Documente Academic
Documente Profesional
Documente Cultură
Mémoire
Présenté pour obtenir le diplôme de Master
Spécialité : Géomatique
Thème
Présenté par:
- Hadri Fatima Zohra
- Hadri Chaima
Devant le jury :
A l’homme qui m’a offert tout ce que j’en ai besoin d’eux pour réussir
et pour vivre une vie confortable, mon père IBrahim.
A Mes très chères sœurs Chahinez et Walaa et mon frère Louay Pour
leur amour, leur soutien moral.
Hadri chaima
Dédicaces
Avec l’aide de dieu tout puissant, j’ai pu achever ce travail que je
dédie :
A ma très chère et douce maman ‘ HAYAT ’, qui m’a transmis la vie,
l’amour, le courage, tu mérites tous l’amour du monde pour tous les
sacrifices que tu n’ascèses de me donner depuis ma naissance ;
A mon papa ‘ IBRAHIM ’, auprès de qui j’ai eu le goût de la sagesse,
du savoir et de la connaissance, que dieu lui accorde sa grâce infinie,
aucune dédicace ne saurait exprimer l’amour, l’estime, le dévouement
et le respect que j’ai pour vous,
Ce travail est le fruit de tes sacrifices que tu as consentis pour mon
éducation et ma formation. Que dieu vous protège et vous garde pour
nous.
A mon frère ‘ LOUAY ’et mes sœurs : CHAHINAZ, WALAA, À Ma
PETIT NIECE JOURI.
Ainsi que pour tous les membres de ma famille petits et grands.
A ma sœur et ma binôme de mémoire CHAIMA.
A mes très chers amies : AIDOUCH, AYA, CHADYA, SAWSAN.
I.4.Quelles sont les indices, les manifestations et les phénomènes induits par les
glissements ? …………………………………………………………………………… 07
II.2.1.1.Le climat……………………………………………………………………....... 09
II.2.1.2.La végétation…………………………………………………………………… 09
II.2.1.3.Réseau hydrographique………………………………………………………… 09
II.2.1.4.Habitat…………………………………………………………………………... 09
II.2.1.5.Economie et industrie…………………………………………………………... 10
II.2.1.6.Les voies de communication…………………………………………………… 10
II.2.2.Situation géographique de la zone d’étude………………………………………. 10
II.3. Matériels et logiciels utilisés………………………………………………………. 11
II.4.Facteurs de conditionnement des glissements de terrain…………………………… 13
II.4.1. Les Facteurs topographiques…………………………………………………….. 13
II.4.1.1.l’exposition des pentes………………………………………………………….. 13
II.4.1.2.L’altitude………………………………………………………………………... 13
II.4.1.3.Courbure ……………………………………………………………………….. 13
II.4.1.4.Plan de courbure………………………………………………………………... 13
II.4.1.5.Profil de courbure………………………………………………………………. 14
II.4.1.6.La Pente ………………………………………………………………………... 14
II.4.2.Les Facteurs hydrologiques………………………………………………………. 16
II.4.2.1.Précipitation…………………………………………………………………….. 16
II.4.2.2.Radiation solaire annuel ……………………………………………………….. 16
II.4.2.3.SPI (l’indice d'humidité topographique)………………………………………... 16
II.4.2.4.TWI (l’indice de puissance du flux)……………………………………………. 16
II.4.2.5.Distance aux rivières……………………………………………………………. 16
II.4.2.6.Densité des rivières……………………………………………………………... 17
II.4.3.les Facteurs lithologiques………………………………………………………… 18
II.4.3.1.Lithologie……………………………………………………………………….. 18
II.4.3.2.Densité des failles………………………………………………………………. 18
II.4.4. Les facteurs d’occupation des sols ……………………………………………… 18
II.4.5. les Facteurs anthropiques………………………………………………………… 18
II.4.5.1.Distance aux routes……………………………………………………………... 18
II.4.5.2.Densité des routes………………………………………………………………. 18
II.5.Les méthodes et les logiciels utilisés……………………………………………….. 20
II.5.1.Régression logistique……………………………………………………………... 20
II.5.1.1 .Les étapes ……………………………………………………………………… 20
II.5.2.Le réseau de neurones…………………………………………………………….. 23
II.5.2.1.Les étapes……………………………………………………………………….. 24
Chapitre III : Résultat et discussion ………………………………………….. 28
III .1.Présentation des résultats obtenus………………………………………………… 29
III .2.Poids généralisé…………………………………………………………………… 36
III .3.VALIDATION ET COMPARAISON……………………………………………. 37
III .4.Conclusion………………………………………………………………………… 40
Référence Bibliographiques…………………………………………………………… 41
Résumé………………………………………………………………………………….. 43
Liste des figures
Figure 1. Exemple d’un glissement de terrain........................................................................................4
Figure 2. Les glissements de terrain et coulées de boue.........................................................................5
Figure 3. Les chutes de pierre et éboulements........................................................................................5
Figure 4. Les affaissements de cavités....................................................................................................6
Figure 5. Les affaissements de cavités....................................................................................................6
Figure 6. Glissement plan et Glissement rotationnel..............................................................................7
Figure 7. Carte de situation de la zone d’étude.....................................................................................11
Figure 8. Carte de situation de la zone d’étude.....................................................................................12
Figure 9. Carte d'inventaire des glissements de terrain de la zone d'étude............................................13
Figure 10. Carte des Facteurs de conditionnement des glissements de terrain utilisé: a- L’exposition
des pentes. b- L’altitude. c- Courbure. d- Plan de courbure .e-Profile de courbure. f-Pente.................15
Figure 11. Cartes des Facteurs de conditionnement des glissements de terrain utilisé: a- Précipitation.
b- Radiation solaire annuelle. c- L’indice de puissance du flux. d- L’indice d'humidité topographique.
e-Distance aux rivières. f-Densité des rivières......................................................................................17
Figure 12. Cartes des Facteurs de conditionnement des glissements de terrain utilisé: a- lithologie .b-
Densité des failles. c-NDVI. d-Distance aux routes. e-Densité des routes............................................19
Figure 13. Les courbes de probabilité sur une échelle binaire sigmoïde (en forme de S) de modèle de
régression logistique.............................................................................................................................31
Figure 14. Carte de susceptibilité aux glissements de terrain produite à partir du modèle LR..............32
Figure 15. Architecture du réseau neuronal..........................................................................................33
Figure 16. Diagramme de pondérations généralisées de modélisation de réseau neuronal artificiel :
l’exposition de pente, courbure du plan, NDVI, Précipitations, courbure du profil, densité des routes,
densité des rivières, distance à la rivière...............................................................................................34
Figure 17. Diagramme de pondérations généralisées de modélisation de réseau neuronal artificiel :
élévation, courbure du profil, rayonnement solaire annuel, aspect (a, b, c, d, e, f, g, h).......................35
Figure 18. Diagramme de pondérations généralisées de modélisation de réseau neuronal artificiel :
lithologie (l0, l1, l2, l3, l5)....................................................................................................................36
Figure 19. Carte de susceptibilité aux glissements de terrain produite à partir du modèle de réseau de
neurones artificiels...............................................................................................................................37
Figure 20. Évaluation de la courbe ROC de modèle ANN: (a) courbes de taux de réussite et (b)
courbes de taux de prédiction...............................................................................................................38
Figure 2. Évaluation de la courbe ROC de modèle LR courbes de taux de réussite(a) courbes de taux
de réussite et (b) courbes de taux de prédiction....................................................................................38
Figure 22. Pourcentages de points de glissement de terrain testés dans différentes catégories de
sensibilité en utilisant LR et ANN........................................................................................................39
Liste des tableaux
Tableau 1. Les facteurs d’instabilité.......................................................................................................7
Tableau 2. Les coefficients du modèle LR...........................................................................................30
FL : fuzzylogic
Le glissement de terrain est le mouvement en aval des masses, y compris le sol, la roche et les
matériaux organiques sous l'effet de la force motrice de la gravité ( Highland et Bobrowsky, 2008).
Les glissements de terrain jouent non seulement un rôle important rôle dans l'évolution de la
géomorphologie, mais aussi un commun et catastrophique survenue de catastrophes géologiques
dans le monde, causant des milliards de dollars en pertes économiques et des milliers de victimes
et de blessures chaque année (Guzzetti et al ., 1999; Highland et Bobrowsky, 2008;Huang et Fan,
2013).
Au Nord de l’Algérie, principalement au Nord- Est, est touché chaque année par une perte de
propriété supérieure à celle causée par tout autre problème, en particulier dans la province de
Constantine, où les ruptures de pente récurrentes ont causé de graves dommages. À l'est du chef-
lieu, l'autoroute Est-Ouest et ses voisins ont été affectés par des mouvements de masse
spectaculaires pendant et après sa construction .L'évaluation de la sensibilité aux glissements de
terrain est devenue un sujet de recherche majeur au cours des dernières décennies. Elle est souvent
réalisée par l'identification, l'analyse et la combinaison de facteurs causaux de glissement de
terrain. Il est généralement abordé par deux grandes techniques: (i) des approches qualitatives,
basées sur des connaissances d'experts, et (ii) des approches quantitatives basées sur l'analyse
statistique. De nos jours, les approches quantitatives sont les plus utilisées. Ils sont basés sur des
expressions mathématiques de la relation entre le conditionnement les facteurs et les glissements
de terrain, généralement gérés comme des données thématiques dans le système d'information
géographique (SIG). Leurs deux branches principales comprennent les méthodes déterministes,
plus appropriées à grande échelle, et les méthodes statistiques, valable pour les petites et
moyennes échelles, comme weight of evidence (WoE), information value (IV), frequency ratio
(FR), logique floue (fuzzy logic (FL)), régression logistique (RL) et approches du réseau de
neurone (artificial neural network (ANN)) Jusqu'à présent, il y a pas d'accord ce que l'on est le
meilleur, mais en général le consensus est que chaque méthode a ses avantages et inconvénients.
