Prévision de la susceptibilité aux glissements de terrain par des modèles de réseaux de neurones artificiels optimisés par des algorithmes évolutionnaires

Pourquoi cartographier les versants instables est important

Les glissements de terrain peuvent transformer un versant paisible en un torrent mortel de roches et de boue en quelques secondes. À mesure que routes, villes et exploitations agricoles s’étendent sur des terrains escarpés, savoir quelles pentes sont les plus susceptibles de céder devient essentiel pour sauver des vies et économiser de l’argent. Cette étude explore comment des méthodes modernes d’« apprentissage » informatique peuvent transformer des observations éparses de glissements passés et de conditions environnementales en cartes détaillées qui repèrent où les mouvements de terrain futurs sont les plus probables.

Lire les signes d’alerte cachés du paysage

Les chercheurs se sont concentrés sur la province d’Azerbaïdjan oriental, dans le nord‑ouest de l’Iran, une région principalement montagneuse où les glissements sont fréquents et où l’augmentation de la population et des infrastructures accroît les risques. Ils ont reconstitué une image détaillée du paysage en utilisant 16 ingrédients différents influençant la stabilité des pentes. Ceux‑ci incluaient des caractéristiques naturelles telles que l’altitude, la pente, les précipitations, les types de sol et de roche, la couverture végétale et la rugosité du terrain, ainsi que des facteurs liés à l’activité humaine comme la distance aux routes et aux rivières. À partir d’images satellitaires, de modèles numériques d’élévation et d’enregistrements pluviométriques à long terme, ils ont converti ces données brutes en couches cartographiques homogènes et constitué un inventaire des glissements : des emplacements où des glissements se sont déjà produits et des sites voisins où les pentes sont restées stables.

Apprendre aux ordinateurs à reconnaître les pentes à risque

Pour déceler les motifs cachés dans ce mélange complexe de données, l’équipe a utilisé des réseaux de neurones artificiels — des modèles informatiques inspirés du fonctionnement des cellules cérébrales. Ces réseaux reçoivent de nombreux paramètres en entrée, les font passer à travers plusieurs couches internes d’unités mathématiques simples et produisent une sortie : ici, la probabilité qu’un point donné de la carte soit susceptible de subir un glissement. Les scientifiques ont testé différentes profondeurs de réseau et nombres d’unités internes, à la recherche d’une architecture capable de capturer les relations non linéaires entre de nombreux facteurs sans devenir si complexe qu’elle ne fasse que mémoriser les données d’entraînement. Ils ont constaté qu’un réseau plus profond avec plusieurs couches cachées offrait le meilleur compromis entre flexibilité et fiabilité.

Laisser l’évolution affiner les modèles

Plutôt que d’ajuster le réseau manuellement, les auteurs ont eu recours aux algorithmes évolutionnaires — des méthodes de recherche qui imitent des processus naturels tels que la gravité, le comportement animal et l’interaction de multiples univers. Quatre stratégies d’optimisation différentes ont été testées : une méthode inspirée du trou noir, une stratégie de nid de coucou, un optimiseur basé sur le multivers et une recherche de type vortex. Chacune a modifié à plusieurs reprises les paramètres internes du réseau et évalué sa capacité à distinguer les emplacements de glissements connus des zones stables. Au fil de nombreux cycles, ces algorithmes ont « fait évoluer » des versions du réseau neuronal qui produisaient des erreurs plus faibles et des prédictions plus cohérentes qu’un réseau standard non optimisé.

Des chiffres à des cartes de risque opérationnelles

À l’aide de ces modèles affinés, l’équipe a généré des cartes de susceptibilité aux glissements classant chaque partie de l’Azerbaïdjan oriental en cinq niveaux, du risque très faible au risque très élevé. Les schémas obtenus avaient du sens d’un point de vue géographique : des îlots de susceptibilité élevée et très élevée apparaissaient principalement dans les parties nord, centrale et sud‑est de la province, où se conjuguent pentes raides, pluies plus abondantes et certains usages du sol. Les régions de l’ouest et du sud‑est lointain tendaient à relever des catégories faibles ou très faibles. Parmi les quatre modèles hybrides, le réseau neuronal basé sur le multivers s’est montré le plus précis et le plus stable, atteignant des taux de réussite supérieurs à 80 % et des scores quasi parfaits sur des tests standard de performance en classification.

Ce que cela signifie pour les populations situées sous des pentes abruptes

Pour les non‑spécialistes, le message clé est que combiner l’apprentissage informatique avancé avec des idées empruntées à la nature peut fournir des cartes très détaillées et fiables des zones les plus exposées aux glissements. Ces cartes peuvent guider l’implantation des routes et des habitations, l’endroit où renforcer des pentes existantes et les secteurs sur lesquels concentrer les systèmes d’alerte précoce et la planification d’urgence. Bien que l’étude porte sur une province de l’Iran, le cadre méthodologique — sélection rigoureuse des facteurs environnementaux, entraînement de réseaux neuronaux et amélioration via des recherches évolutionnaires — peut être adapté à d’autres régions montagneuses du monde. En bref, ce travail montre que les outils numériques peuvent transformer des décennies d’observations dispersées en orientations pratiques et économiquement efficaces pour réduire les catastrophes liées aux glissements de terrain.

Citation: Cifci, M.A., Hu, X., Öney, B. et al. Prediction of landslide susceptibility through ANN models optimized by evolutionary algorithms. Sci Rep 16, 9471 (2026). https://doi.org/10.1038/s41598-026-39458-8

Mots-clés: susceptibilité aux glissements de terrain, réseaux de neurones artificiels, algorithmes évolutionnaires, cartographie des risques, réduction des risques de catastrophe