Flood Susceptibility Mapping in Yola Metropolis, Nigeria, Using Random Forest, Terrain-Derived Predictors, and Nested Spatial Cross-Validation
Cette étude développe une carte de susceptibilité aux inondations basée sur la forêt aléatoire pour la métropole de Yola, au Nigéria, en utilisant des prédicteurs de terrain et d'occupation des sols avec une validation croisée spatiale imbriquée pour identifier l'élévation comme le facteur dominant et classer 92,24 % de la zone comme présentant un risque faible à modéré, fournissant ainsi un outil de dépistage reproductible pour la planification des catastrophes dans les contextes urbains à données limitées.
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 inondations constituent une menace persistante dans les villes qui croissent rapidement, en particulier dans les régions où les relevés météorologiques détaillés et les cartes de drainage sont rares. Lorsque de fortes pluies tombent ou que les rivières gonflent, l'eau cherche le point le plus bas, mais dans les zones urbaines en pleine expansion, les nouveaux bâtiments et les routes pavées bloquent souvent les chemins naturels que l'eau emprunte pour s'évacuer. Pour protéger les populations et les biens, les urbanistes doivent savoir quelles parties d'une ville sont les plus susceptibles d'être inondées. C'est là qu'intervient la cartographie de la susceptibilité aux inondations. Au lieu d'essayer de prédire exactement quand une inondation se produira ou quelle sera la profondeur de l'eau, ces cartes identifient les zones qui possèdent les caractéristiques physiques — telles qu'une faible élévation ou des types spécifiques de couverture terrestre — qui les rendent vulnérables aux inondations. En utilisant des images satellites et des modèles informatiques, les scientifiques peuvent créer ces cartes même dans des endroits où les données au sol sont difficiles à collecter, fournissant ainsi une première étape cruciale pour la planification des catastrophes.
Dans la ville de Yola, située dans le nord-est du Nigéria, des chercheurs ont récemment appliqué cette approche pour créer une carte détaillée du risque d'inondation. Yola est située dans une zone de basse altitude à proximité du fleuve Benue, ce qui la rend vulnérable à la montée des eaux, pourtant elle manque des données locales étendues habituellement requises pour des études d'ingénierie précises. Une équipe de scientifiques de l'Université de Pretoria et d'autres institutions s'est donné pour mission de construire un modèle capable d'identifier les zones exposées aux inondations en utilisant uniquement les informations disponibles à partir de l'imagerie satellite et des cartes numériques. Leur objectif n'était pas seulement de produire une carte, mais de tester une méthode rigoureuse pour garantir que la carte soit précise et fiable, même avec des données limitées. Ils se sont concentrés sur trois facteurs principaux qui influencent les inondations : la hauteur du terrain, la pente du sol et ce qui recouvre la surface, comme les arbres, les cultures ou les bâtiments.
Pour construire leur modèle, les chercheurs ont utilisé une technique informatique puissante d'apprentissage appelée « Random Forest » (forêt aléatoire). Cette méthode fonctionne en créant des milliers d'arbres de décision qui examinent différentes combinaisons de données pour repérer des motifs. L'équipe a alimenté l'ordinateur avec des données provenant d'un modèle numérique d'élévation, qui agit comme une carte 3D de la hauteur du sol, ainsi qu'avec une carte d'occupation des sols de 2022 montrant ce qui recouvrait le sol cette année-là. Ils ont également inclus un registre de 832 lieux spécifiques où une inondation avait été observée en 2022, aux côtés de lieux qui sont restés secs. Ce registre a servi de « corrigé » pour que l'ordinateur puisse apprendre. Les chercheurs ont veillé à éviter une erreur courante en cartographie : ils se sont assurés que l'ordinateur n'utilise pas de points de données situés juste à côté de ceux qu'il avait déjà appris pour les tests. Au lieu de cela, ils ont divisé la ville en grands blocs et ont testé le modèle sur des blocs de terre entiers qu'il n'avait jamais vus auparavant, une méthode qui donne une image beaucoup plus fidèle de la manière dont le modèle fonctionnerait dans le monde réel.
Les résultats ont montré que le facteur le plus important pour prédire les inondations était simplement la hauteur du terrain. Le modèle informatique a déterminé que connaître l'élévation était bien plus critique que de connaître la pente exacte du sol ou la distance par rapport à une rivière. Bien que l'ajout des données de pente ait légèrement amélioré le modèle, l'ajout de la distance aux cours d'eau a en fait rendu le modèle légèrement moins efficace pour identifier correctement les zones inondées. Le modèle le plus performant, qui combinait l'élévation, la pente et l'occupation des sols, a identifié avec un haut degré de précision les zones inondées et non inondées. Il a classé avec succès 91,7 % des emplacements de inondations réelles comme étant à haut risque et 93,1 % des emplacements secs comme étant sûrs. Ce niveau de précision suggère que, dans ce paysage spécifique, la forme du terrain est la force dominante contrôlant l'accumulation de l'eau.
En utilisant ces résultats, l'équipe a créé une carte finale qui divise Yola en trois catégories : faible, modérée et haute susceptibilité. Ils ont fixé les limites de ces catégories en fonction de la performance du modèle lors de sa phase de test, plutôt qu'en utilisant des lignes arbitraires. La carte a révélé que la grande majorité de la ville, soit environ 82,8 % de la zone où le modèle peut faire une prédiction, appartient à la catégorie de faible susceptibilité. Cela signifie que la majeure partie de la ville repose sur un sol suffisamment élevé pour rester sec dans des conditions typiques. Environ 9,4 % de la zone est classée comme modérée, et une plus petite portion, environ 7,8 %, est marquée comme étant de haute susceptibilité. Ces zones à haut risque sont concentrées dans les zones les plus basses, ce qui correspond à la réalité physique de l'écoulement de l'eau. Cependant, les chercheurs ont également noté une petite zone, d'environ 5,26 kilomètres carrés, qu'ils n'ont pas pu cartographier. Cela s'explique par le fait que l'occupation du sol dans cet endroit précis correspondait à un type de végétation que l'ordinateur n'avait jamais vu dans ses données d'entraînement ; il a donc sagement refusé de deviner plutôt que de fabriquer une réponse.
L'étude conclut que cette carte est un outil puissant pour la planification, mais qu'elle n'est pas une solution complète. Elle sert d'outil de filtrage pour aider les responsables à décider où regarder de plus près. Si un promoteur souhaite construire dans une zone de haute susceptibilité, cette carte signale qu'une étude d'ingénierie détaillée est nécessaire pour vérifier le drainage et la profondeur de l'eau. Les chercheurs ont pris soin de préciser que leur carte ne prédit pas la profondeur de l'eau ni la fréquence des inondations ; elle montre seulement quels endroits sont les plus susceptibles d'être mouillés en fonction de leur cadre physique. En prouvant qu'une simple combinaison d'élévation et d'occupation des sols peut produire une image aussi claire, l'étude offre un flux de travail fiable pour d'autres villes de régions pauvres en données. Elle démontre que même sans mesures locales complexes, une analyse minutieuse des données satellites peut fournir les orientations essentielles nécessaires pour protéger les communautés face aux eaux montantes d'un climat changeant.
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.