Développement et optimisation d’un modèle de morphodiversité pour les zones montagneuses utilisant la classification supervisée et les réseaux de neurones artificiels

Pourquoi la forme des montagnes compte

Quand on pense à la protection de la nature, on imagine généralement des plantes et des animaux rares. Mais le sol qui les soutient — falaises, vallées, crêtes et gorges fluviales — influence discrètement les lieux où la vie peut prospérer. Cet article examine comment mesurer cette variété physique, appelée morphodiversité, de manière précise et automatisée. En se concentrant sur les montagnes Pieniny en Pologne, l’auteur montre comment des techniques informatiques modernes, y compris les réseaux de neurones artificiels, peuvent transformer des données d’élévation détaillées en cartes fiables qui aident à orienter la conservation et l’aménagement du territoire.

Un laboratoire montagneux pour la diversité du paysage

Les montagnes Pieniny, à cheval sur la frontière polono-slovaque, forment une chaîne compacte mais remarquablement diverse. Falaises calcaires abruptes, gorges profondes comme la célèbre gorge de la rivière Dunajec, versants flysch plus doux, roches volcaniques et fonds de bassins plats se côtoient. Ce mélange de types de roches et de formes de relief crée un patchwork d’habitats, des éboulis ensoleillés aux vallées ombragées, qui soutient une biodiversité riche. Parce que la zone est bien cartographiée et étudiée en détail, elle sert de « laboratoire » idéal pour tester de nouvelles façons de quantifier la variation du paysage, bien au-delà de ce que l’œil peut aisément juger sur une carte ou depuis un point de vue.

De l’élévation brute à une diversité de terrain mesurable

L’étude débute avec un modèle numérique d’élévation à haute résolution, une description 3D détaillée de la surface du sol. À partir de celui-ci, l’auteur déduit sept caractéristiques de terrain de base : altitude, pente, exposition (la direction vers laquelle une pente fait face), deux types de courbure (la façon dont les surfaces se courbent), les différences locales d’altitude et la présence d’affleurements rocheux. La région est ensuite recouverte de milliers de cellules hexagonales de taille régulière. Dans chaque cellule, l’ordinateur mesure l’importance de la variation de ces caractéristiques pixel par pixel. Plutôt que de simplement compter le nombre de « types » de formes de relief présents, la méthode considère la variation elle-même comme le signal : plus il y a de changements de hauteur, de pente ou d’orientation au sein d’une cellule, plus elle est susceptible d’être morphodiverse.

Entraîner un classifieur numérique à reconnaître les terrains complexes

Pour transformer ces valeurs en une carte significative, l’étude utilise la classification supervisée et les réseaux de neurones artificiels — des modèles informatiques vaguement inspirés de la façon dont le cerveau apprend les motifs. Des experts humains marquent d’abord des cellules exemples comme clairement « morphodiverses » (pics escarpés, crêtes rocheuses, vallées profondément incisées, parois de gorge spectaculaires) ou « non‑morphodiverses » (fonds de vallée plats, surfaces lacustres, larges pentes douces). Ces exemples étiquetés enseignent au réseau de neurones quelles combinaisons d’altitude, de pente et d’autres caractéristiques correspondent typiquement à un terrain complexe. Une fois entraîné, le réseau attribue une probabilité à chaque cellule de la région, indiquant la probabilité qu’elle appartienne à la classe morphodiverse. Le résultat est une carte continue qui peut ensuite être regroupée en catégories intuitives allant de très faible à très élevée morphodiversité.

Élaguer les données pour ne garder que l’essentiel

Les méthodes plus anciennes additionnaient souvent de nombreux indicateurs de terrain, comptant involontairement plusieurs fois la même information et brouillant l’image. Cette étude aborde le problème en combinant réseaux de neurones et analyse de sensibilité globale, une technique qui teste la contribution réelle de chaque entrée à la précision des prédictions. En « désactivant » progressivement des variables et en suivant les variations de l’erreur du modèle, l’auteur identifie quelles caractéristiques apportent une information pertinente et lesquelles sont largement redondantes. Les modèles optimisés montrent qu’un petit nombre de facteurs — différences de hauteur au sein d’une cellule, altitude globale, pente, répartition des orientations de pente et présence d’affleurements rocheux — suffisent à capturer la structure essentielle de la morphodiversité. Même après élimination des entrées de faible valeur, les modèles simplifiés correspondent encore très étroitement aux versions complètes, avec des coefficients de corrélation atteignant 0,96–0,98.

Ce que les résultats signifient pour la protection de la nature

Le modèle affiné, en particulier la version RCMSC–ANN–M, produit des cartes qui correspondent bien à la compréhension géomorphologique du paysage des Pieniny. Il met en évidence non seulement les crêtes élevées spectaculaires et les parois de gorge, mais aussi des zones morphologiquement complexes sur les flancs de vallées et les contreforts qui pourraient autrement être négligées. Parce que la méthode repose sur des données d’élévation largement disponibles et sur un ensemble compact de variables clés, elle peut être adaptée à d’autres massifs montagneux dans le monde. Pour les planificateurs de la conservation, cela offre un moyen objectif de localiser et de comparer les zones « riches géologiquement » qui sous-tendent la biodiversité et la valeur paysagère, aidant à prioriser les lieux où la protection, la gestion touristique ou des relevés de terrain détaillés devraient se concentrer.

Citation: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Mots-clés: géodiversité, morphodiversité, paysages de montagne, réseaux de neurones, géoconservation