise.

Dans la période la plus récente, de 2023 à 2026, l'étude identifie un paysage mature où l'accent est mis sur la rendre ces systèmes d'intelligence artificielle puissants compréhensibles et fiables. Bien que l'objectif central de la prédiction des glissements de terrain reste le même, les méthodes sont devenues hautement spécialisées. Les chercheurs ont constaté que les scientifiques travaillent désormais sur l'intelligence artificielle explicable, un domaine dédié à l'ouverture de la « boîte noire » des algorithmes complexes afin que les humains puissent comprendre pourquoi un modèle a fait une prédiction spécifique. Cela est crucial pour les décideurs qui doivent faire confiance aux cartes avant de pouvoir les utiliser pour planifier des routes ou évacuer des communautés. L'étude souligne également un accent croissant sur les infrastructures, avec davantage de recherches dédiées à la protection des autoroutes et des zones urbaines, reflétant la valeur croissante de ces systèmes dans un monde où le changement climatique et l'urbanisation rendent les glissements de terrain plus fréquents et dangereux.

La revue a également mis en lumière le côté humain de ce progrès scientifique. Les chercheurs ont cartographié le réseau mondial de collaboration et ont découvert que le travail est fortement concentré en Asie, particulièrement en Chine, qui a produit le plus grand nombre d'études. L'Inde, le Vietnam et les États-Unis ont également émergé comme des centres d'activité majeurs. L'analyse a montré que ces chercheurs ne travaillent pas de manière isolée ; au contraire, ils forment des réseaux de collaboration denses, avec des équipes dans différents pays travaillant ensemble pour partager des données et affiner leurs modèles. Cet effort international a été essentiel pour faire progresser le domaine, permettant le test de nouvelles méthodes à travers des paysages et des conditions géologiques diversifiés.

Malgré ces avancées significatives, l'étude souligne que des défis subsistent. Les chercheurs notent que bien que les modèles deviennent plus précis, ils luttent encore avec l'incertitude. Il est souvent difficile de savoir exactement comment un modèle se comportera dans un nouvel emplacement qu'il n'a jamais vu auparavant, un problème connu sous le nom de transférabilité. Il existe également des préoccupations concernant la qualité des données utilisées pour entraîner ces systèmes ; si les registres des glissements de terrain passés sont incomplets ou inexacts, les prédictions en souffriront. De plus, la complexité des nouveaux modèles d'intelligence artificielle peut les rendre difficiles à interpréter, soulevant des questions sur la manière de garantir qu'ils prennent des décisions basées sur des principes géologiques solides plutôt que sur de simples coïncidences statistiques.

En fin de compte, cette revue sert de feuille de route pour l'avenir de la science des glissements de terrain. Elle confirme que le domaine est allé bien au-delà des simples cartes basées sur l'expertise du passé, évoluant vers une discipline sophistiquée pilotée par les mégadonnées (big data) et l'intelligence artificielle. Les auteurs suggèrent que la prochaine frontière réside dans la création de systèmes qui soient non seulement puissants, mais aussi transparents et capables de fonctionner en temps réel. En combinant les dernières technologies géospatiales avec l'informatique avancée, les scientifiques visent à construire un avenir où les communautés pourront être alertées de l'imminence des glissements de terrain avec une précision et une fiabilité accrues, inversant ainsi la tendance face à l'un des aléas les plus imprévisibles de la nature.