Réduction de l’échelle spatiale des images satellitaires basée sur des paramètres morphométriques pour estimer l’indice d’humidité topographique à l’aide d’outils SIG

Pourquoi des cartes plus nettes comptent pour la sécurité en montagne

Dans les régions montagneuses raides et pluvieuses, de petites différences dans la forme du terrain peuvent déterminer où l’eau s’accumule, où le sol se sature et où un versant peut soudainement céder. Cette étude examine comment les modèles d’élévation générés par ordinateur peuvent être affinés pour mieux rendre ces subtilités, afin que les planificateurs et les scientifiques puissent localiser de façon plus fiable les zones sujettes aux inondations, aux glissements de terrain et autres mouvements de masse.

Des altitudes floues à un relief détaillé

Le travail porte sur les Modèles Numériques d’Élévation (MNE) : des cartes en grille où chaque cellule contient la hauteur du sol. Les MNE de faible résolution, avec des cellules larges, estompent crêtes, vallées et lignes d’écoulement, tandis que les MNE fins révèlent beaucoup plus de détails. Mais les données à haute résolution ne sont pas toujours disponibles ni abordables, surtout en zones montagneuses isolées. Les auteurs ont étudié comment différentes approches mathématiques peuvent « rééchantillonner » ou affiner des MNE plus grossiers en MNE plus fins, créant des représentations du terrain plus nettes sans nouvelles campagnes de terrain.

Le bassin montagneux comme laboratoire naturel

Les chercheurs se sont concentrés sur le bassin de la Jhelum au Pakistan (Azad Jammu et Kashmir), une région accidentée sujette aux glissements de terrain, soumise à de fortes pluies et à des mouvements de masse soudains. Ils ont utilisé plusieurs jeux de données MNE avec des tailles de cellule de 30, 20, 12,5 et 1,5 mètres, certains dérivés de missions satellitaires et d’autres d’enquêtes de terrain détaillées. Ces jeux de données leur ont permis de tester dans quelle mesure différentes méthodes de rééchantillonnage pouvaient reproduire une surface de référence très détaillée et comment cela affectait à son tour les mesures de pente, d’exposition (la direction d’un versant), de courbure et des voies d’écoulement de l’eau.

Mise à l’épreuve des méthodes de rééchantillonnage

Six techniques ont été comparées : des méthodes d’interpolation courantes comme plus proche voisin, majority, bilinéaire, bicubique et krigeage, ainsi qu’une approche plus avancée par réseau de neurones de Hopfield (HNN). Chaque méthode a été utilisée pour affiner des MNE plus grossiers vers des résolutions plus fines, et les surfaces obtenues ont été évaluées par rapport à des données d’enquête de haute qualité. L’équipe s’est concentrée sur des « facteurs morphométriques » décrivant la forme du terrain : son degré d’inclinaison, son exposition, sa concavité ou convexité, l’accumulation d’eau et le schéma global du bassin. Ces facteurs alimentent l’Indice d’Humidité Topographique (IHT), une mesure largement utilisée qui met en évidence les endroits où l’eau a tendance à s’accumuler et où les sols sont susceptibles d’être humides ou instables.

Un relief plus net conduit à des zones humides mieux définies

L’analyse a montré que les six méthodes amélioraient la précision des MNE dans une certaine mesure, mais que l’interpolation bicubique et, surtout, la méthode HNN donnaient systématiquement les meilleurs résultats. Lorsqu’on a affiné des données grossières vers une résolution moyenne, les erreurs ont diminué d’environ un quart à trois quarts ; en affinant davantage vers la grille la plus fine, les améliorations de précision ont dépassé 90 % dans certains cas. Ces gains se sont traduits par de bien meilleures estimations des propriétés de premier ordre du relief, telles que la pente et l’exposition, cruciales pour la modélisation des mouvements de masse. Cependant, l’étude a montré que toute amélioration de la précision des MNE ne se traduit pas automatiquement par de meilleures productions de second ordre comme la courbure et l’IHT aux échelles les plus fines ; dans certains cas de résolution moyenne à élevée, un rééchantillonnage supplémentaire a eu peu d’effet, voire a pu dégrader ces indicateurs plus sensibles.

Ce que cela signifie pour les glissements de terrain et les inondations

Pour un non-spécialiste, le message clé est que toutes les opérations d’« affinage » des données d’élévation ne se valent pas, et que l’endroit où l’on applique ces méthodes importe. En choisissant soigneusement comment affiner les MNE — en favorisant des méthodes comme les réseaux de neurones de Hopfield et l’interpolation bicubique, et en les utilisant principalement pour passer de faibles à moyennes résolutions — les scientifiques peuvent obtenir des cartes plus fiables des mouvements de l’eau en milieu montagnard et des zones où le sol a tendance à rester humide. Ces cartes d’humidité plus précises contribuent à améliorer la modélisation des inondations, les évaluations de susceptibilité aux glissements de terrain et la planification de l’usage des sols dans les terrains à risque. L’étude fournit des recommandations pratiques sur les techniques les plus efficaces et avertit que viser systématiquement des grilles toujours plus fines ne produit pas nécessairement de meilleures prédictions des ruptures de versant.

Citation: Shabbir, H., Ehsan, M., Raza, D. et al. Downscaling the spatial resolution of satellite imagery based on morphometric parameters to estimate the Topographic Wetness Index using GIS tools. Sci Rep 16, 8869 (2026). https://doi.org/10.1038/s41598-026-42557-1

Mots-clés: modèle numérique d’élévation, indice d’humidité topographique, risque de glissement de terrain, rééchantillonnage du terrain, hydrologie montagnarde