L'équipe a utilisé son modèle pour examiner les données d'un glissement de terrain provoqué par la pluie en 2009 à Messine, Italie. Crédit :KAUST
L'examen des détails d'une catastrophe naturelle en Italie en 2009 a aidé les chercheurs de la KAUST à développer un modèle statistique qui pourrait aider à prédire les glissements de terrain dans des zones spécifiques dans des scénarios de tempête donnés.
Les modèles existants de sensibilité aux glissements de terrain utilisent une structure présence-absence pour prédire si un glissement de terrain est probable dans une zone donnée. Ces modèles binaires, cependant, sont incapables de prédire les informations vitales, comme le nombre de glissements de terrain qui pourraient se produire sur une pente spécifique.
Luigi Lombardo, et son encadreur Raphaël Huser, chez KAUST, avec Thomas Opitz à l'INRA en France, développé un modèle statistique qui exploite le cadre probabiliste rigoureux des processus ponctuels. Ceci décrit le comportement des modèles de points aléatoires, tels que les lieux de déclenchement de glissements de terrain.
Leur méthodologie statistique permet au modèle de prédire non seulement où, mais aussi combien, des glissements de terrain peuvent se produire dans une zone donnée en fonction des circonstances climatiques.
L'équipe a utilisé son modèle pour examiner les données d'une catastrophe survenue en 2009 à Messine, Italie, qui a suivi un violent orage. Le modèle a généré des cartes très précises de la zone sinistrée.
"Après deux périodes de pluie, la tempête a déversé 250 millimètres de pluie sur une petite zone en moins de huit heures, " dit Lombardo. " Les sols sur les pentes raides étaient déjà saturés, et le déluge a entraîné environ 5, 000 glissements de terrain de différentes tailles sur environ 100 kilomètres carrés."
Les catastrophes naturelles perturbent des services importants, tels que l'accès routier et les transports publics. Crédit :KAUST
L'équipe a accédé à des images satellites haute résolution montrant le paysage avant et après la tempête. Cependant, ils n'avaient pas de données complètes concernant le déclencheur du glissement de terrain - l'événement pluvieux - car il n'y avait qu'une seule station météorologique dans la zone de tempête.
"Les scientifiques n'ont tout simplement pas l'instrumentation en place pour mesurer chaque catastrophe naturelle en profondeur, " dit Lombardo. " Cependant, nous avons réalisé que les données pouvaient nous « parler » et nous aider à reconstruire la tempête. Nous savions où était le pire, des glissements de terrain répétés s'étaient produits, et la logique suggère que ces points étaient les zones touchées par le plus de précipitations. »
"Nous avons inclus un effet spatial latent dans notre modèle statistique pour capturer et reconstruire de manière flexible l'évolution de la tempête, " dit Huser. " Cet effet spatial latent, combiné avec d'autres variables, comme la raideur des pentes, type de sol et couvert végétal, a donné une précision de prédiction sans précédent."
"L'avantage de cette approche est que nous pouvons facilement simuler divers effets spatiaux latents, chacun avec un motif différent, et fournir un ensemble complet de futurs scénarios de glissement de terrain probables à mesure qu'une tempête évolue, ", dit Lombardo. "Les autorités pourraient alors prendre de meilleures mesures préventives et évacuer les personnes vers un terrain plus sûr. Des modèles similaires pourraient être construits pour d'autres zones sujettes aux glissements de terrain dans le monde."
