Le modèle d’apprentissage automatique double la précision des prévisions immédiates des glissements de terrain mondiaux


Le modèle d'apprentissage automatique double la précision des prévisions immédiates des glissements de terrain mondiaux

La photo montre une carte du risque potentiel de glissement de du d’évaluation risques de glissement de terrain (LHASA) de la NASA en juin 2021. Le rouge représente le risque le plus élevé et le bleu foncé le risque le plus faible. Crédit photo : NASA

Les glissements de terrain – le mouvement de roches, de terre et de débris le long d’une pente – causent des milliers de morts, des milliards de dégâts et des perturbations sur les routes et les lignes électriques chaque . Étant donné que les caractéristiques du terrain, des roches et du sol, les conditions météorologiques et le climat contribuent tous à l’activité des glissements de terrain, il peut être difficile à tout moment d’identifier les zones les plus exposées à ces dangers. Les systèmes d’alerte précoce sont généralement régionaux – basés sur des spécifiques à la région fournies par des capteurs de sol, des observations sur le terrain et des totaux de précipitations. Mais et si nous pouvions identifier les zones à risque à tout moment, n’importe où dans le monde ?

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

La version 2 de LHASA, publiée le mois dernier avec des recherches connexes, est un modèle basé sur l’apprentissage automatique qui analyse une collection de variables uniques et d’ensembles de données satellitaires pour créer des « nowcasts » personnalisables. Ces prévisions et ciblées sont des estimations en temps quasi réel de l’activité potentielle de glissement de terrain pour chaque zone de 1 kilomètre carré entre les pôles. Les facteurs du modèle sont liés à la pente du terrain (les pentes plus élevées sont plus sujettes aux glissements de terrain), la distance aux failles géologiques, la nature de la roche, les précipitations passées et actuelles ainsi que les données satellitaires sur l’humidité du sol et la masse de neige.

« Le modèle traite toutes ces données et donne une estimation probabiliste du risque de glissement de terrain sous la forme d’une carte interactive », a déclaré Thomas Stanley, scientifique de l’Universities Space Research Association au Goddard Space Flight Center de la NASA à Greenbelt, Maryland, qui a dirigé le recherche. « C’est précieux car cela donne un ordre de grandeur relatif du 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 adapter les catégories et les seuils de probabilité à leurs besoins. »

Pour « enseigner » le modèle, les chercheurs entrent dans un tableau avec toutes les variables de glissement de terrain pertinentes et de nombreux emplacements où des glissements de terrain ont été enregistrés dans le passé. L’algorithme d’apprentissage automatique prend la table et teste divers scénarios et résultats possibles. Lorsqu’il trouve celui qui correspond le plus 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, elle s’est considérablement améliorée pour tous les inventaires. »

La version 1, sortie 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 créer ses prévisions immédiates. Il a fait ses prédictions à l’aide d’un arbre de décision basé en grande partie sur les données de précipitations de la semaine précédente et a classé chaque cellule de la grille en risque faible, moyen ou élevé.

Le modèle d'apprentissage automatique double la précision des prévisions immédiates des glissements de terrain mondiaux

Cette photo montre un glissement de terrain « nowcast » pour le 18 novembre 2020 lors du passage de l’ouragan Iota à travers le Nicaragua et le Honduras. Crédit photo : NASA

« Dans cette nouvelle version, nous avons 300 arbres avec de plus en plus d’informations par rapport à la première version, qui était basée sur un seul arbre de décision », a déclaré Stanley. « La version 2 contient également plus de variables que son prédécesseur, y compris des données sur l’humidité du sol et la masse de neige. »

En général, le sol ne peut contenir qu’une quantité limitée d’eau avant qu’il ne soit saturé et combiné à d’autres conditions présente un risque de glissement de terrain. En incluant des données sur l’humidité du sol, le modèle peut voir combien d’eau est déjà dans le sol et combien de précipitations supplémentaires dépasseraient ce seuil. Connaissant la quantité de neige dans une zone donnée, le modèle peut prendre en compte l’eau supplémentaire qui s’infiltre dans le sol lors de la fonte des neiges. Ces données proviennent du satellite Soil Moisture Active Passive (SMAP), 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 disponibles en téléchargement et ont été intégrées à la carte interactive. L’ajout de ce type d’informations sur les routes exposées et les populations sujettes aux glissements de terrain contribue à accroître la connaissance de la situation et l’action des parties prenantes allant des organisations internationales aux responsables locaux.

S’appuyant sur des années de recherche et d’application, LHASA Version 2 a été testée par le NASA Disasters Program 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 deux semaines, des chercheurs du programme Earth Applied Sciences Disasters de la NASA ont utilisé la version 2 de LHASA pour cartographier le risque de glissement de terrain prévu 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 catastrophe ont partagé les informations avec les services d’urgence nationaux et internationaux pour mieux comprendre les dangers pour le personnel local.

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

« Nous travaillons à l’intégration d’une prévision des précipitations dans la version 2 de LHASA et espérons qu’elle fournira plus d’informations pour une planification et une action avancées avant les événements pluvieux majeurs », a déclaré Stanley. L’un des défis, dit Stanley, est d’obtenir une archive suffisamment longue des données de précipitations prévues à partir desquelles le modèle peut apprendre.

En attendant, les gouvernements, les agences d’aide, les services d’urgence et d’autres parties prenantes (ainsi que le grand public) ont accès à un puissant outil d’évaluation des risques dans LHASA Version 2.


Un nouveau modèle de la NASA détecte des menaces de glissement de terrain sous de fortes pluies presque en temps réel


Fourni par le Goddard Space Flight Center de la NASA

Citation: Le modèle d’apprentissage automatique double la précision des prévisions immédiates des glissements de terrain mondiaux (2021, 10 juin), consulté le 10 juin 2021 à partir de https://phys.org/news/2021-06-machine-accuracy-global-landslide-nowcasts.html

Ce document est soumis au droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif seulement.

Laisser un commentaire