Etats de l’Art
Les méthodes de cartographie de la susceptibilité, et de l‘aléa, de la vulnérabilité et du risque
mouvements de versant ont été développées depuis les années 1970 pour faire face à des
problèmes pratiques d‘aménagement (Brabb et al., 1979; Carrara et al., 1979). Depuis ces
premiers essais, les trois décennies suivantes ont été l‘occasion d‘un développement intensif de la
littérature scientifique sur ce propos. Ainsi, de nombreuses études de cas discutant de l‘application
de ces méthodes peuvent être trouvées (entre autres dans, Dai & Lee, 2001 ; Yao et al., 2008;
Ayalew&Yamagishi, 2005; Thiery et al., 2007). Récemment, les études méthodologiques visant la
réalisation de telles cartes se sont multipliées en bénéficiant de la généralisation des systèmes géo
informationnels, de l‘augmentation spectaculaire des sources d‘acquisition des données spatiales
par l‘intermédiaire des images satellitaires, du développement des modèles statistiques pour
expliquer et prévoir les phénomènes naturels (Van Westen 2008). Depuis 2008, le JRC, dans son
rapport “Guidelines for landslide susceptibility , hazard and risk zoning for land use planning”
(Fell et al.,2008) tente de faire le point sur ces méthodes afin de définir un cadre méthodologique
précis pour les applications opérationnelles et recommande l‘utilisation des méthodes indirectes
pour les procédures de cartographie de la susceptibilité, de l‘aléa et du risque de mouvements de
terrain.
Le choix d‘une méthode d‘évaluation du risque 'mouvement de versant' est fonction des objectifs
de recherche (Aleotti et Chowdhury 1999 ; Glade et Crozier 2005). Ces objectifs sont liés à
l’échelle de travail choisie et de la qualité et quantité des données nécessaires (Van Westen
1993 ; SoetersetWesten 1996 ; Maquaire 2002). Chacune de ces échelles présente des avantages et
des inconvénients, toutefois, que ce soit pour l‘une ou pour l‘autre, la qualité des résultats
dépend avant tout de la qualité des données d’entrée. Par exemple, pour une évaluation à
l‘échelle du 1/5 000ème, les données seront plus nombreuses et plus détaillées que pour une
évaluation à l‘échelle du 1/25 000ème. Ainsi, selon l‘échelle de travail, la résolution spatiale, la
nomenclature et le nombre de ces données d‘entrée sont différents.
Les cartes de susceptibilité ou d‘aléa, de vulnérabilité et de risque présentent d‘importantes
différences de précision et de fiabilité. Ces cartes sont généralement préparées avec une large
gamme de données d‘entrée qui peuvent être qualitatives ou quantitatives. Parfois, les données
nécessaires à la réalisation de ces cartes sont indisponibles. Ainsi, malgré une demande croissante
d‘outils de gestion de l‘aléa et du risque, la majeure partie des démarches opérationnelles fixées
sur le plan national en Europe et en Afrique se base sur des approches type "expert" souvent
critiquées par les scientifiques pour leur manque d‘objectivité (Malet & Maquaire 2002;
Corominas & Mavrouli 2012). Elles sont jugées assez subjectives en raison des erreurs
d‘appréciation de l‘expert. Actuellement des méthodes d‘analyse spatiale probabiliste plus
objectives sont de plus en plus utilisées pour cartographier la susceptibilité et l‘aléa aux
mouvements de versant.
Chapitre I
Notions et Concepts
Chapitre I Notions et Concepts
I. Terminologie et définitions
I.1. Qu’est-ce qu’un glissement de terrain ?
Un glissement de terrain correspond à un déplacement généralement lent (de quelques millimètres
par an à quelques mètres par jour) sur une pente, le long d’une surface de rupture dite surface de
cisaillement, d’une masse de terrain cohérente, de volume et d’épaisseur variables : quelques
mètres cubes dans le cas du simple glissement de talus ponctuel à quelques millions de mètres
cubes dans le cas d'un mouvement de grande ampleur pouvant concerner l'ensemble d'un versant.
Une fois déclarés, les mouvements de terrain peuvent être regroupés en deux grandes catégories,
selon le mode d’apparition des phénomènes observés. Il existe, d’une part
Des processus lents et continus (glissements, affaissements, retrait-gonflement) et, d’autre part,
des événements plus rapides et discontinus (chutes de pierre et éboulements, effondrements,
coulées de boue). À l’exception du retrait gonflement des sols argileux, les mouvements de terrain
sont dits “gravitaires” c’est-à-dire qu’ils ont pour moteur principal la force de gravité, la
pesanteur.
