Démêler l’érosion des Sundarbans : comment l’apprentissage automatique cartographie les impacts du changement climatique

Pourquoi ce delta nous concerne tous

Les Sundarbans, la plus grande forêt de mangroves du monde à l’embouchure du Gange, constituent un rempart naturel protégeant des millions de personnes contre les tempêtes et la montée du niveau de la mer. Pourtant, son labyrinthe d’îles est régulièrement remodelé : les côtes s’effritent par endroits et s’étendent par d’autres. Cette étude utilise des décennies d’images satellitaires et des outils informatiques modernes pour démêler comment et où les Sundarbans changent, et pour déterminer quand des méthodes simples suffisent et quand l’apprentissage automatique avancé est nécessaire. Les réponses sont essentielles pour protéger à la fois les communautés côtières et cet écosystème d’importance mondiale.

Un labyrinthe d’îles en mouvement

La réserve de biosphère des Sundarbans en Inde comprend près d’une centaine d’îles boisées, entrecoupées de chenaux de marée et bordées de mangroves. Bien que la pression humaine soit relativement faible à l’intérieur de la réserve, la région a déjà perdu environ 100 kilomètres carrés de terres au cours des trois dernières décennies, principalement le long des côtes sud ouvertes sur la mer. En retraçant le rivage à des milliers de points également espacés de 1988 à 2023 à partir d’images satellitaires, les auteurs ont construit une image détaillée des côtes qui reculent et de celles qui gagnent du terrain. Ils ont constaté que les îles exposées au sud, face à la mer, s’érodent rapidement, en certains endroits de plus de 30 à 50 mètres par an, tandis que des parties des îles de l’ouest et du nord lointain gagnent du terrain grâce à de nouveaux dépôts de sédiments.

Lire des lignes droites sur une côte agitée

Pour décrire l’évolution dans le temps, les scientifiques côtiers ajustent souvent une droite aux positions d’un rivage et utilisent sa pente comme taux à long terme d’avancée ou de recul. Mais les côtes réagissent aux tempêtes, aux marées et aux apports de sédiments par impulsions, pas toujours de façon lisse. L’étude a vérifié, pour plus de 21 000 points du littoral, dans quelle mesure une ligne droite correspondait réellement à l’historique à chaque emplacement. Les littoraux en érosion le long de la mer ouverte et des principaux chenaux suivaient souvent des tendances presque linéaires, ce qui signifie que leur changement était suffisamment régulier pour qu’une simple droite fonctionne bien. En revanche, de nombreux endroits où la terre s’accumulait présentaient des courbes, des pauses et des sauts qu’une droite ne pouvait pas rendre, révélant un comportement fortement non linéaire.

Ce que les machines ont découvert

Les chercheurs ont ensuite utilisé deux méthodes d’apprentissage automatique, les forêts aléatoires et le gradient boosting, pour voir quels facteurs naturels expliquaient le mieux les taux observés d’érosion ou d’accroissement. Ils ont fourni aux modèles des informations telles que la distance de chaque point à la mer ouverte, aux sources sédimentaires fluviales, la largeur du chenal de marée le plus proche, la pente de la plage et le type de sédiment sous-jacent. Les modèles ont conclu que des facteurs régionaux larges dominent : la distance à la mer est le principal moteur de l’érosion, tandis que la proximité de rivières riches en sédiments est la plus importante pour la formation de nouvelles terres. Les détails locaux, comme des pentes de plage douces et des chenaux larges, favorisent la décantation et la fixation des sédiments, mais jouent un rôle globalement moindre. À l’aide de tests répétés, l’équipe a aussi identifié un point de basculement dans l’ajustement par droite : lorsque la qualité de l’ajustement dépassait une certaine valeur, les modèles linéaires pour l’érosion restaient fiables ; en dessous, l’apprentissage automatique donnait de meilleures réponses.

Une manière plus intelligente de choisir l’outil adapté

En combinant l’approche par droite et l’apprentissage automatique, l’étude propose un cadre pratique pour les planificateurs côtiers. Là où l’érosion est forte et la tendance presque linéaire, des méthodes linéaires simples sont précises, transparentes et peu coûteuses à utiliser. Dans les zones où l’historique du littoral est plus erratique — notamment là où la terre cherche à se former — les mêmes tests signalent que des modèles d’apprentissage automatique plus flexibles sont nécessaires pour saisir les poussées de changement à court terme et l’interaction des vagues, des marées et de l’apport sédimentaire. Cette stratégie « à deux niveaux » aide à concentrer les efforts de modélisation avancée et de collecte de données précisément là où ils comptent le plus, réduisant coûts et erreurs.

Orienter la protection des populations et des mangroves

Pour les non‑spécialistes, le message principal est que tous les changements côtiers ne sont pas également difficiles à prévoir. Aux Sundarbans, l’érosion des côtes exposées au large se comporte de façon relativement simple et régulière et peut être suivie avec des outils directs, tandis que la formation de nouvelles terres est bien plus complexe et nécessite des analyses sophistiquées. Reconnaître cette différence permet aux gestionnaires de concevoir de meilleurs systèmes d’alerte, d’éloigner les nouvelles constructions des bords les plus fragiles et de soutenir des défenses fondées sur la nature — mangroves et chenaux larges — là où elles sont les plus efficaces. Dans un monde qui se réchauffe et où de nombreuses côtes subissent des pressions similaires, cette méthode offre un modèle pour transformer des données fragmentaires en directives plus claires et spécifiques au lieu, indiquant où les rivages tiendront, où ils s’effriteront et comment nous pouvons répondre.

Citation: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

Mots-clés: évolution du littoral des Sundarbans, érosion et accrétion côtières, résilience du delta de mangrove, télédétection par satellite, apprentissage automatique pour l’adaptation climatique