Analyse des mouvements gravitaires par les méthodes d'apprentissage automatique. Cartographie géotechnique de Skikda
Loading...
Date
2025-05-15
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Les glissements de terrain représentent l'un des phénomènes naturels les plus
destructeurs à l'échelle mondiale, entraînant des pertes humaines et des dégâts matériels
significatifs. Dans la wilaya de Skikda, au nord-est de l'Algérie, ces phénomènes sont
amplifiés par des facteurs géoenvironnementaux complexes, causant des pertes économiques
importantes. Dans ce contexte, la cartographie de la susceptibilité aux glissements de terrain
constitue une solution essentielle pour prévenir et gérer efficacement ce risque. Cette thèse
porte sur l’application de techniques avancées d’apprentissage automatique et profond pour la
cartographie de la susceptibilité aux glissements de terrain dans deux zones d’étude situées
dans la région de Skikda. Il s’agit, d’une part, des principales voies de communication (routes
nationales, autoroutes, contournements et voies ferrées), et d’autre part, du bassin versant de
l’Oued Guebli, qui couvre environ un quart de la superficie totale de la région. Cinq modèles
d'apprentissage automatique : Support Vector Machine (SVM), Logistic Regression (LR),
Gradient Boosting Classifier (GBC), Light Gradient Boosting Machine (LGBM) et Extreme
Gradient Boosting (XGBoost), ainsi qu'un modèle d'apprentissage profond ont été appliqués à
ces zones, avec une validation rigoureuse basée sur des métriques de performances internes
(exactitude, RMSE) et externes (AUC-ROC, validation spatiale). Une attention particulière a
été portée à l’approche innovante de Neural Architecture Search (NAS) intégrée au modèle
NAS-DL. Cette méthode, qui optimise automatiquement les architectures des réseaux de
neurones, a permis de surmonter les limitations courantes des modèles d'apprentissage
profond, notamment le temps de calcul élevé et les performances parfois insuffisantes liées à
une architecture mal adaptée. Grâce à NAS, le modèle NAS-DL a démontré des performances
remarquables, avec une exactitude de 99,40 %, un RMSE de 0.0772, et une valeur AUC-ROC
de 0.998, établissant ainsi un nouveau standard en termes de précision. Par ailleurs, les autres
modèles testés, notamment SVM, LR, DL, XGBoost, LGBM et GBC, ont également affiché
d’excellentes performances. Les facteurs de prédisposition, tels que la pente, l'exposition, la
lithologie, le type de sol, l'altitude et la proximité aux routes, aux cours d’eau et aux failles,
ont été analysés pour élaborer une base de données solide. Ces facteurs ont été sélectionnés
sur la base de tests statistiques établissant des relations entre les facteurs de causalité et les
glissements de terrain inventoriés.
Les résultats de cette thèse démontrent que les techniques d’apprentissage automatique
et profond permettent une modélisation efficace des risques de glissements de terrain,
aboutissant à la production de cartes de susceptibilité précises. Ces outils constituent un appui
essentiel pour une gestion proactive des risques, afin de mieux protéger les infrastructures et
la population. Par ailleurs, ces approches sont transférables à d’autres régions vulnérables et
offrent un cadre méthodologique prometteur pour la prévention des risques géologiqu
Description
Keywords
les méthodes d'apprentissage automatique., mouvements gravitaires