Les glissements de terrain repr\u00e9sentent un risque g\u00e9ologique majeur, causant chaque ann\u00e9e des d\u00e9g\u00e2ts importants aux infrastructures et des pertes humaines. Dans le Minnesota, une r\u00e9gion marqu\u00e9e par un paysage fa\u00e7onn\u00e9 par les glaciations, ces ph\u00e9nom\u00e8nes restent mal cartographi\u00e9s \u00e0 l\u2019\u00e9chelle r\u00e9gionale. Une r\u00e9cente recherche a utilis\u00e9 des m\u00e9thodes avanc\u00e9es d\u2019intelligence artificielle pour cr\u00e9er la premi\u00e8re carte d\u00e9taill\u00e9e des zones \u00e0 risque dans cet \u00c9tat am\u00e9ricain.<\/p>\n
Cinq mod\u00e8les d\u2019apprentissage automatique et d\u2019apprentissage profond ont \u00e9t\u00e9 compar\u00e9s pour identifier les zones les plus expos\u00e9es. Parmi eux, deux approches se sont r\u00e9v\u00e9l\u00e9es particuli\u00e8rement efficaces : les for\u00eats al\u00e9atoires et un r\u00e9seau neuronal sp\u00e9cialis\u00e9 appel\u00e9 TabKANet. Ces mod\u00e8les ont analys\u00e9 des donn\u00e9es comme la pente, l\u2019altitude, l\u2019utilisation des sols et les pr\u00e9cipitations. Les r\u00e9sultats montrent que les pentes abruptes et les zones de basse altitude sont les plus vuln\u00e9rables, mais que des facteurs locaux, comme la concentration des eaux ou les activit\u00e9s humaines, peuvent aussi jouer un r\u00f4le d\u00e9cisif.<\/p>\n
L\u2019\u00e9tude a \u00e9galement utilis\u00e9 une technique appel\u00e9e SHAP pour expliquer comment chaque facteur influence le risque. Par exemple, une pente plus raide augmente clairement la probabilit\u00e9 de glissement, tandis qu\u2019une altitude plus basse, souvent associ\u00e9e \u00e0 des sols satur\u00e9s d\u2019eau, aggrave aussi la situation. Cependant, sur le terrain, d\u2019autres \u00e9l\u00e9ments comme le drainage ou les modifications du paysage par l\u2019homme peuvent devenir d\u00e9terminants.<\/p>\n
Une innovation majeure de cette recherche est l\u2019utilisation de \u00ab contre-factuels \u00bb, une m\u00e9thode qui simule les changements n\u00e9cessaires pour stabiliser une zone instable. Par exemple, r\u00e9duire la pente, am\u00e9liorer le drainage ou renforcer la v\u00e9g\u00e9tation pourrait suffire \u00e0 pr\u00e9venir un glissement. Ces outils aident les autorit\u00e9s \u00e0 prioriser les actions de pr\u00e9vention et \u00e0 mieux comprendre les m\u00e9canismes en jeu.<\/p>\n
Cette approche combine pr\u00e9cision et transparence, offrant aux gestionnaires des risques et aux urbanistes un cadre fiable pour prendre des d\u00e9cisions \u00e9clair\u00e9es. Elle pourrait \u00eatre appliqu\u00e9e dans d\u2019autres r\u00e9gions du monde confront\u00e9es \u00e0 des d\u00e9fis similaires, am\u00e9liorant ainsi la s\u00e9curit\u00e9 des populations et la r\u00e9silience des infrastructures.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s41748-026-01114-6<\/a><\/p>\n Titre\u00a0:<\/strong> Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches<\/p>\n Revue : <\/strong> Earth Systems and Environment<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil<\/p>\n","protected":false},"excerpt":{"rendered":" Comment l\u2019intelligence artificielle permet-elle de mieux pr\u00e9voir les glissements de terrain au Minnesota Les glissements de terrain repr\u00e9sentent un risque g\u00e9ologique majeur, causant chaque ann\u00e9e des d\u00e9g\u00e2ts importants aux infrastructures et des pertes humaines. Dans le Minnesota, une r\u00e9gion marqu\u00e9e par un paysage fa\u00e7onn\u00e9 par les glaciations, ces ph\u00e9nom\u00e8nes restent mal cartographi\u00e9s \u00e0 l\u2019\u00e9chelle r\u00e9gionale.… Poursuivre la lecture Comment l\u2019intelligence artificielle permet-elle de mieux pr\u00e9voir les glissements de terrain au Minnesota<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5,7],"tags":[],"class_list":["post-27","post","type-post","status-publish","format-standard","hentry","category-humain","category-international","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/27","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/comments?post=27"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/27\/revisions"}],"predecessor-version":[{"id":28,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/posts\/27\/revisions\/28"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/media?parent=27"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/categories?post=27"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/fr\/wp-json\/wp\/v2\/tags?post=27"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}