Ph.D. de l'Institut de technologie de Rochester. L'étudiant Kamal Rana (sciences de l'imagerie) était l'auteur principal d'un article récemment publié dans Nature Communications. , avec le co-auteur Nishant Malik, professeur adjoint à l'École de mathématiques et de statistique du RIT. Kushanav Bhuyan, de l'Université de Padoue et du Laboratoire d'intelligence artificielle et de stabilité des pentes, était également l'un des co-auteurs principaux.

Les modèles prédictifs actuels s’appuient sur des bases de données qui n’incluent généralement pas d’informations sur le type de rupture des glissements de terrain cartographiés. En utilisant la vue aérienne et les données d’élévation des sites de glissements de terrain combinées à l’apprentissage automatique, les chercheurs ont pu atteindre une précision de 80 à 94 % dans l’identification des mouvements de glissements de terrain dans divers endroits du monde. Plus précisément, l'étude introduit une méthode d'examen des diapositives, des flux et des échecs, afin de trouver des modèles distincts.

"Notre algorithme ne prédit pas les glissements de terrain", a expliqué Malik. "Mais ceux qui s'occupent de prédire les glissements de terrain ont besoin d'en savoir plus sur eux, comme ce qui les a provoqués et de quels mécanismes ils ont été."

Divers lieux ont été étudiés, notamment l’Italie, les États-Unis, le Danemark, la Turquie et la Chine. Le large éventail de pays a contribué à confirmer la force des résultats, car ils peuvent être utilisés avec succès dans diverses régions et climats.

"C'était assez exaltant de voir les chiffres de réussite", a déclaré Bhuyan. "Nous avons obtenu des résultats qui sont vraiment bons, mais nous devons être capables de relier cela à la réalité."

L'application concrète de cette recherche a un impact personnel pour Rana, originaire de la région himalayenne de l'Inde.

"J'ai vu tellement de cas de glissements de terrain", a déclaré Rana. "Les routes sont bloquées pendant deux ou trois semaines. Il n'y a aucune communication entre les villes et les villages. Cela empêche les gens d'aller au travail ou les étudiants d'aller à l'école."

L'espoir est que cette compréhension plus approfondie des mouvements de défaillance aidera ceux qui travaillent à prédire les événements mortels et à améliorer la précision et la fiabilité des modèles d'évaluation des dangers et des risques, ce qui contribuera à sauver des vies et à réduire les dommages.

Aux côtés de Rana, Bhuyan et Malik, les co-auteurs de l'article incluent Joaquin V. Ferrer, Fabrice Cotton et Ugur Ozturk de l'Université de Potsdam, et Filippo Catani de l'Université de Padoue.