Évaluation de la susceptibilité aux inondations à l’aide de trois techniques d’apprentissage automatique et comparaison de leurs performances

Pourquoi le risque d’inondation dans un bassin éthiopien compte

Les inondations tuent des milliers de personnes chaque année dans le monde, détruisent des récoltes et endommagent des habitations et des routes. Dans le bassin versant de Choke, une région de hauts plateaux qui alimente le Nil Bleu, les crues éclair surviennent rapidement et souvent sans prévenir. Cette étude montre comment des techniques informatiques modernes peuvent transformer des images satellitaires, des cartes et des relevés de précipitations en cartes détaillées du risque d’inondation, aidant les communautés et les planificateurs à décider où construire, où cultiver et où protéger les populations avant la prochaine tempête.

Un paysage de montagne sous pression

Le bassin versant de Choke se situe dans les hauts plateaux du nord-ouest de l’Éthiopie, où des montagnes escarpées donnent naissance à plus de 60 rivières et à des centaines de sources. Ce terrain accidenté soutient l’agriculture, l’hydroélectricité, l’eau potable et même le tourisme, mais il canalise aussi les fortes pluies saisonnières vers des vallées étroites et des plaines d’inondation. Au cours de la dernière décennie, des crues répétées ont endommagé des champs, des routes, des ponts, des écoles et des habitations, en particulier pendant la saison des pluies principale de juin à septembre. La croissance démographique, la déforestation et l’expansion des villes ont modifié la surface du sol, réduisant souvent sa capacité à absorber l’eau et augmentant la probabilité de déferlements soudains vers l’aval.

Transformer cartes et mesures en historique des inondations

Pour comprendre où les inondations frappent le plus souvent, les chercheurs ont d’abord constitué un « inventaire » des inondations pour le bassin. Ils ont combiné les rapports gouvernementaux sur les catastrophes, des informations de terrain et des images radar issues des satellites Sentinel-1, capables de détecter les zones inondées même à travers les nuages. Pour cinq années hydrologiques majeures entre 2005 et 2020, ils ont comparé des images prises avant et après les événements pour localiser les zones submergées. Ils ont également utilisé des données d’élévation pour exclure les lacs permanents et les pentes trop abruptes qui n’accueilleraient pas d’eau stagnante. À partir de cela, ils ont assemblé un ensemble équilibré de points inondés et non inondés, formant le matériau d’apprentissage pour leurs modèles informatiques.

Lire le paysage pour prédire les inondations futures

Ensuite, l’équipe a rassemblé onze types d’informations qui influencent l’accumulation d’eau, notamment l’altitude, la pente, la courbure des versants, les tendances d’humidité du sol, le réseau hydrographique, la distance aux cours d’eau, les précipitations, le type de sol et l’usage des terres. Tous ces éléments ont été traités en couches cartographiques correspondantes dans un système d’information géographique. Les modèles ont été entraînés à repérer les motifs reliant ces couches aux inondations passées. Parmi les différentes caractéristiques, trois se sont révélées particulièrement importantes : l’altitude, la pente et un indice d’humidité qui reflète la facilité avec laquelle l’eau s’accumule en certains points. Les zones basses avec des pentes douces et des valeurs élevées d’indice d’humidité sont apparues comme des points chauds d’inondation, tandis que l’exposition (la direction d’une pente) et même la variabilité des précipitations ont eu moins d’importance dans ce contexte montagneux particulier.

Apprendre aux machines à repérer les zones à haut risque

L’étude a comparé trois méthodes avancées d’apprentissage automatique reposant toutes sur de nombreux arbres de décision travaillant en ensemble : Random Forest, Gradient Boosting et Extreme Gradient Boosting. Ces approches sont efficaces pour gérer des relations complexes entre de nombreux facteurs sans exiger des données parfaites ni des formules simples. Après avoir séparé leurs données en ensembles d’entraînement et de test, les auteurs ont optimisé chaque modèle et évalué les performances à l’aide de plusieurs indicateurs statistiques. Deux des méthodes, Gradient Boosting et Extreme Gradient Boosting, se sont montrées particulièrement précises, distinguant correctement les points inondés des points non inondés dans environ 97 % des cas ; Random Forest arrivait juste derrière. Les trois ont produit des cartes de susceptibilité aux inondations divisant le bassin en cinq classes, de très faible à très élevé risque, les secteurs nord et sud-ouest présentant le danger le plus important.

Des cartes informatiques à des communautés plus sûres

Pour les non-spécialistes, le résultat clé est que ces cartes générées par machine transforment des dossiers épars et des images satellites en une image claire des zones où l’eau est la plus susceptible de s’étendre. Seule une fraction modeste du bassin de Choke se situe dans les zones de risque maximal, mais ces poches coïncident avec des zones basses peuplées et des terres agricoles importantes. Les autorités locales peuvent utiliser ces résultats pour orienter l’implantation des nouvelles habitations, renforcer les ponts et les systèmes de drainage, ou restaurer la végétation pour ralentir le ruissellement. Si ces modèles ne peuvent pas remplacer des simulations hydrauliques détaillées, ils offrent un moyen rapide et économique de cibler les ressources limitées vers les zones les plus vulnérables et pourraient être adaptés à d’autres aléas tels que les glissements de terrain ou les séismes. Dans un pays où les données et les budgets sont souvent limités, ce mariage de satellites et d’algorithmes intelligents propose une voie pratique vers des paysages et des communautés plus résilients.

Citation: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

Mots-clés: susceptibilité aux inondations, apprentissage automatique, bassin versant de Choke, réduction des risques de catastrophe