Les glissements de terrain représentent une menace importante pour les personnes et l'environnement dans le monde. Des chercheurs du Leibniz Center for Agricultural Landscape Research (ZALF), ainsi que des partenaires internationaux, ont développé un nouveau cadre qui améliore considérablement la prédiction des glissements de terrain à l'aide de méthodes d'apprentissage automatique.
Le modèle peut analyser les données et créer des cartes précises mettant en évidence les zones sujettes aux glissements de terrain. Il atteint une précision impressionnante de 95,6% pour prédire les risques de glissement de terrain. Les résultats sont publiés dans la revue Rapports scientifiques.
Comment fonctionne le modèle?
Pour mieux prédire les risques de glissement de terrain, le modèle utilise une combinaison de six méthodes d'apprentissage automatique différentes.
Un moyen simple de comprendre cela consiste à le comparer à une prévision météorologique. Si vous voulez prédire la météo de demain, vous analysez les conditions météorologiques passées et recherchez des indicateurs – comme les nuages sombres et les vents forts signalant souvent de la pluie.
Ce modèle fait quelque chose de similaire, mais pour les glissements de terrain et à une échelle beaucoup plus grande. Il traite de grandes quantités de données environnementales, telles que:
- Niveaux de précipitations: où pleut-il le plus?
- Composition du sol: le sol est-il stable ou lâche?
- Planification du paysage: Quelle est la rupture du terrain?
- Couverture de la végétation: Y a-t-il des arbres stabilisant le sol ou la déforestation s'est-elle produite?
- Activités humaines: Y a-t-il des routes ou des bâtiments qui rendent la zone instable?
Le modèle compare ces informations aux événements de glissement de terrain passés, reconnaissant les modèles qui indiquent des zones à haut risque.
Un méta-classificateur exploite ensuite les forces de plusieurs modèles d'IA en combinant leurs prédictions les plus précises pour améliorer les performances globales. Il fonctionne en trois étapes clés:
- Modèles de base de formation – Les modèles d'apprentissage automatique (par exemple, la régression logistique, la machine vectorielle de support, les forêts aléatoires, les arbres extrêmement randomisés, le renforcement du gradient et le renforcement extrême du gradient) sont formés indépendamment sur l'ensemble de données.
- Génération de méta-fonctions – les prédictions de ces modèles de base sont utilisées comme nouvelles caractéristiques d'entrée.
- La formation du méta-classificateur – un prédicteur final (par exemple, régression logistique) est formé sur ces prédictions agrégées pour prendre la décision finale.
« Avec nos nouveaux modèles de prédiction, nous pouvons identifier beaucoup plus précisément les zones sujettes aux glissements de terrain qu'auparavant », explique Krishnagopal Halder et le Dr Amit Kumar Srivastava de Zalf. « Il s'agit d'une étape importante vers une meilleure protection des personnes et permettre une utilisation durable des terres. »
Pourquoi ce modèle est-il si important?
Les glissements de terrain se produisent souvent soudainement et peuvent causer des dommages importants. Les méthodes traditionnelles d'évaluation des risques sont souvent inexactes ou prennent beaucoup de temps à terminer. Le nouveau modèle peut analyser rapidement de grandes quantités de données et obtient une précision impressionnante de 95,6% pour prédire les risques de glissement de terrain.
L'équipe de recherche a testé le modèle dans la région subhimalayenne du Bengale occidental, en Inde – une zone fortement touchée par les glissements de terrain. L'analyse a révélé que les zones à haut risque sont principalement situées dans des zones à fortes précipitations, des structures géologiques instables et une utilisation intense des terres, telles que la déforestation et l'urbanisation.
En utilisant cette nouvelle technologie, les autorités et les organisations de gestion des catastrophes peuvent prendre des mesures précoces pour garantir à l'avance des zones vulnérables et émettre des avertissements.
La méthode peut être appliquée non seulement aux glissements de terrain, mais aussi à la prévision des autres dangers naturels tels que les inondations ou l'affaissement des terres. À l'avenir, le modèle pourrait être affiné et adapté pour une utilisation mondiale.
