Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

Les inondations figurent parmi les forces de la nature les plus puissantes et les plus destructrices, capables de remodeler les paysages et de bouleverser des vies en quelques heures seulement. Pour les communautés vivant dans les zones de basse altitude ou à proximité des vallées fluviales, la menace est constante, mais le danger n'est pas uniforme sur l'ensemble du territoire. Certains endroits sont naturellement enclins à retenir l'eau, tandis que d'autres restent secs même lors de fortes tempêtes. Traditionnellement, les scientifiques ont cartographié ces risques à l'aide d'images statiques montrant quelles zones sont généralement vulnérables en fonction de leur forme, de leur hauteur et de leur sol. Cependant, ces cartes échouent souvent à capturer une réalité cruciale : le risque change lorsque la météo change. Un versant peut être sûr lors d'une petite bruine, mais devenir un torrent lors d'une semaine de fortes pluies, et une plaine peut ne se transformer en inondation que si la précipitation est assez intense pour submerger le sol. Comprendre où se situent les populations et les bâtiments par rapport à ces risques changeants est essentiel pour la sécurité des communautés, pourtant la plupart des cartes existantes ne se mettent pas à jour en fonction de la météo.

Dans la province côtière aride de Trujillo, au Pérou, ce défi est particulièrement aigu. La région est généralement sèche, mais elle est périodiquement frappée par des épisodes de précipitations intenses liés au phénomène El Niño, un modèle climatique qui réchauffe l'océan Pacifique et modifie la météo à travers le monde. Ces tempêtes rares peuvent transformer des ravins secs en rivières tumultueuses, inondant les quartiers urbains et endommageant les infrastructures. Des chercheurs de l'Université Nationale de Trujillo et de l'Université Nationale d'Altiplano ont entrepris de résoudre le problème de la cartographie statique en créant une nouvelle façon de suivre le risque d'inondation qui évolue avec la météo. Ils voulaient construire un système capable non seulement d'identifier les parties de la ville qui sont naturellement vulnérables, mais aussi de mettre à jour ce risque en temps réel à mesure que de nouvelles pluies tombent, tout en montrant précisément où se trouvent les gens et les bâtiments au sein de ces zones de danger.

Pour y parvenir, l'équipe s'est penchée sur trois événements majeurs d'inondation ayant frappé Trujillo en 2017, 2023 et 2025. Au lieu de s'appuyer sur des caméras traditionnelles qui ne peuvent pas voir à travers les nuages, ils ont utilisé des images radar provenant de satellites capables de scanner le sol de jour comme de nuit, quels que soient les conditions météorologiques. En comparant les images prises avant et après chaque tempête, ils ont pu tracer l'empreinte exacte de l'eau alors qu'elle se répandait sur la terre. Ils ont combiné ces données historiques avec des informations détaillées sur le terrain, telles que la pente du terrain, la hauteur du sol et l'emplacement des canaux de drainage, ainsi que des données géologiques sur les roches et le sol. Ils ont également intégré des données sur la pluie elle-même, décomposant les tempêtes en différentes durées pour voir comment les rafales courtes et intenses se comparent aux averses longues et constantes.

Les chercheurs ont ensuite utilisé un type d'apprentissage informatique appelé apprentissage automatique (machine learning) pour trouver les schémas reliant le paysage et la météo aux inondations réelles. Ils ont testé plusieurs modèles informatiques différents pour voir lequel pouvait le mieux prédire où l'eau irait. Un modèle, connu sous le nom de Forêt Aléatoire (Random Forest), s'est avéré être le plus précis. Il a appris à reconnaître que certaines combinaisons de facteurs — tels qu'une direction spécifique vers laquelle le terrain est orienté, la déclivité d'une pente et la quantité de pluie — étaient de puissants indicateurs d'inondation. Ce modèle n'a pas seulement mémorisé les événements passés ; il a appris les règles sous-jacentes du mouvement de l'eau à travers le paysage de Trujillo. L'analyse a révélé que l'orientation du terrain, la quantité de pluie, l'élévation et la pente étaient les facteurs les plus importants pour déterminer les zones sujettes aux inondations.

Ce qui distingue cette étude, c'est sa capacité à dépasser la carte unique et immuable. Une fois que l'ordinateur a appris les règles des tempêtes passées, les chercheurs ont montré qu'ils pouvaient mettre à jour la carte des risques simplement en injectant de nouvelles données de précipitations, sans avoir à réapprendre tout à l'ordinateur. Cela signifie que si une nouvelle tempête frappe, le système peut instantanément générer une nouvelle carte montrant où le risque est le plus élevé en ce moment même. Ils ont testé cela en créant un scénario pour septembre 2026. Dans cette vue actualisée, le risque n'était pas réparti uniformément ; au contraire, une grande partie du territoire présentait un niveau de risque modéré, couvrant plus de la moitié de la zone. Cependant, les zones présentant le risque le plus élevé étaient plus petites mais néanmoins significatives, et elles coïncidaient avec des parties spécifiques de la ville où vivent de nombreuses personnes.

L'étude a également apporté une dimension humaine aux chiffres en superposant les données de population et la densité des bâtiments sur les cartes d'inondation. Cela a permis à l'équipe de voir non seulement où l'eau pourrait aller, mais aussi qui serait affecté. Lors de l'événement de 2017, par exemple, plus de la moitié de la population exposée se trouvait dans des zones de risque élevé ou très élevé. En revanche, lors de l'événement de 2025, la répartition a changé, avec une part plus importante de la population située dans des zones de risque modéré. En examinant la mise à jour dynamique pour septembre 2026, les chercheurs ont constaté que, bien que la zone de risque modéré couvrait la majorité des terres et la vaste majorité de la population, les zones plus restreintes de risque élevé contenaient toujours près de 18 % des habitants et près de 20 % des surfaces bâties. Cela souligne que même une petite zone de risque élevé peut être critique si elle est densément peuplée de maisons et de commerces.

Les chercheurs ont conclu que leur approche offre un outil puissant pour les décideurs. En combinant le radar satellite, l'apprentissage automatique et les données météorologiques en temps réel, ils ont créé un système capable de suivre la vulnité aux inondations à mesure qu'elle évolue. Cette vue dynamique aide à identifier les zones prioritaires pour la prévention et l'intervention, s'éloignant de l'idée que le risque d'inondation est une caractéristique fixe du paysage. Bien que l'étude repose sur des simulations informatiques et des données historiques plutôt que sur des mesures hydrauliques en temps réel, elle fournit une méthode robuste pour comprendre comment l'interaction entre le terrain et la météo façonne le danger pour les communautés. Pour une ville comme Trujillo, où la menace de pluies soudaines et intenses est une réalité récurrente, disposer d'une carte capable de s'actualiser elle-même offre une voie plus claire vers la protection des vies et des biens.