Un modèle de prévision qui prend en compte plusieurs glissements de terrain au fil du temps dans une région donnée peut améliorer la précision des systèmes d'alerte précoce.

Un système d'avertissement de danger efficace vise à prédire l'heure, endroit, taille et fréquence des glissements de terrain, pourtant, il y a plusieurs facteurs d'entrée complexes et souvent aléatoires à prendre en compte. Les chercheurs ont développé un modèle informatique qui améliore la précision des prévisions existantes et améliore la compréhension des complexités inhérentes aux événements de glissement de terrain.

« Les modèles de glissement de terrain existants fonctionnent à partir d'une prémisse où chaque pente d'une zone se voit attribuer une valeur de zéro ou un - la pente est soit stable, soit instable, " dit l'ancien post-doctorant KAUST, Luigi Lombardo, maintenant à l'Université de Twente aux Pays-Bas. Ce projet s'appuie sur les précédents modèles de glissement de terrain développés par Lombardo, poursuivre sa collaboration avec Raphaël Huser et l'équipe de KAUST.

"L'attribution d'une valeur binaire signifie que les détails critiques sur une pente et son voisinage sont perdus, " poursuit Lombardo. " Pour notre modèle, nous avons attribué des valeurs en fonction du nombre d'événements de glissement de terrain qu'une pente donnée a connu au fil du temps. Dans le cas de notre région test dans la région de Collazzone en Italie, cela inclut les données sur les glissements de terrain provenant d'enregistrements locaux détaillés remontant à environ 100 ans."

L'équipe de Lombardo s'est concentrée sur 3379 événements de glissement de terrain déclenchés par les conditions météorologiques sur 889 pentes sur une superficie de 79 km2. La propension aux glissements de terrain d'une pente est influencée par de multiples facteurs, comme la géologie, le type de sol et la pente et la forme de la pente, qui agissent toutes comme des variables d'entrée pour le modèle.

Les chercheurs ont construit cinq versions du modèle, chacun avec un niveau de complexité croissant, et entraîné chaque version à l'aide des données Collazzone. En incluant la fréquence des ruptures de pente individuelles et en reliant les pentes en « quartiers » pour incorporer comment le comportement d'une pente pourrait influencer d'autres pentes à proximité, leur cinquième modèle, le plus complexe, a prédit avec précision quelles pentes de Collazzone généreraient des glissements de terrain et à quelle fréquence.

"Notre modèle apprend des événements successifs au fil du temps, " dit Lombardo. " Il apprend non seulement des caractéristiques physiques d'une pente donnée, mais aussi de l'emplacement de cette pente et de son voisinage, et le comportement antérieur de cette pente et le comportement de ses voisins. Ce niveau de détail est complètement nouveau pour la modélisation des glissements de terrain."

Lombardo espère que le modèle sera utilisé pour informer les systèmes d'alerte précoce. Le modèle est transférable et peut être utilisé dans n'importe quelle région du monde, à condition que des données locales sur les glissements de terrain soient disponibles.

"J'espère pousser ce modèle un peu plus loin et prédire l'ampleur que pourrait avoir chaque événement de glissement de terrain, " dit Lombardo. " Bien qu'il soit utile de prévoir la fréquence des glissements de terrain, prédire la taille des glissements de terrain individuels pourrait transformer les systèmes d'alerte et améliorer à la fois la gestion des terres et des risques. »