Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

Dans de nombreuses parties du monde, les villes croissent plus vite que le sol ne peut les supporter. Lorsque de fortes pluies tombent sur un paysage recouvert de béton et d'asphalte, l'eau ne peut plus s'infiltrer dans le sol comme autrefois. Au lieu de cela, elle dévale la surface, gagnant en vitesse et en volume jusqu'à submerger les rues et les sous-sols. C'est l'essence même de l'inondation urbaine, une crise qui devient plus fréquente à mesure que le changement climatique apporte des tempêtes plus intenses et que la construction rapide scelle le drainage naturel. Pour protéger les populations et les biens, les urbanistes doivent savoir exactement où l'eau va stagner et quelle profondeur elle pourrait atteindre. Pendant des décennies, les experts se sont appuyés sur des cartes et des archives historiques pour deviner ces risques, mais une nouvelle approche change la donne. En combinant des yeux satellitaires capables de voir à travers les nuages avec de puissants programmes informatiques qui apprennent des modèles, les scientifiques peuvent désormais prédire les risques d'inondation avec un niveau de précision auparavant impossible. Ce changement permet aux communautés de passer de la réaction face aux catastrophes à la prévention.

Dans la partie ouest de Riyad, en Arabie Saoudite, un chercheur a appliqué cet arsenal moderne à un défi spécifique : le bassin de Wadi Hanifa. Cette vallée, qui traverse les districts ouest et centraux de la ville, est un chenal naturel pour l'eau provenant des montagnes voisines. Bien qu'elle ait historiquement soutenu l'agriculture et les établissements, l'expansion rapide de Riyad a transformé une grande partie de cette vallée en une zone urbaine dense. La croissance de la ville a créé une situation où les pluies abondantes, bien que rares mais intenses, peuvent rapidement se transformer en crues éclair dangereuses. Le chercheur s'est donné pour mission de créer une carte détaillée montrant précisément quels quartiers sont les plus susceptibles d'être inondés. Il ne s'est pas contenté de suppositions ou de règles empiriques simples. Au lieu de cela, il a construit un modèle numérique de l'ensemble du bassin, en y injectant une vaste gamme d'informations recueillies depuis l'espace et le sol.

Le chercheur a rassemblé des données provenant de cinq sources différentes pour construire un portrait complet du paysage. Il a utilisé des images satellites pour identifier les types de surfaces couvrant le sol, distinguant la végétation verte, le sol nu et les surfaces dures et imperméables des bâtiments et des routes. Il a intégré des images radar capables de détecter l'eau même lorsque le ciel est nuageux, garantissant ainsi qu'il puisse voir l'étendue réelle des inondations passées. Il a également incorporé une carte 3D détaillée du terrain pour comprendre la pente et la forme du relief, ainsi que des décennies d'enregistrements de précipitations pour voir où les tempêtes les plus lourdes ont frappé. Enfin, il a cartographié les réseaux routiers, qui peuvent agir soit comme des barrières, soit comme des canaux pour l'eau. Avec toutes ces informations assemblées, il s'est tourné vers un algorithme d'apprentissage automatique, un type de programme informatique qui apprend par l'exemple. Il a montré à l'ordinateur des milliers d'exemples de zones qui avaient été inondées par le passé et des milliers d'exemples de zones qui étaient restées sèches. L'ordinateur a analysé ces exemples pour trouver les modèles cachés qui relient le paysage à l'eau.

L'ordinateur a appris que le risque d'inondation dans cette région est dicté par quelques facteurs clés. Le facteur le plus important s'est avéré être la densité du réseau de drainage. Les zones présentant une forte concentration de cours d'eau et de canaux sont plus susceptibles d'être inondées car l'eau s'y concentre, surtout lors de fortes pluies. Le deuxième facteur critique est le type de couverture terrestre. Les quartiers possédant de nombreux bâtiments et des routes pavées, où l'eau ne peut pas s'infiltrer, présentent un risque beaucoup plus élevé que les zones comportant plus de terre ou de végétation. L'intensité des précipitations était le troisième moteur majeur, confirmant que le volume pur d'eau tombant en un court laps de temps est une cause primaire du problème. L'ordinateur a également appris que la rugosité du terrain importe ; les zones plus lisses et plates permettent à l'eau de s'étaler et de stagner, tandis que les terrains plus accidentés peuvent la ralentir. D'autres facteurs, tels que la direction de la pente ou l'élévation exacte, jouaient un rôle mais étaient moins décisifs que les modèles de drainage et d'utilisation des sols.

Une fois que l'ordinateur eut appris ces modèles, il les appliqua à l'ensemble du bassin de Wadi Hanifa pour prédire les risques d'inondation pour chaque point de la carte. Les résultats furent d'une précision frappante. Lorsque le chercheur testa le modèle par rapport aux données réelles, celui-ci identifia correctement les zones inondées dans 90 pour cent des cas. Le modèle parvint à distinguer les lieux qui seraient inondés de ceux qui ne le seraient pas, prouvant que la combinaison de données satellitaires et d'apprentissage automatique pouvait capturer la réalité complexe de l'inondation urbaine. La carte résultante divise le bassin en cinq catégories de risque, allant de très faible à très élevé. L'analyse a révélé qu'environ 6,1 pour cent du bassin est à risque très élevé, et qu'un autre 14,2 pour cent fait face à un risque élevé. Ces zones dangereuses ne sont pas dispersées de manière aléatoire ; elles se regroupent dans des quartiers spécifiques et densément peuplés.

La carte a identifié plusieurs communautés nécessitant une attention immédiate. Des zones telles que Center Uraija, Uraija, Derab, Ukaz, Marwwah, Uraid, Twaeeq-Etaigah et Hejrat Wadi Leban ont été signalées comme présentant une très haute vulnérabilité aux inondations urbaines. Ces quartiers sont situés dans des zones basses où l'eau s'accumule naturellement, et ils sont entourés de réseaux étendus de routes et de bâtiments qui empêchent l'eau de s'évacuer. L'étude souligne que ces risques ne sont pas seulement théoriques ; les prédictions du modèle concordent avec les lieux réels où les inondations se sont produites. Par exemple, lorsqu'un événement de crue majeure a eu lieu en avril 2026, la vaste majorité des points d'inondation observés se trouvait exactement dans les zones que le modèle avait marquées comme à risque élevé ou très élevé. Cette validation offre aux responsables municipaux un outil puissant pour la prise de décision. Ils peuvent désormais voir exactement où renforcer les systèmes de drainage, où restreindre les nouvelles constructions et où prioriser les plans d'intervention d'urgence.

Cette recherche démontre que l'avenir de la gestion des inondations réside dans l'intégration de la technologie de pointe avec les connaissances locales. En utilisant l'apprentissage automatique pour analyser l'interaction complexe entre la pluie, le terrain et le développement humain, les scientifiques peuvent fournir des informations claires et exploitables pour protéger les villes en pleine croissance. L'étude ne prétend pas avoir résolu le problème des inondations pour toujours, mais elle a fourni une méthode fiable pour identifier les points les plus vulnérables. Pour les résidents de Riyad et d'autres villes en cours d'urbanisation rapide, cela signifie passer de l'espoir que tout se passe bien à la préparation du pire avec confiance. La carte sert de guide, montrant où l'eau ira afin que les gens puissent mieux construire, planifier plus intelligemment et rester en sécurité.