Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

Sur les hautes plaines balayées par les vents du plateau de Qinghai-Tibet, le sol n'est pas seulement de la terre et de la roche ; c'est une archive gelée. Depuis des millénaires, une grande partie de ce paysage est restée verrouillée dans un état de froid permanent, une condition que les scientifiques appellent le pergélisol. Cette terre gelée sert de fondation solide aux vastes écosystèmes de la région et à ses infrastructures critiques, y compris la plus haute voie ferrée et la plus haute autoroute du monde. Cependant, à mesure que le climat mondial se réchauffe, cette fondation gelée commence à s'amollir. Lorsque la glace contenue dans le sol fond, le sol perd sa force et peut soudainement s'effondrer. L'une des formes de cet effondrement les plus dramatiques et destructrices est le glissement de terrain par dégel rétrogressif. Il ne s'agit pas de simples affaissements, mais de cicatrices actives et reculant sur le paysage, où un mur abrupt de sol riche en glace cède, s'affaissant vers l'arrière et laissant derrière lui un amas chaotique de boue et de débris. À mesure que ces glissements croissent, ils menacent d'engloutir les routes, les voies ferrées et l'écosystème alpin délicat, rendant vital de comprendre où ils sont susceptibles d'apparaître ensuite.

Dans une étude récente axée sur la région de Hoh Xil, une partie reculée et accidentée du plateau, des chercheurs se sont donné pour mission de cartographier les futures zones de danger de ces glissements de terrain dus au dégel. Le défi était immense. Le paysage est vaste, les données sont complexes et les facteurs qui déclenchent un glissement sont profondément entrelacés. Un glissement ne se produit pas à cause d'une cause unique ; il est le résultat d'une combinaison spécifique de chaleur, d'eau, de type de sol et de la forme du terrain. Pour démêler ce réseau, l'équipe a développé une nouvelle façon d'aborder le problème, allant au-delà de simples observations pour une analyse numérique sophistiquée qui imite la façon dont le cerveau humain reconnaît les motifs.

Les chercheurs ont commencé par rassembler une quantité massive d'informations sur la région de Hoh Xil. Ils ont examiné la température de l'air, la quantité de pluie qui tombe, la pente des versants et le type de sol sous la surface. Ils ont également examiné la quantité de glace cachée dans le sol et la densité de la végétation qui le recouvre. En utilisant des images satellites et des relevés de terrain, ils ont compilé un inventaire détaillé de 1 825 glissements de terrain existants dans la zone. Cet inventaire a servi de vérité de terrain, une carte de l'endroit où les dommages se sont déjà produits. L'objectif était d'apprendre à un ordinateur à reconnaître la recette environnementale spécifique qui mène à un glissement, afin qu'il puisse prédire où les prochains se formeraient.

Pour donner un sens à cette montagne de données, l'équipe a d'abord dû filtrer le bruit. Ils ont utilisé une méthode statistique pour identifier quels facteurs étaient réellement à l'origine des glissements et lesquels n'étaient que des bruits de fond. Ils ont découvert que les déclencheurs les plus puissants étaient liés à l'eau et à la chaleur. Plus précisément, les événements de précipitations extrêmes et le cycle intense de gel et de dégel pendant les mois d'été étaient les principaux moteurs. Ces conditions saturent le sol et affaiblissent les liens gelés qui maintiennent le sol ensemble. Bien que la forme du terrain et le type de sol comptent, ils jouaient un rôle de soutien face à l'influence écrasante des conditions hydrothermales. L'étude a confirmé que les zones présentant une forte teneur en glace et des sols à grains fins, qui retiennent l'eau comme une éponge, étaient particulièrement vulnérables lorsque le temps devenait chaud et humide.

Le cœur de l'étude consistait à entraîner un système informatique à apprendre de ces motifs. Les chercheurs ont été confrontés à un problème courant dans ce type de recherche : il est facile de trouver des exemples d'endroits où des glissements se sont produits, mais il est difficile de trouver des exemples fiables d'endroits où ils ne se sont pas produits. Si un ordinateur n'est montré que là où le danger réside, il pourrait supposer que le monde entier est dangereux. Pour résoudre cela, l'équipe a mis en place une stratégie d'échantillonnage intelligente. Ils ont utilisé une technique de regroupement (clustering) pour trouver des zones qui ressemblaient exactement aux zones de glissement en termes d'environnement, mais qui étaient restées stables. En sélectionnant soigneusement ces points « sûrs », ils ont veillé à ce que l'ordinateur apprenne la différence entre une zone de catastrophe potentielle et un versant stable, plutôt que de simplement mémoriser des emplacements aléatoires.

Une fois les données préparées, l'équipe a testé plusieurs modèles d'apprentissage informatique différents. Ils ont essayé des algorithmes standards, mais ils ont découvert qu'un type spécifique de système d'apprentissage profond, connu sous le nom de réseau de neurones convolutifs, était bien supérieur pour comprendre le paysage. Ce système est conçu pour analyser les données de la même manière qu'un humain regarde une photographie, en reconnaissant les relations spatiales entre les caractéristiques. Il pouvait voir comment une pente raide, une parcelle de sol humide et une journée d'été chaude s'assemblaient pour créer un risque. Les chercheurs ont ensuite combiné cet outil puissant de reconnaissance de formes avec une approche d'apprentissage d'ensemble. Cette technique fonctionne comme un panel d'experts : au lieu de s'appuyer sur un seul modèle, ils ont combiné les prédictions de nombreux modèles différents, les laissant voter sur la réponse finale. Cette méthode a réduit les erreurs et a rendu les prédictions beaucoup plus fiables.

Le résultat fut une carte de susceptibilité hautement précise pour la région de Hoh Xil. La carte a révélé que les zones de risque élevé ne sont pas dispersées de manière aléatoire, mais sont concentrées dans des zones de transition spécifiques où la terre passe de pentes raides à des vallées, et dans des zones d'activité thermokarstique intense. Le modèle le plus performant, qui combinait l'extraction de caractéristiques par apprentissage profond avec la stratégie d'échantillonnage intelligente, a atteint un taux de précision qui a largement surpassé les méthodes précédentes. Il a correctement identifié la vaste majorité des glissements connus tout en évitant les fausses alertes dans les zones stables. La carte a montré que près de 10 000 kilomètres carrés de la région tombent dans des catégories de risque élevé ou très élevé, les zones les plus dangereuses bordant les couloirs des principales routes de transport.

Cette étude fait plus que simplement tracer une carte ; elle clarifie le mécanisme de la catastrophe. Elle confirme que, bien que le sol soit intrinsèquement instable dans ces régions, le déclencheur final est souvent un événement météorologique spécifique, tel qu'un fort orage d'été frappant une pente riche en glace. La recherche démontre qu'en utilisant l'apprentissage informatique avancé pour analyser les interactions complexes entre le climat, le sol et le terrain, les scientifiques peuvent prédire ces aléas avec un niveau de précision auparavant impossible. Cette capacité offre un outil puissant pour les planificateurs et les ingénieurs. En sachant exactement où le sol est le plus susceptible de céder, ils peuvent renforcer les infrastructures, détourner les routes ou surveiller des zones spécifiques avant qu'un effondrement ne se produise. Dans une région où le climat change plus rapidement que presque n'importe où ailleurs sur Terre, cette forme de prévoyance n'est pas seulement un exercice académique ; c'est une étape nécessaire pour protéger les vies et les moyens de subsistance qui dépendent de la stabilité du plateau gelé.