Comment l’intelligence artificielle permet-elle de mieux prévoir les glissements de terrain au Minnesota

Les glissements de terrain représentent un risque géologique majeur, causant chaque année des dégâts importants aux infrastructures et des pertes humaines. Dans le Minnesota, une région marquée par un paysage façonné par les glaciations, ces phénomènes restent mal cartographiés à l’échelle régionale. Une récente recherche a utilisé des méthodes avancées d’intelligence artificielle pour créer la première carte détaillée des zones à risque dans cet État américain.

Cinq modèles d’apprentissage automatique et d’apprentissage profond ont été comparés pour identifier les zones les plus exposées. Parmi eux, deux approches se sont révélées particulièrement efficaces : les forêts aléatoires et un réseau neuronal spécialisé appelé TabKANet. Ces modèles ont analysé des données comme la pente, l’altitude, l’utilisation des sols et les précipitations. Les résultats montrent que les pentes abruptes et les zones de basse altitude sont les plus vulnérables, mais que des facteurs locaux, comme la concentration des eaux ou les activités humaines, peuvent aussi jouer un rôle décisif.

L’étude a également utilisé une technique appelée SHAP pour expliquer comment chaque facteur influence le risque. Par exemple, une pente plus raide augmente clairement la probabilité de glissement, tandis qu’une altitude plus basse, souvent associée à des sols saturés d’eau, aggrave aussi la situation. Cependant, sur le terrain, d’autres éléments comme le drainage ou les modifications du paysage par l’homme peuvent devenir déterminants.

Une innovation majeure de cette recherche est l’utilisation de « contre-factuels », une méthode qui simule les changements nécessaires pour stabiliser une zone instable. Par exemple, réduire la pente, améliorer le drainage ou renforcer la végétation pourrait suffire à prévenir un glissement. Ces outils aident les autorités à prioriser les actions de prévention et à mieux comprendre les mécanismes en jeu.

Cette approche combine précision et transparence, offrant aux gestionnaires des risques et aux urbanistes un cadre fiable pour prendre des décisions éclairées. Elle pourrait être appliquée dans d’autres régions du monde confrontées à des défis similaires, améliorant ainsi la sécurité des populations et la résilience des infrastructures.

Sources et crédits

Étude source

DOI : https://doi.org/10.1007/s41748-026-01114-6

Titre : Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches

Revue : Earth Systems and Environment

Éditeur : Springer Science and Business Media LLC

Auteurs : Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil