Comment l’observation de la Terre, les données environnementales et l’apprentissage automatique ont été réunis dans le développement régional de SOILRISK.
Des signaux venus de l’espace. Le contexte sur le terrain.
Illustration du terrain
Cadre des recherches
Les Açores
Approche
Apprentissage automatique
Données d’entrée du modèle d’origine
20+ facteurs de prédisposition
01 / La question à l’origine des recherches
Où pourrait le prochain glissement de terrain se produire ?
Aux Açores, des pluies prolongées et intenses peuvent déclencher des glissements de terrain, mettant en danger les personnes, les maisons et les infrastructures.
L’étude de cas initiale de SOILRISK visait à relever un défi concret : identifier où un glissement de terrain pourrait se produire dans les jours suivants, avec un niveau de détail spatial suffisant pour accompagner la préparation et la planification des secours.
Les recherches ont réuni des informations sur le terrain et sur l’évolution des conditions environnementales. L’objectif était de passer de la compréhension des versants prédisposés à celle de l’évolution possible du risque dans le temps.
02 / L’approche
De nombreux facteurs. Une vue unifiée.
Un algorithme propriétaire d’alerte précoce, fondé sur l’apprentissage automatique.
L’approche initiale de SOILRISK décrit plus de 20 facteurs de prédisposition. L’occupation du sol, la géologie, la végétation, l’humidité du sol, le vent, les précipitations et les mouvements du sol apportent chacun une partie des informations.
La combinaison de ces facteurs permet au modèle de prendre en compte à la fois les caractéristiques d’un versant et l’évolution des conditions autour de celui-ci.
03 / Les informations à l’appui
Des satellites aux conditions locales.
Quatre sources de données décrites dans la présentation technique d’origine.
01 / Déformation du sol
Suivre les mouvements des versants.
L’interférométrie radar satellitaire (InSAR) aide à repérer les mouvements de la surface du sol. Ces observations apportent des informations sur l’évolution de l’activité des versants dans l’espace et dans le temps et peuvent aider à identifier des instabilités isolées.
02 / Végétation
Comprendre ce qui recouvre le sol.
La végétation, les caractéristiques du sol et la pente aident à identifier les secteurs prédisposés. Les recherches ont utilisé les images Sentinel-2 pour calculer le NDVI, un indice de l’état de la végétation.
03 / Humidité du sol
Suivre les variations d’humidité.
La méthode d’origine utilisait les données radar de Sentinel-1 et la détection des changements pour estimer l’humidité du sol. Des cartes d’occupation du sol servaient à masquer les secteurs où ces estimations étaient moins fiables.
04 / Météo
Intégrer les conditions qui évoluent sans cesse.
Les précipitations et le vent alimentent l’algorithme en tant que variables dynamiques. Lorsqu’elles sont disponibles, les observations horaires des stations météo locales apportent du contexte, en complément des services de prévision météorologique.
04 / De la recherche à l’application
Une base régionale. Une perspective élargie.
Les travaux aux Açores font partie du socle scientifique des modèles SOILRISK propres à Eyecon.
L’application réunit les modèles régionaux SOILRISK, les informations mondiales LHASA, la météo et les mesures locales compatibles. Chaque source possède sa propre couverture, sa résolution et son horizon de prévision.
Vérifiez dans l’application le modèle et les informations disponibles pour votre lieu. Les recherches régionales décrites ici ne constituent pas une spécification mondiale.