Sont des phénomènes très rapides affectant des masses de matériaux remaniés, soumis à de forte
concentration en eau, sur de faibles épaisseurs généralement (0-5 m). Ce type de phénomène est
caractérisé par un fort remaniement des masses déplacées, une cinématique rapide et une
propagation importante. La coulée de boue est le plus rapide (jusqu’à 90 km/h) et le plus fluide
des différents types de mouvements de terrain. Son comportement est intermédiaire entre celui
d’un solide et d’un liquide, et régi par les lois des domaines à la fois de l’hydraulique et de la
mécanique des solides, ce qui en fait un phénomène particulier dans la famille des mouvements de
terrain.
ii. Les effondrements se produisent de façon brutale. Ils résultent de la rupture des
appuis ou du toit d’une cavité souterraine, rupture qui se propage jusqu’en surface
de manière plus ou moins brutale, et qui détermine l’ouverture d’une excavation
grossièrement cylindrique. Les dimensions de cette excavation dépendent des
conditions géologiques, de la taille et de la profondeur de la cavité ainsi que du
mode de rupture. Le phénomène peut être ponctuel (fontis, diamètre inférieur à
50 m, occasionnellement 100 m) ou généralisé (plusieurs hectares).
I.4.Quelles sont les indices, les manifestations et les phénomènes induits par les
glissements ?
Indices caractéristiques d’activité d’un glissement : niche d’arrachement, fissures, bourrelets,
arbres basculés, zone de rétention d’eau, fissuration des bâtiments, déformation des routes, etc.
II.2.1.1. Le climat
La ville de Constantine est caractérisée par un climat méditerranéen chaud et sec en été .La carte
des régions bioclimatiques de l’Est Algérien permet de classer la ville selon un étage
bioclimatique semi-aride à hiver frais, qui se caractérise par une pluviosité qui varie de 550 à
350mm. La pluviométrie se trouve répartie en deux maxima fin d’automne et fin de printemps,
près de 50% des précipitations tombent durant les mois de décembre, janvier et février. La plupart
des glissements de terrain sont réactivés au cours de ces périodes, dont les pics des précipitations
cumulées, ont atteint 409 mm en (1984-1985), 278.8 mm en (1992-1993) et 429.2 mm en (2003-
2004). Souvent ces périodes pluvieuses engendrent des inondations à travers les sites les plus
vulnérables de la ville.
II.2.1.2. La végétation
Le couvert végétal dépond de plusieurs paramètres tel que : le climat, les reliefs, l’activité
humaine, Sur les reliefs on a une couverture forestière très dégradée au Sud par apport au Nord.
Au niveau des plaines la région est vouée aux céréales (orge et blé). Signant qu’il existe une
culture irriguée et des arbres fruitiers.
- Au Nord : le Rhumel draine avec son affluent l’Oued Boumerzoug dans le sous bassin du Kébir
Rhumel et jette ses eaux de surface dans la méditerranée. C’est-à-dire le réseau hydrographique
principal est orienté vers le Nord
- Au Sud : le régime hydrographique est endoréique ; exemple : des sebkhas et chotts (région de
Oum El Bouaghi).
II.2.1.4. Habitat
En générale l’habitat dans les compagnes se regroupe autour des points d’eau (sources ou puits)
où les conditions de vie sont favorables, mais ce qui caractérise notre secteur c’est les grandes
villes.
Chapitre II Matériels et
méthodes
II.2.1.5. Economie et industrie
Dans les régions irriguées du secteur d’étude il est possible de cultiver du tabac et légumes
maraichères avec les cultures des céréales.
- Le marché d’El Khroub est considéré comme l’un des plus grands marchés à bestiaux de l’Est
Algérien.
-L’industrie est concentrée autour des grandes agglomérations Constantine, Khroub, Hamma
Bouziane, Ain M’lila.
- L’industrialisation récente appuie le caractère urbain avec une importante usine de tracteurs au
Khroub.
-A Ain M’lila :
L’exposition est l’un des facteurs topographiques les plus importants qui influent sur la
probabilité d’occurrence des glissements de terrain. L’exposition a été regroupée en 9 classes, la
classe la plus dominante dans notre cas est : Nord-ouest (Figure:10.a).
II.4.1.2. L’altitude
Dans de nombreuses études référentielles sur la susceptibilité aux glissements de terrain, Ainsi
plus l’altitude élevée plus la probabilité d’occurrence de glissement de terrain augment, l’altitude
était considérée comme un facteur influent de la pente stabilité. L'altitude de la zone d'étude a été
divisée en 9 classes, la classe la plus dominante dans notre cas est : (700 – 800 m) (Figure:10.b).
