Christoph Mertz, le scientifique principal du projet à l'Institut de robotique de l'Université Carnegie Mellon, a commencé à prendre des photos des collines surplombant le West End de Pittsburgh sur son smartphone.

"Tous les jours, Pendant des mois, Je collectionnais des images de ces coteaux, " Mertz a déclaré. "Je voulais voir si je pouvais utiliser ces images comme un moyen de prédire le prochain glissement de terrain."

Les glissements de terrain sont des phénomènes naturels, mais bon nombre des conditions qui peuvent augmenter leur probabilité sont causées par l'activité humaine, comme diriger le ruissellement de surface vers une zone ou modifier les pentes naturelles pour la construction de bâtiments et de routes. Combiné à une augmentation des taux de précipitations liée au changement climatique, les glissements de terrain aux États-Unis sont devenus plus fréquents et plus graves. Le United States Geological Survey estime que chaque année entre 25 et 50 décès sont dus à des glissements de terrain, ainsi qu'entre 2 et 4 milliards de dollars de pertes annuelles dues aux dommages matériels. À mesure que ces conditions s'aggravent, ces chiffres devraient augmenter.

Pour Mertz, Pittsburgh était un emplacement de choix pour ce travail. En 2018, Le comté d'Allegheny a connu un nombre sans précédent de glissements de terrain, entraînant des dommages à au moins 131 propriétés. D'ici la fin de l'année, PennDOT a estimé que le coût de réparation de tous les dommages liés aux glissements de terrain du comté était d'environ 40 millions de dollars. Non seulement ce montant semble intimidant, cela semble totalement imprévu. L'année dernière, la ville de Pittsburgh a dépassé son budget annuel de 1 million de dollars alloué à l'élimination des glissements de terrain en quelques mois seulement. Cependant, selon Karen Lightman, directeur exécutif de Metro21 :Smart Cities Institute, 2018 n'était pas une valeur aberrante, c'est la nouvelle norme.

"Le problème est que de nombreuses zones deviennent plus humides, " Lightman a déclaré. "Ce problème ne fera qu'empirer avec le temps."

Pittsburgh n'est pas la seule ville à ressentir ces effets. Prenons le cas de Big Sur. En mai 2017, un glissement de terrain a enseveli un tronçon d'un quart de mile de la pittoresque route 1 de Californie sous six millions de tonnes de terre. Alors que personne n'a été blessé, le glissement de terrain a coupé la seule route nord vers Big Sur. Juste avant le week-end du Memorial Day, ce glissement de terrain a eu un impact significatif sur l'économie locale.

Quatre mois plus tard, le ministère des Transports de Californie a annoncé un plan pour construire une route de remplacement sur le glissement de terrain. Après 54 millions de dollars et 14 mois de travaux pour reconstruire la route, une section différente de l'autoroute 1 a été fermée par un autre glissement de terrain en mars.

Mertz n'est pas étranger à la recherche de moyens innovants pour anticiper la dégradation des infrastructures. En plus de son rôle à l'Institut de robotique, Mertz est le co-fondateur de RoadBotics, où il utilise une analyse d'apprentissage en profondeur d'images de smartphones pour identifier en temps réel les nids-de-poule en développement et d'autres problèmes d'infrastructure routière. Plus de 100 gouvernements dans le monde utilisent désormais le système d'évaluation des chaussées de RoadBotics.

En considération du travail qu'il avait effectué avec RoadBotics, Mertz s'est demandé s'il ne pouvait pas utiliser la même approche d'apprentissage en profondeur pour détecter les signes de glissements de terrain imminents, comme des fissures qui se développent rapidement sur la route, garde-corps déformés, débris sur la route, déformation des coteaux ou inclinaison des arbres.

Anatomie d'un glissement de terrain

Mertz a appris très tôt que le passage des nids-de-poule aux glissements de terrain n'était pas simplement une question d'horizontalité contre verticale.

Les glissements de terrain ont une grande variété de causes et, par extension, une grande variété de facteurs contributifs. Une colline composée d'argile rouge s'effondre différemment d'une colline faite de schiste. L'inclinaison du feuillage environnant pourrait être un indicateur aussi valable que la progression du coteau lui-même, tout comme le renflement des murs de soutènement voisins. Et toutes les fissures et déformations ne sont pas égales :l'emplacement d'une fissure dans le sol peut modifier radicalement les implications d'un événement géologique ultérieur.

En outre, il y avait des facteurs que les images de la colline elle-même ne pouvaient pas capturer efficacement. Une fissure dans l'infrastructure routière pourrait être l'indicateur d'un glissement de terrain à venir, ainsi qu'un collecteur d'eaux pluviales bouché qui redirige l'eau vers une colline voisine.

Afin de trouver des modèles et de prédire les résultats, les algorithmes d'apprentissage en profondeur nécessitent de grandes quantités de données existantes. Sans voir des milliers de photos d'intersections, l'apprentissage en profondeur ne serait pas en mesure d'aider un véhicule autonome à différencier un panneau d'arrêt d'un panneau de cédage. Sans données linguistiques, cela ne pouvait pas aider Google Translate à déterminer instantanément qu'un passage est en espagnol et non en italien. Par extension, afin de comprendre les tendances et les schémas derrière les glissements de terrain de la région, l'apprentissage en profondeur nécessite une quantité importante de données historiques et géologiques.

Ainsi, afin d'entraîner son modèle et d'obtenir une image plus globale de l'anatomie d'un glissement de terrain, Mertz avait besoin de sortir de sa discipline.

"C'est une affaire vraiment compliquée, " Mertz a déclaré. " Vous avez besoin du type de collaboration interdisciplinaire qui est ici à l'Université Carnegie Mellon - pas seulement des experts en informatique et en apprentissage automatique, mais des experts en géologie, dans les infrastructures, dans l'eau et les égouts, pour s'unir et s'attaquer au problème."

En partenariat avec le comté d'Allegheny, Mertz analyse cinq sites de glissements de terrain potentiels pour évaluer la viabilité de son système.

Finalement, Le projet de Mertz n'est pas seulement de pouvoir prévoir et prévenir les glissements de terrain. Il a également l'intention d'utiliser ce travail pour diriger plus équitablement le changement d'infrastructure nécessaire pour soutenir ce type de prédiction et de prévention.

"Je ne suis pas sûr que la prévention des glissements de terrain était dans la langue vernaculaire il y a même trois ans, " Lightman a dit. " Mais maintenant, Je l'entends plus souvent dans les conversations sur les futurs investissements dans l'infrastructure."

Dans sa plus récente fiche de rapport sur l'infrastructure, l'American Society of Civil Engineers a attribué à l'infrastructure américaine une note globale D+. En particulier, plusieurs des éléments de l'infrastructure qui ont joué un rôle central dans la formation des glissements de terrain, comme les routes, digues et eaux usées, a également reçu des notes de la gamme D.

Cependant, les ressources nécessaires pour combler ces lacunes dans l'infrastructure sont parfois inégalement réparties entre les quartiers et de nombreuses décisions d'infrastructure dépriorisent souvent les besoins des zones avec des populations marginalisées.

« Sur la base de notre modèle, il existe de nombreux indicateurs de glissements de terrain qui pourraient aider à éclairer les politiques et l'allocation budgétaire, " Mertz a dit. " Parfois, ces décisions sont affectées par des préjugés. Mais en fournissant une représentation objective de la dégradation des infrastructures, nous espérons soutenir un moyen plus juste d'allouer ces ressources."