Prévision des glissements de terrain et évaluation des risques par télédétection à l’aide d’un modèle profond hybride CNN–LSTM

Pourquoi savoir où les versants peuvent céder peut sauver des vies

Les glissements de terrain peuvent survenir avec peu d’avertissement, ensevelir des habitations, bloquer des routes et endommager des infrastructures vitales. Dans les régions montagneuses, en particulier là où les pluies sont intenses et les sols déjà sollicités, les populations vivent et se déplacent sous des pentes dont la stabilité est difficile à apprécier à l’œil nu. Cette étude montre comment les données satellitaires et une forme avancée de modèle informatique capable de reconnaître des motifs peuvent s’associer pour repérer les secteurs d’une vaste région les plus susceptibles de glisser, offrant aux planificateurs et aux gestionnaires d’urgence un nouvel outil puissant pour réduire les risques.

Observer les pentes à risque depuis l’espace

Les chercheurs se concentrent sur la province de Kerman, dans le sud‑est de l’Iran, un paysage de hautes montagnes, de vallées profondes et de plaines arides façonné par des failles actives et un climat rude. Dans un terrain aussi escarpé, les enquêtes de terrain traditionnelles sont lentes et incomplètes. L’équipe se tourne donc vers la télédétection : des images satellites révélant la couverture du sol et la végétation, et des modèles numériques d’élévation décrivant la hauteur et la raideur du relief. À partir de ces sources, ils dérivent des propriétés clés comme l’angle et l’orientation de la pente, et des indicateurs de la façon dont l’eau a tendance à s’accumuler ou à s’écouler. Ils cartographient aussi la distance de chaque emplacement aux rivières, aux routes et aux failles, et classent l’usage des terres, des cultures aux roches nues.

Suivre l’histoire de l’eau dans le temps

Pourtant, les glissements de terrain ne sont pas uniquement déterminés par la forme du relief. L’eau, qu’elle arrive sous forme de pluie ou soit stockée dans des réservoirs, peut affaiblir progressivement les pentes jusqu’à leur rupture. Pour capter cet aspect évolutif du problème, l’étude compile des séries quotidiennes de précipitations et de niveaux de réservoirs. Pour chaque point de la région, le modèle examine les 30 jours précédant un glissement connu — ou une période sans rupture — afin d’évaluer la quantité d’eau reçue et son évolution quotidienne. Cette fenêtre mobile d’un mois permet à la méthode de reconnaître non seulement les fortes averses, mais aussi l’effet cumulatif de nombreux jours humides qui saturent lentement le sol.

Apprendre à un modèle hybride à lire l’espace et le temps

Au cœur du travail se trouve un modèle d’apprentissage profond hybride qui combine deux techniques complémentaires. Une partie, appelée réseau de neurones convolutionnel, est spécialisée dans la reconnaissance de motifs spatiaux. Elle examine de petits carreaux empilés des couches de relief et d’usage des terres, apprenant quelles combinaisons de pente, de type de roche et d’autres facteurs sont liées aux glissements passés. L’autre partie, un réseau à mémoire à long terme (LSTM), est conçue pour traiter des séquences. Il lit les chaînes de 30 jours de précipitations et de niveaux de réservoirs, apprenant quels schémas temporels sont les plus dangereux. Le modèle fusionne ces deux flux — où se situe la pente et à quel point elle a été humide récemment — pour produire une évaluation unique de la probabilité de glissement en chaque point.

Tester sur des glissements réels

Pour évaluer les performances de leur système, les auteurs constituent un inventaire de 719 glissements documentés à partir de rapports, de vérifications de terrain et d’images détaillées, et les associent à un nombre égal d’emplacements stables. Ils divisent ces données en ensembles d’entraînement et de test indépendant, veillant à ce que le modèle ne voie jamais les cas de test pendant l’apprentissage. Confronté aux cas non vus, le modèle hybride distingue correctement les sites de glissement des sites stables dans plus de 95 % des cas et obtient l’un des meilleurs scores possibles sur une courbe diagnostique standard. Il surpasse des méthodes largement utilisées comme les machines à vecteurs de support, les arbres de décision, les forêts aléatoires, et même des modèles d’apprentissage profond plus simples qui n’exploitent que l’espace ou que le temps.

Transformer les prévisions en cartes utiles

À partir du modèle entraîné, l’équipe génère une probabilité continue d’occurrence de glissement pour chaque cellule de la grille couvrant la province de Kerman, puis classe les résultats en susceptibilité faible, moyenne, élevée et très élevée. Environ un quart de la région se situe dans la catégorie à haut risque, principalement sur des pentes raides où les pluies et les variations de niveau des réservoirs sont marquées, tandis qu’environ un tiers est considéré à faible risque. Lorsque les auteurs superposent leur carte à l’inventaire indépendant des glissements, plus de 86 % des événements enregistrés se trouvent dans les zones à risque élevé et très élevé, montrant que les avertissements du modèle correspondent étroitement aux ruptures observées. Une analyse des variables d’entrée confirme que la raideur des pentes est le facteur dominant, suivie de près par le total des pluies récentes et les variations des niveaux de réservoirs.

Ce que cela signifie pour les populations sur le terrain

En termes simples, l’étude montre que combiner l’information « où » fournie par les satellites et l’information « quand » sur l’eau produit une image beaucoup plus nette du danger lié aux glissements que chacune prise séparément. Le modèle hybride ne prédit pas le jour précis où une pente va céder, mais il révèle quelles zones sont intrinsèquement fragiles en conditions d’humidité habituelles. Cette connaissance peut orienter l’implantation plus sûre des routes et des constructions, identifier les villages et infrastructures nécessitant protection ou surveillance, et aider les planificateurs d’urgence à concentrer des ressources rares là où elles sont le plus utiles. L’approche est aussi flexible : avec des données adaptées, elle peut être transposée à d’autres régions montagneuses confrontées à des menaces similaires liées à la gravité et à l’eau.

Citation: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

Mots-clés: susceptibilité aux glissements de terrain, télédétection, apprentissage profond, cartographie des risques, prévision des aléas