II.4.1.3. Courbure
Plan de courbure fait la différence entre la concavité et la convexité des pentes. Les valeurs
positives indiquent que la surface est convexe vers le haut dans cette cellule, et les négatifs
montrent que la surface est concave vers le haut. Une valeur nulle représente un appartement
surface (Lee et Evangelista 2006). Dans cette étude le plan de courbure a été divisé en six classes.
la classe la plus dominante dans notre cas est : [(-0.10)-(0.37)] (Figure:10.d).
Profil de courbure indique la courbure de la surface dans le sens de la pente (Wilson et Gallant
2000). Cela affecte la vitesse d'écoulement de l'eau drainant la surface et influence érosion et
dépôt. La courbure du profil a été reclassée en trois classes à savoir concave (-), plat (0) et
convexe (+), il y a une nécessité de désigner des zones tampons en mesurant la distance, séparer le
drain de la zone vulnérable. Plusieurs des tampons ont été appliqués pour classer ce facteur en six
classes. La classe la plus dominant dans notre cas est : [(-0.065)-(0.51)] (Figure:10.e).
II.4.1.6. La Pente
Est l’un des facteurs déterminant dans la genèse des glissements de terrain. Ainsi, plus la pente est
augmentée, plus la probabilité d’occurrence de glissement de terrain présente. La pente est le
principal facteur causal parce que les forces de cisaillement sont directement influencées par la
pente à mesure que la pente augmente, il est corrélé à la probabilité accrue de rupture la carte de
pente de la zone d'étude a été divisée en en huit classes, la classe la plus dominant dans notre cas
est : [0 – 5] (Figure:10.f)
Chapitre II Matériels et
méthodes
Figure 10. Carte des Facteurs de conditionnement des glissements de terrain utilisé: a-
L’exposition des pentes. b- L’altitude. c- Courbure. d- Plan de courbure .e-Profile de
courbure. f-Pente.
Chapitre II Matériels et
méthodes
II.4.2.Les Facteurs hydrologiques
II.4.2.1.Précipitation
Les Précipitations sont largement considérées comme le principal facteur déclenchant des
glissements de terrain en particulier, dans les zones montagneuses. En général, l'eau dans les pores
les espaces et les fissures provoquent une augmentation des pressions hydrostatiques et ensuite
une réduction de la résistance au cisaillement, risque de pluies précipitations provoque un
changement de la teneur en humidité du sol les changements de la teneur en humidité augmentent
la pression interstitielle des eaux interstitielles pression d'infiltration et le poids du sol des
précipitations. L’enflure de certains minéraux d’argile, il semble que la densité de glissements de
terrain la plus élevée se produit dans la zone de précipitations de (500-550mm) ( Figure:11.a)
Les radiations solaires annuelles jouent un rôle important dans la fragmentation des roches, plus la
radiation solaire annuel élevée, plus la probabilité d’occurrence présente .Elle a été regroupée en 6
classes, la classe la plus dominante dans notre cas est : (8.5- 10) (Figure:11.b)
Le SPI détermine le pouvoir d'érosion du cours d'eau. Ainsi, il contribue à la stabilité des pentes
au sein de l'étude, le SPI est calculé selon la formule suivante :
L’indice de puissance du flux définit l'effet de la topographie sur l'emplacement et la taille des
zones sources saturées de production de ruissellement. Le paramètre TWI a été significativement
étudié dans la cartographie de la sensibilité aux glissements de terrain et constitue l'un des facteurs
de conditionnement .A également suggéré une équation pour le calcul de TWI sous conditions
d'équilibre présumées et propriétés uniformes du sol.
α
TWI peut être calculé en utilisant équation : TWI = ln ( ) tel que : c = 0,001
tan ß+ c
TWI a été regroupée en 6 classes, la classe la plus dominant dans notre cas est : (5.28-6.91)
(Figure:11.d).
Le régime d'écoulement intermittent du réseau hydrologique et des ravines englobe des processus
d'érosion et de saturation, augmentant la pression interstitielle de l'eau menant à des glissements
de terrain dans les zones adjacentes aux canaux de drainage. Ce processus est renforcé pendant les
Chapitre II Matériels et
méthodes
Périodes de fortes précipitations. En outre une infiltration maximale est observée sur les pentes
adjacentes aux cours d'eau où les matériaux ont une perméabilité maximale .Plus la distance aux
rivières est petite, plus la probabilité de glissement de terrain augmente dans la zone d'étude ; les
distances ont été divisées en six catégories. La classe la plus dominante dans notre cas est : (0 –
50) (Figure:11.e).
Le réseau de flux est un facteur de contrôle important un glissement de terrain, car son action
d'érosion peut au pied des pentes. La densité au ruisseau était classée en sept classes, la plupart
des glissements de terrain existants ont été identifiés dans la troisième classe. ( Figure:11.f).
