La nouvelle méthode, décrite dans un article publié dans la revue Communications Terre & Environnementaméliore la précision et l’interprétabilité des techniques d’apprentissage automatique basées sur l’IA, nécessite beaucoup moins de puissance de calcul et est plus largement applicable que les modèles prédictifs traditionnels.

L’approche serait particulièrement utile dans des endroits comme la Californie, selon les chercheurs, où la sécheresse, les incendies de forêt et les tremblements de terre créent la recette parfaite pour les catastrophes de glissement de terrain et où la situation devrait s’aggraver à mesure que le changement climatique entraîne des tempêtes plus fortes et plus humides.

De nombreux facteurs influencent l’endroit où un glissement de terrain se produira, notamment la forme du terrain, sa pente et ses zones de drainage, les propriétés matérielles du sol et du substrat rocheux, ainsi que les conditions environnementales telles que le climat, les précipitations, l’hydrologie et les mouvements du sol résultant des tremblements de terre. Avec autant de variables, prédire quand et où un morceau de terre est susceptible de perdre son emprise est autant un art qu’une science.

Les géologues ont traditionnellement estimé le risque de glissement de terrain d’une zone en incorporant ces facteurs dans des modèles physiques et statistiques. Avec suffisamment de données, ces modèles peuvent obtenir des prédictions raisonnablement précises, mais les modèles physiques demandent beaucoup de temps et de ressources et ne peuvent pas être appliqués sur de vastes zones, tandis que les modèles statistiques donnent peu d’informations sur la façon dont ils évaluent divers facteurs de risque pour arriver à leurs prédictions. .

Utiliser l’intelligence artificielle pour prédire les glissements de terrain

Ces dernières années, les chercheurs ont formé des modèles d’apprentissage automatique de l’IA connus sous le nom de réseaux de neurones profonds, ou DNN, pour prédire les glissements de terrain. Lorsqu’ils sont alimentés par des rames de variables liées aux glissements de terrain et d’informations historiques sur les glissements de terrain, ces grands réseaux interconnectés d’algorithmes peuvent très rapidement traiter et « apprendre » de ces données pour faire des prédictions très précises.

Pourtant, malgré leurs avantages en termes de temps de traitement et de puissance d’apprentissage, comme avec les modèles statistiques, les DNN ne « montrent pas leur travail », ce qui rend difficile pour les chercheurs d’interpréter leurs prédictions et de savoir quels facteurs causals cibler pour tenter de prévenir d’éventuels glissements de terrain dans le avenir.

« Les DNN fourniront un pourcentage de probabilité d’un glissement de terrain qui peut être exact, mais nous sommes incapables de comprendre pourquoi et quelles variables spécifiques ont été les plus importantes pour provoquer le glissement de terrain », a déclaré Kevin Shao, doctorant en sciences de la Terre, des planètes et de l’espace. et co-premier auteur de l’article de la revue.

Le problème, a déclaré le co-premier auteur Khalid Youssef, ancien étudiant en génie biomédical et chercheur postdoctoral à l’UCLA, est que les différentes couches du réseau de DNN s’alimentent constamment les unes les autres pendant le processus d’apprentissage, et démêler leur analyse est impossible. La nouvelle méthode des chercheurs de l’UCLA visait à résoudre ce problème.

« Nous avons cherché à permettre une séparation claire des résultats des différentes entrées de données, ce qui rendrait l’analyse beaucoup plus utile pour déterminer quels facteurs sont les plus importants contributeurs aux catastrophes naturelles », a-t-il déclaré.

Youssef et Shao ont fait équipe avec les auteurs co-correspondants Seulgi Moon, professeur agrégé de sciences de la Terre, des planètes et de l’espace à l’UCLA, et Louis Bouchard, professeur de chimie et de bio-ingénierie à l’UCLA, pour développer une approche qui pourrait dissocier le pouvoir analytique des DNN de leur nature adaptative complexe afin de fournir des résultats plus exploitables.

Leur méthode utilise un type d’IA appelé réseau neuronal superposable, ou SNN, dans lequel les différentes couches du réseau s’exécutent aux côtés de les uns aux autres – en conservant la capacité d’évaluer les relations complexes entre les entrées de données et les résultats de sortie – mais ne convergeant qu’à la toute fin pour donner la prédiction.

Les chercheurs ont alimenté les données SNN d’environ 15 variables géospatiales et climatiques pertinentes pour les montagnes orientales de l’Himalaya. La région a été sélectionnée parce que la majorité des pertes humaines dues aux glissements de terrain se produisent en Asie, avec une partie substantielle dans l’Himalaya. Le modèle SNN a pu prédire la susceptibilité aux glissements de terrain pour les zones himalayennes avec une précision rivalisant avec celle des DNN, mais surtout, les chercheurs ont pu distinguer les variables pour voir lesquelles jouaient un rôle plus important dans la production des résultats.

« De la même manière que les autopsies sont nécessaires pour déterminer la cause du décès, l’identification du déclencheur exact d’un glissement de terrain nécessitera toujours des mesures sur le terrain et des enregistrements historiques des conditions pédologiques, hydrologiques et climatiques, telles que la quantité et l’intensité des précipitations, qui peuvent être difficiles à obtenir. dans des endroits reculés comme l’Himalaya », a déclaré Moon. « Néanmoins, notre nouveau modèle de prédiction d’IA peut identifier les variables clés et quantifier leurs contributions à la susceptibilité aux glissements de terrain. »

Le nouveau programme d’IA des chercheurs nécessite également beaucoup moins de ressources informatiques que les DNN et peut fonctionner efficacement avec relativement peu de puissance de calcul.

« Le SNN est si petit qu’il peut fonctionner sur une Apple Watch, contrairement aux DNN, qui nécessitent des serveurs informatiques puissants pour s’entraîner », a déclaré Bouchard.

L’équipe prévoit d’étendre ses travaux à d’autres régions du monde sujettes aux glissements de terrain. En Californie, par exemple, où le risque de glissement de terrain est exacerbé par des incendies de forêt et des tremblements de terre fréquents, et dans des zones similaires, le nouveau système peut aider à développer des systèmes d’alerte précoce qui prennent en compte une multitude de signaux et prédisent une gamme d’autres dangers de surface, y compris les inondations.