Chaque année, glissements de terrain - le mouvement de la roche, sol, et les débris en bas d'une pente - causent des milliers de morts, des milliards de dollars de dommages, et les perturbations des routes et des lignes électriques. Parce que le terrain, caractéristiques des roches et du sol, conditions météorologiques, et le climat contribuent tous à l'activité des glissements de terrain, identifier avec précision les zones les plus exposées à ces dangers à un moment donné peut être un défi. Les systèmes d'alerte précoce sont généralement régionaux - basés sur des données spécifiques à la région fournies par des capteurs au sol, observations de terrain, et les totaux des précipitations. Mais et si nous pouvions identifier les zones à risque partout dans le monde à tout moment ?

Entrez dans le modèle et l'outil de cartographie d'évaluation des risques de glissement de terrain (LHASA) de la NASA.

LHASA Version 2, publié le mois dernier avec les recherches correspondantes, est un modèle basé sur l'apprentissage automatique qui analyse une collection de variables individuelles et d'ensembles de données satellitaires pour produire des « nowcasts » personnalisables. Ces prévisions immédiates et ciblées sont des estimations de l'activité potentielle de glissement de terrain en temps quasi réel pour chaque zone d'un kilomètre carré entre les pôles. Le modèle prend en compte la pente du terrain (les pentes plus élevées sont plus sujettes aux glissements de terrain), distance aux failles géologiques, le maquillage de la roche, précipitations passées et présentes, et les données satellitaires sur l'humidité du sol et la masse de neige.

"Le modèle traite toutes ces données et génère une estimation probabiliste du risque de glissement de terrain sous la forme d'une carte interactive, " dit Thomas Stanley, Scientifique de l'Universities Space Research Association au Goddard Space Flight Center de la NASA à Greenbelt, Maryland, qui a dirigé la recherche. « Ceci est précieux car il fournit une échelle relative de risque de glissement de terrain, plutôt que de simplement dire qu'il y a ou non un risque de glissement de terrain. Les utilisateurs peuvent définir leur domaine d'intérêt et ajuster les catégories et le seuil de probabilité en fonction de leurs besoins."

Pour « enseigner » le modèle, les chercheurs ont saisi un tableau avec toutes les variables de glissement de terrain pertinentes et de nombreux emplacements qui ont enregistré des glissements de terrain dans le passé. L'algorithme d'apprentissage automatique prend la table et teste différents scénarios et résultats possibles, et lorsqu'il trouve celui qui correspond le mieux aux données, il génère un arbre de décision. Il identifie ensuite les erreurs dans l'arbre de décision et calcule un autre arbre qui corrige ces erreurs. Ce processus se poursuit jusqu'à ce que le modèle ait « appris » et s'est amélioré 300 fois.

"Le résultat est que cette version du modèle est environ deux fois plus précise que la première version du modèle, ce qui en fait l'outil de prévision immédiate le plus précis disponible, " a déclaré Stanley. " Bien que la précision soit la plus élevée - souvent 100 % - pour les grands glissements de terrain déclenchés par les cyclones tropicaux, il s'est considérablement amélioré dans tous les stocks."

Version 1, sorti en 2018, n'était pas un modèle d'apprentissage automatique. Il a combiné les données satellitaires sur les précipitations avec une carte mondiale de susceptibilité aux glissements de terrain pour produire ses prévisions immédiates. Il a fait ses prévisions en utilisant un arbre de décision largement basé sur les données de précipitations de la semaine précédente et a classé chaque cellule de la grille comme faible, modérer, ou à haut risque.

« Dans cette nouvelle version, nous avons 300 arbres d'informations de mieux en mieux par rapport à la première version, qui reposait sur un seul arbre de décision, " a déclaré Stanley. " La version 2 intègre également plus de variables que son prédécesseur, y compris les données sur l'humidité du sol et la masse de neige."

En général, le sol ne peut absorber qu'une certaine quantité d'eau avant de devenir saturé, et combiné avec d'autres conditions, présentant un risque de glissement de terrain. En intégrant les données d'humidité du sol, le modèle peut discerner combien d'eau est déjà présente dans le sol et combien de précipitations supplémentaires le pousseraient au-delà de ce seuil. De même, si le modèle connaît la quantité de neige présente dans une zone donnée, il peut tenir compte de l'eau supplémentaire qui pénètre dans le sol lors de la fonte des neiges. Ces données proviennent du satellite Soil Moisture Active Passive (SMAP), qui est géré par le Jet Propulsion Laboratory de la NASA en Californie du Sud. Il a été lancé en 2015 et offre une couverture continue de l'humidité du sol.

LHASA Version 2 ajoute également une nouvelle fonction d'exposition qui analyse la répartition des routes et de la population dans chaque cellule de la grille pour calculer le nombre de personnes ou d'infrastructures exposées aux risques de glissement de terrain. Les données d'exposition sont téléchargeables et ont été intégrées à la carte interactive. L'ajout de ce type d'informations sur les routes exposées et les populations vulnérables aux glissements de terrain permet d'améliorer la connaissance de la situation et les actions des parties prenantes, des organisations internationales aux responsables locaux.

S'appuyant sur des années de recherche et d'applications, LHASA Version 2 a été testée par le programme NASA Disasters et les parties prenantes dans des situations réelles avant sa sortie officielle. En novembre 2020, lorsque les ouragans Eta et Iota ont frappé l'Amérique centrale en l'espace de deux semaines, des chercheurs travaillant avec le programme Earth Applied Sciences Disasters de la NASA ont utilisé la version 2 de LHASA pour générer des cartes des risques de glissement de terrain prévus pour le Guatemala et le Honduras. Les chercheurs ont superposé le modèle avec des données démographiques au niveau du district afin de mieux évaluer la proximité entre les dangers potentiels et les communautés densément peuplées. Les coordinateurs du programme de catastrophes ont partagé les informations avec les agences nationales et internationales d'intervention d'urgence afin de mieux comprendre les dangers pour le personnel sur le terrain.

Bien qu'il s'agisse d'un outil utile à des fins de planification et d'atténuation des risques, Stanley dit que le modèle est destiné à être utilisé dans une perspective mondiale plutôt que comme un système d'alerte d'urgence local pour une zone spécifique. Cependant, les recherches futures pourraient élargir cet objectif.

"Nous travaillons à l'intégration d'une prévision des précipitations dans LHASA Version 2, et nous espérons qu'il fournira de plus amples informations pour une planification et des actions avancées avant les événements pluvieux majeurs, " a déclaré Stanley. Un défi, Remarques de Stanley, obtient une archive suffisamment longue de données de précipitations prévues à partir desquelles le modèle peut apprendre.

En attendant, Gouvernements, organismes de secours, secouristes, et d'autres parties prenantes (ainsi que le grand public) ont accès à un puissant outil d'évaluation des risques dans LHASA Version 2.