Figure 11. Cartes des Facteurs de conditionnement des glissements de terrain utilisé: a-
Précipitation. b- Radiation solaire annuelle. c- L’indice de puissance du flux. d- L’indice
d'humidité topographique. e-Distance aux rivières. f-Densité des rivières.
Chapitre II Matériels et
méthodes
II.4.3.1.Lithologie
La lithologie est l'un des facteurs les plus importants qui influencent l'occurrence des glissements
de terrain, elle peut entraîner des variations d'étrangeté et de perméabilité des roches et des sols,
elle est aussi jouent un rôle important dans les ruptures de pente et par conséquent dans
l'évaluation de la sensibilité aux glissements de terrain. La carte lithologique de la zone d’étude
classée en sept classes lithologiques. La classe la plus dominante dans notre cas est «le grès »
(Figure:12.a).
La densité des failles est définie comme la longueur cumulée des failles par unité de surface, cette
carte a été regroupée en 7 classes, la classe la plus dominante dans notre cas est :
II.4.4.1.NDVI
Le NDVI est considéré comme un facteur d'influence dans les glissements de terrain. Plus la
valeur NDVI est grande plus la quantité de couverture végétale et donc la diminution de
probabilité d’occurrence de glissement de terrain, en utilisant la formule suivante :
PIR ( 4 )−ROUGE(3)
NDVI =
PIR ( 4 )+ ROUGE (3)
La carte NDVI a été regroupée en 7 classes, la classe la plus dominante dans notre cas est :
[(0,404)-(0.726)] (Figure:12.c).
La Densité des routes a été considérée comme l'un des facteurs anthropiques les plus importants
influençant les glissements de terrain, Plus la densité élevée, plus la probabilité d’occurrence de
glissement de terrain présente. La carte de densité des routes a été regroupée en 6 classes, la classe
la plus dominante dans notre cas est : (0-0.97) (Figure:12.e).
Chapitre II Matériels et
méthodes
Figure 12. Cartes des Facteurs de conditionnement des glissements de terrain utilisé: a-
lithologie .b- Densité des failles. c-NDVI. d-Distance aux routes. e-Densité des routes.
Chapitre II Matériels et
méthodes
II.5.Les méthodes et les logiciels utilisés
II.5.1.Régression logistique
La régression logistique est l'un des méthodes les plus populaires, initialement emprunté au
domaine des statistiques. RL est nommé d'après son noyau fonction, la fonction logistique
(également appelée fonction sigmoïde). C'est un type spécifique d'un modèle linéaire généralisé
(McCullagh et Nelder, 1989; Nelder et Baker, 2004) constitué pour obtenir une forme binaire de
résultat. RL est un modèle paramétrique (c'est-à-dire avec un nombre fini de paramètres) et est
couramment utilisé pour les problèmes de classification afin de prédire des solutions basées sur le
concept de probabilité. La capacité de trouver une fonction d'ajustement précise pour définir la
relation non linéaire parmi l'absence ou la présence de glissements de terrain, RL relie la
probabilité d'occurrence d'un glissement de terrain à un Fonction «logit» en supposant qu’elle peut
dépendre d’un ou de plusieurs des facteurs de conditionnement fournis. La relation entre
glissement de terrain l'occurrence et leur dépendance vis-à-vis des prédicteurs sont exprimées en
équation (1).
1
P= (1)
1+e z
Où la probabilité d'occurrence d'un glissement de terrain P se situe dans la plage [0-1] sur une
courbe sigmoïde, z est une fonction d'ajustement linéaire ayant un ensemble de variables liées aux
glissements de terrain
1. Les données :
2. Sur ArcGIS
a). Nous avons préparé les données d'apprentissage binaires dichotomiques [0-1]
b). Nous avons créé des données d'apprentissage binaires dichotomiques [0-1]
c).Ensuite, nous le convertissons en raster tandis que chaque point représente un pixel et sa
taille est de 20 mètres.
Chapitre II Matériels et
méthodes
3. Sur R Studio
a). Nous avons Fusionné les données d'entraînement dichotomiques binaires (0,1)
b). Nous avons Préparé des paramètres et des packages dans R Studio
c). Réglage de l'environnement de travail dans R studio
d). Installation de plusieurs packages requis
e). Nous avons exporté les facteurs raster d'ArcGIS dans Rstudio (dans un fichier appelé My
Data)
g).Nous avons exporté les rasters depuis l'environnement R, nous pouvons utiliser cette fonction
write Raster si nous voulons l'enregistrer en tant que nouveau fichier .tif dans un nouveau fichier
appelé Resampled data (données ré-échantillonnées).
Chapitre II Matériels et
méthodes
h).Tout d'abord, nous devons vérifier notre liste
i).Nous devons vérifier l'histogramme des données d’apprentissage pour voir la distribution des
données (0-1)
m). ROC résume le pouvoir prédictif pour toutes les valeurs possibles de p> 0,5 Nous avons
installé le package de ROCR
n). Trouver la courbe de surface AUC de ROC : appelée indice de précision (A) ou indice de
concordance, est une matrice de performance parfaite pour la courbe ROC .
