Statistical And Gis Approaches To Landslide Susceptibility Assessment And Mapping In Mila Basin (Ne Algeria)

Abstract

Les glissements de terrain dans le bassin de Mila constituent non seulement une véritable menace aux biens et propriétés de la population de la région mais également au développement socio-économique local. Des sommes importantes d’argent du contribuable sont consommées chaque année par les projets non-finis de réparations, restaurations et remise en service des voix de communications, des canalisations et des habitations. En plus, les glissements de terrain sont directement responsables de l'évolution du paysage et de la géodynamique naturelle du bassin. Par conséquence, prédire et délimiter les zones susceptibles d’être touchées par ce sinistre est une des tâches essentielles pour réduire et limiter l’endommagement résultant suite à la transgression urbaine sur les zones qui étaient, autrefois, jugées marginales. Toutefois, la prévention et l’allègement du risque au glissement de terrain nécessite, comme première tâche, une délimitation et une bonne reconnaissance des zones exposées à cet aléa. C’est en réalité qu’on appelle l’inventaire, il doit inclure également les caractéristiques géologiques, géomorphologiques, structurales et physico-mécaniques de l’ensemble du bassin. Ces données spatiales et non spatiales sont ensuite statistiquement étudiées pour réduire la redondance puis intégrés dans un environnement SIG. Les séries de calcules dans cet environnement nous donne théoriquement des probabilités d’occurrence de l’aléa à travers tout le bassin d’étude sous forme d’une carte de susceptibilité au glissement. Malgré les pertes et les dommages enregistrées jusqu'à nos jours, aucun model fiable de calcul de la susceptibilité au glissement dans le bassin n’a était établi. Pour tenter de combler cette lacune et dans un objectif d’estimation de la susceptibilité au glissement dans chaque endroit du bassin, Plusieurs modèles sophistiqués et avancés ont été établis, sur la base de l’application des approches statistiques à savoir LR, GBM, NNET, RF and SVM (i.e. Machine Learning). Cette recherche a été focalisée essentiellement sur l’élaboration des modèles prédictives dans l’environnement SIG dans le but de choisir un model fiable et efficace pour le calcul de la susceptibilité spécialement pour la région d’étude. Un Statistical and GIS Approaches to Landslide Susceptibility Assessment and Mapping in Mila Basin (NE Algeria) III intérêt particulier a été donné aux processus de la cartographie de la répartition spatiale des éléments du relief susceptibles aux glissements. Les résultats obtenus, montrent l’intérêt d’utiliser les méthodes de Machine Learning dans l'évaluation de la susceptibilité aux glissements des terrains, car les modelés montent des performances prédictives intéressantes (AUC>0.85, Acc> 78%, et kappa>0.56). Les cartes de la susceptibilité générées, peuvent être très utiles comme des documents techniques pour la prédiction spatiale de cet aléa. Elles pourront également servir comme document de base dans le but de développer des mesures d’allègement et des politiques réglementaires afin d’orienter les plans d’aménagement avec le minimum de préjudice.