Évaluation du risque de glissement de terrain sous des scénarios pluviométriques spécifiques basée sur une approche hybride CNN-TRIGRS et matricielle : étude de cas de la ville de Meishan, province du Zhejiang, Chine

Pourquoi les pentes glissantes importent dans la vie quotidienne

Les glissements de terrain peuvent évoquer des catastrophes montagnardes rares, mais dans de nombreuses villes vallonnées ils menacent chaque saison des habitations, des routes et des lignes électriques. À Meishan, dans l’est de la Chine, des typhons fréquents et de longues périodes humides imbibent régulièrement les versants qui surplombent les communautés. Cette étude explore une nouvelle méthode pour repérer quelles parties du paysage sont les plus susceptibles de céder sous différents types de pluie, offrant aux planificateurs locaux et aux habitants des indications plus claires sur les zones de danger les plus élevées et sur les moments où elles sont les plus susceptibles de se produire.

Une ville prise entre pentes raides et fortes pluies

La ville de Meishan est située en zone de faible montagne où les altitudes varient principalement entre 160 et 250 mètres. Des couches de roches faibles, comme les schistes, se désagrègent en sols meubles reposant sur un substrat plus dur et moins perméable. Quand l’eau de pluie s’infiltre dans ce sol, elle peut augmenter la pression le long du contact avec le substrat, transformant cette interface en une surface glissante. Associé à des pentes raides et à des chenaux qui concentrent le ruissellement, ce contexte géologique rend la zone vulnérable à des glissements superficiels qui arrachent la couche supérieure du sol, un schéma confirmé par 45 glissements enregistrés regroupés dans les collines environnantes.

Mêler apprentissage intelligent et physique des versants

Pour comprendre où les glissements sont les plus susceptibles de démarrer, les chercheurs ont combiné deux types d’outils. D’abord, ils ont utilisé une forme d’intelligence artificielle appelée réseau de neurones convolutionnel, qui apprend des motifs directement à partir des données plutôt que de s’appuyer sur des règles choisies manuellement. Il a analysé dix caractéristiques pouvant influencer la rupture de pente — y compris l’altitude, la pente, le type de roche, la distance aux rivières et aux routes et la couverture végétale — pour attribuer à chaque parcelle de 30 par 30 mètres un score de sensibilité. Ensuite, ils ont utilisé un modèle physique des pentes qui simule comment les précipitations s’infiltrent dans le sol et réduisent le facteur de sécurité du matériau de pente. Ce modèle, connu sous le nom de TRIGRS, suit comment les variations de pression de l’eau pendant les tempêtes peuvent pousser une pente d’un état stable à un état instable.

Tester de nombreux types d’orages sur les mêmes collines

L’équipe s’est concentrée sur quatre scénarios pluviométriques réalistes tirés d’une décennie de données météorologiques locales. Ils allaient de plusieurs jours de pluies modérées et continues, à des pluies fortes et torrentielles, jusqu’à des averses courtes mais intenses. Pour chaque scénario, TRIGRS a estimé quelle part de chaque versant basculait dans différentes classes de stabilité, de très stable à très instable. Les résultats montrent que la majeure partie de la zone est sûre en conditions sèches, mais que des pluies d’intensité élevée, même sur quelques heures, élargissent nettement les zones les plus instables, en particulier sur les pentes raides proches des bords de bassin et dans les collines centrales où les glissements passés se sont concentrés. La durée importe aussi, mais les épisodes de pluie très intenses se sont avérés particulièrement efficaces pour affaiblir rapidement la résistance des pentes.

Une grille claire pour combiner où et quand

La traduction de toutes ces informations en cartes pratiques de risque nécessitait une manière de fusionner la sensibilité à long terme de chaque cellule de la grille avec sa stabilité à court terme sous une pluie donnée. Les chercheurs ont construit une matrice de décision simple qui croise cinq niveaux de sensibilité avec cinq niveaux de stabilité. Chaque combinaison se voit attribuer un niveau de risque, là encore en cinq degrés allant de très faible à très élevé. Par exemple, une cellule à la fois très sensible et instable sous une tempête donnée est marquée comme risque élevé ou très élevé, tandis qu’une cellule de faible sensibilité et stable demeure à faible risque. Cette table fondée sur des règles rend le résultat combiné facile à interpréter : chaque catégorie de risque reflète à la fois la propension du sol et sa réaction à un type de précipitation particulier.

Ce que cela signifie pour les personnes vivant sur des pentes à risque

Lorsque l’équipe a comparé leurs cartes de risque aux emplacements connus des glissements, plus de 90 % des glissements passés se situaient dans les zones de risque élevé et très élevé, et presque aucun ne s’est produit dans les zones de très faible risque. Cette forte correspondance suggère que l’approche hybride peut identifier de manière fiable les zones dangereuses même là où des réseaux de surveillance détaillés font défaut. Bien que la méthode dépende toujours de données d’entrée de qualité et ne puisse pas capturer chaque petit détail du terrain, elle offre aux autorités locales un moyen efficace et transparent de planifier l’utilisation des sols, de prioriser les inspections des pentes et d’adapter les alertes précoces aux types de tempêtes spécifiques, aidant des communautés comme Meishan à vivre plus sereinement avec leurs collines environnantes.

Citation: Wang, Z., Wang, Z., Shi, F. et al. Assessment of landslide hazard under specific rainfall scenarios based on a hybrid CNN-TRIGRS and matrix approach: a case study of Meishan Town, Zhejiang Province, China. Sci Rep 16, 16200 (2026). https://doi.org/10.1038/s41598-026-46051-6

Mots-clés: risque de glissement de terrain, précipitations, stabilité des pentes, réseaux neuronaux, cartographie des risques