- Couches d’entrées : couches qui prennent des entrées en fonction des données existantes
- Couches masquées : couches qui ne sont pas directement observables à l'entrée ou à la
sortie du réseau. Ils combinent les variables d'entrée à travers un ou plusieurs neurones
- Couches de sortie : sortie des prédictions basées sur les données des couches d'entrée et
masquées, Une dernière couche de neurones qui prédit ou classe (numérique ou facteurs)
la valeur de la régression et utilisant des neurones
II.5.2.1.Les étapes
Nous avons d'abord besoin de : les variables indépendantes, les points de glissements de terrain,
surfaces des glissements de terrain. La réalisation de ce travail été par les logiciels : QGIS, R
Studio, Excel qui sont des logiciels open source.
1- Sur QGIS:
Chapitre II Matériels et
méthodes
a).Nous avons créé un model thématique que nous allons extraire toutes les valeurs de pixels de
tous les couches nous avons utilisée : Les couches des variables, les points de glissement de
terrain, les surfaces de glissement de terrain.
b).nous avons copies seulement la moyenne dans le données continues
c).nous avons copies seulement le mode concernant les données catégoriques
d).nous avons copies les moyennes et les modes dans une feuille d’Excel à partir d'Excel nous les
convertissons en csv l'extension de fichier qui peut être prête à exporter dans R
2- Sur R studio
Dans notre ensemble de données, nous attribuons une valeur de 1 aux glissements de terrain. Nous
attribuons une valeur de 0 à aucun glissement de terrain.
a).Nous avons commencé par la préparation des données et définissez notre répertoire de travail
d'environnement pour lisez les données dans la direction où nos fichiers de données sont
enregistrés, puis nous avons ajouté la bibliothèque les packages ("tidyverse").
b).Nous avons essayé d'importer les données d’apprentissage que nous exportons en tant que csv
c).Nous avons converti toutes les données catégoriques en numérique en raison de la fonction de
réseau de neurones, nous avons converti l’aspect en données de niveau, et supprimé l'aspect
d'origine et combinons les données de niveau des aspects
d).Nous sommes convertis la lithologie en données de niveau et nous avons supprimé lithologie
d'origine et combinons les données de niveau de lithologie
Chapitre II Matériels et
méthodes
e).Nous avons essayé d'importer les données de test que nous exportons en tant que csv
Nous avons converti toutes les données catégoriques en numérique en raison de la fonction de
réseau de neurones, nous avons converti l’aspect en données de niveau, et supprimé l'aspect
d'origine et combinons les données de niveau des aspects
f).Nous sommes convertis la lithologie en données de niveau et nous avons supprimé lithologie
d'origine et combinons les données de niveau de lithologie
g).Nous avons exécuté la fonction de réseau de neurones d'abord nous avons défini la bibliothèque
du réseau de neurones, puis nous avons utilisé ces données d’entrées avec cinq couches masquées
h).Après cela, nous avons fait le tracé par paire, nous avons essayé de voir l'importance de
certaines variables les unes avec les autres ainsi qu'avec la prédiction
i).Nous passons au graphe GG généralisé, le graphe GW, il nous sème comment le graphe de
chaque variable avec la valeur de prédiction et nous avons également vu ce comportement et nous
apprenons comment savoir si ce variable est sensible ou non en voyant le comportement avec la
prédiction
j).Nous avons commencé à tracer la fonction NNET aussi bien que nous avons tracé et nous avons
vu que ce tracé est différent du réseau de neurones qu’il donne aux lignes épaisses et aux lignes
latérales voulaient juste se connecter aux couches cachées tandis que le tracé du réseau neuronal
qu'il a juste donné les poids au-dessus de chaque ligne
k).Ensuite, nous exécutons l'analyse de test de sensibilité à l'aide du réseau de neurones .Il est très
important de savoir dans quelle mesure ces variables sont sensibles les unes aux autres et à la
réponse. Nous l'avons donc fait et nous l'avons tracé et nous avons également tracé Séparément
Chapitre II Matériels et
méthodes
deux variables différentes et nous nous sommes concentrés sur eux en utilisant l'altitude et
l’élévation
l).En convertissant les données catégorielles, ce que nous avons fait avec les données de formation
c. Nous avons converti l'aspect des données numériques en données de niveau, puis nous avons
traité la lithologie ainsi que l'échelle sont sur le calcul en utilisant le résultat est que nous avons
déjà le modèle formé plus tôt en utilisant les données de formation. Nous avons essayé aussi de
voir que nous devrions faire correspondre entre la co-variable du réseau neuronal avec la trame de
données de la pile raster après que nous le convertir en raster en utilisant la fonction raster et nous
avons ajouté la projection, c'est-à-dire qu'il n'y avait pas de projection, nous avons ajouté la
projection et nous exportons en tant que Tiff.
