Une évaluation multi-risques intégrée utilisant l’apprentissage automatique dans les terrains complexes du nord du Pakistan

Pourquoi cette histoire de montagne est importante

La vallée de Hunza, dans le nord du Pakistan, est célèbre pour ses sommets vertigineux et ses glaciers — mais c’est aussi l’un des paysages les plus dangereux au monde. Pentes raides, fonte des glaces, tempêtes violentes et failles actives font que villages, routes et méga-projets sont exposés à de nombreux types de catastrophes simultanément. Cette étude montre comment des données modernes et l’apprentissage automatique peuvent être combinés pour dresser une image unique et facile à utiliser des zones où plusieurs dangers se chevauchent, aidant à protéger les populations, les infrastructures et les routes commerciales vitales dans cette région alpine fragile.

Une vallée menacée sur de nombreux fronts

Le district de Hunza se situe dans le Karakoram accidenté, où des gorges fluviales traversent des roches s’élevant d’environ 1 800 mètres à près de 7 800 mètres d’altitude. D’immenses glaciers alimentent la rivière Hunza, qui fournit à son tour eau et énergie à des millions de personnes en aval. Mais les mêmes forces qui font de cette région une tour d’eau puissante créent aussi des dangers. Fortes pluies estivales, fonte rapide des neiges et des glaces, sols meubles et failles actives se combinent pour produire glissements de terrain, coulées de débris, crues soudaines et ruptures de lacs glaciaires (GLOF). Les séismes peuvent secouer des pentes déjà fracturées, déclenchant des enchaînements d’éboulements et d’inondations. Comme routes, maisons et terres agricoles sont comprimées dans les fonds de vallée étroits, même un événement modéré peut avoir des conséquences sévères, comme l’ont montré des catastrophes passées qui ont détruit des villages, obstrué des rivières et coupé la route du Karakoram, seul lien terrestre du Pakistan avec la Chine.

De cartes éparses à une image globale

Jusqu’à présent, la plupart des études se concentraient sur un seul type de danger à la fois — par exemple uniquement les glissements de terrain ou uniquement les inondations. Cette approche ne tient pas compte du fait que les dangers peuvent frapper ensemble ou s’enclencher mutuellement, et elle peut induire en erreur les planificateurs qui doivent concevoir routes, ponts et implantations pour des conditions réelles. Les auteurs ont cherché à construire une vision intégrée « multi-risques » pour Hunza. Ils ont rassemblé une large gamme d’informations : données topographiques détaillées, pente et courbure du terrain, distance aux rivières et aux routes, schémas de précipitations, couverture terrestre et végétation, indicateurs de neige et de glaciers, types de roche sous-jacents, et cartes existantes du danger des lacs glaciaires et de l’intensité du séisme. Au total, dix-huit facteurs géo-environnementaux ont été pris en compte, reflétant l’interaction de l’eau, de la gravité, du climat et de la géologie sur le terrain.

Apprendre à une forêt numérique à lire le paysage

Pour transformer cette montagne de données en recommandations utiles, l’équipe a utilisé une méthode d’apprentissage automatique connue sous le nom de modèle de classification et de régression basé sur les forêts, une forme pratique de l’approche « random forest » populaire. Ils ont d’abord constitué des inventaires des lieux où des dangers se sont produits — glissements de terrain, crues éclair, coulées de débris, zones sujettes aux séismes et zones de GLOF — et ont associé ces emplacements aux conditions environnementales en chaque point. L’algorithme a ensuite appris quelles combinaisons de pente, précipitations, type de roche, végétation et autres facteurs distinguent le mieux les endroits dangereux des plus sûrs. En construisant à plusieurs reprises de nombreux arbres de décision sur des échantillons différents et en moyennant leurs résultats, le modèle a produit des cartes de susceptibilité fiables pour chaque danger. Des vérifications statistiques ont montré de bonnes performances, ce qui signifie que le modèle pouvait distinguer correctement les zones à haut risque et à faible risque plus souvent qu’il ne se trompait.

Où les dangers s’accumulent

Une fois les cartes individuelles créées, les chercheurs les ont mises à la même échelle et les ont combinées en une seule carte multi-risques. Les résultats révèlent que plus de 40 % de Hunza est exposé à au moins un danger important, et que des portions plus petites mais critiques font face à plusieurs risques simultanément. Environ un cinquième du district est fortement sujet aux glissements de terrain uniquement, tandis que d’autres zones sont principalement menacées par des crues éclair ou des coulées de débris. Les zones les plus alarmantes — quoique relativement petites en superficie — sont celles où le tremblement sismique, les coulées de débris, les glissements de terrain et les crues éclair coïncident. Ces points chauds qui se chevauchent se concentrent dans les parties centrales et inférieures de la vallée le long des corridors fluviaux et de la route du Karakoram, où se concentrent les établissements, les terres agricoles et les infrastructures majeures. Même les régions classées « faible danger » sont souvent couvertes de glaciers et de neige, rappelant aux planificateurs que le réchauffement futur pourrait modifier les schémas de risque.

Transformer les cartes en futurs plus sûrs

Pour les non-spécialistes, le message clé est simple : dans un paysage comme Hunza, aucun danger isolé ne raconte toute l’histoire. Cette étude démontre qu’en combinant données satellitaires, observations de terrain, jugement d’experts et apprentissage automatique, il est possible de créer des cartes claires qui montrent où plusieurs menaces se superposent et où une action protectrice est la plus urgente. Bien que le travail se concentre sur la susceptibilité — la probabilité que des processus naturels puissent produire des événements dommageables — il offre une base solide pour des décisions d’aménagement du territoire plus intelligentes, un emplacement plus sûr des routes et barrages, et une planification ciblée d’alerte précoce et d’évacuation. À mesure que le changement climatique continue d’intensifier les phénomènes météorologiques extrêmes et d’accélérer la fonte des glaciers, de tels outils intégrés et fondés sur les données seront essentiels pour aider les communautés montagnardes au Pakistan et dans le monde à s’adapter et à prospérer.

Citation: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

Mots-clés: cartographie multi-risques, catastrophes en montagne, apprentissage automatique, vallée de Hunza, réduction des risques de catastrophe