Chapitre III
Résultats et
discussion
Chapitre III Résultats et discussion
Courbure -0.002897
L’altitude -0.004824
lithologie 0.059144
NDVI 1.356653
Précipitation -0.084492
la pente -0.336545
SPI 1.275580
TWI 3.026495
Figure 13. Les courbes de probabilité sur une échelle binaire sigmoïde (en forme de S) de
modèle de régression logistique.
La forme du S (sur les graphes) est un ajustement parfait ou un tracé de modèle logistique typique
l’altitude, NDVI, la pente, courbure, rayonnement solaire annuel, l’exposition des pentes, distance
aux rivières, distance aux routes, densité des failles, densité des rivières, distance aux failles,
densité des routes, SPI, TWI, lithologie, plan de courbure, profile de courbure et précipitation sont
des variables prédictives continues et l’apprentissage est la variable de résultat dichotomes. Nous
comparons les donnes d’apprentissage avec des variables dépendantes (élévation par exemple)
Chapitre III Résultats et discussion
pour voir à quel point l'élévation était capable de prédire les données d'apprentissage (donc
combien était affectif), nous pouvons le voir en forme de S, cela montrera quelle était la relation
positive ou négative, et alors nous pouvons mieux comprendre la probabilité de ce facteur.
Ainsi, sur la base de ces graphiques, nous pouvons voir que tout les points qui passe entre 1 et 0,
ce sont nos données d'apprentissage, et comme nous pouvons voir que l'élévation et distance aux
routes, distance aux rivière, la courbure, SPI, la pente, précipitation, densité des failles est une
relation négative et une relation positive avec le NDVI, l’exposition des pentes, rayonnement
solaire annuel, lithologie, densité des rivières, profile de courbure, TWI.
Relation négative c'est-à-dire la variable n'est pas un très bon facteur pour prédire nos donnes
d’apprentissage. Le résultat de la régression logistique représenté par l’équation suivante :
Y=(Annual_Solar_radiation*0.409455+Aspect*(0.183724)+Curvature*(0.002897)+Distance_
to_River*0.540606+Distance_to_Roads*0.408163+Elevation*(0.004824)+Fault_Density*(0.4
05019)+Lithology*0.059144+NDVI*1.356653+Plan_Curvature*(0.474073)+Profile_Curvatu
re*(0.334318)+Rainfall*(0.084492)+River_Density*0.278311+Roads_Density*1.544378+Slop
e*(0.336545)+SPI*1.275580+TWI*3.026495)+43.564403
P=1/ (1+exp(Y*(-1)))
Figure 14. Carte de susceptibilité aux glissements de terrain produite à partir du modèle
LR.
Par rapport aux méthodes statistiques, ANN est un modèle plus complexe que LR et vise à la
détermination fréquentative du poids par rapport aux échantillons de données réels donnés. Les
Chapitre III Résultats et discussion
réseaux de neurones permettent de définir des classes en tenant compte de leur distribution dans le
domaine correspondant de chaque source de données (Zhou 1999). Après avoir intégré les
données d'apprentissage (dépendantes et indépendantes) dans le modèle MLP (Multi layer
Perceptron Neural Network) à l'aide du logiciel R, une architecture de réseau a été construite
composée de vingt-huit neurones dans la couche d'entrée, sept pour les couches cachées et un
neurone pour la couche de sortie (Figure 15).
Après avoir obtenu les valeurs de sensibilité, la carte finale de la sensibilité aux glissements de
terrain a été produit (Figure 19). La zone à risque très élevé c'est la zone où il y a une forte
probabilité (P> 0.8) d'avoir un glissement de terrain.
Chapitre III Résultats et discussion
Figure 19. Carte de susceptibilité aux glissements de terrain produite à partir du modèle
de réseau de neurones artificiels.
(a) (b)
Figure 20. Évaluation de la courbe ROC de modèle ANN: (a) courbes de taux de réussite
et (b) courbes de taux de prédiction.
(a) (b)
Les valeurs AUC obtenues à partir des cartes de susceptibilité montrent que les modèle LR et
ANN ont donné presque le même taux de réussite (AUC = 0.99) et un taux de prédiction (AUC =
0.87) pour le modèle ANN, LR qui a donné un faible taux de prédiction AUC = 0.85.
Chapitre III Résultats et discussion
Ces résultats indiquent que les deux modèles LR et ANN sont des modèles similaires pour
déterminer la sensibilité aux glissements de terrain dans la zone d'étude la capacité prédictive était
presque la même avec les deux approches. Les cartes de susceptibilité aux glissements de terrain ont
été vérifiées par des glissements de terrain de Djebel El Ouahch. Ces glissements de terrain n'ont
pas été utilisés dans la construction des modèles. Les cartes de susceptibilité aux glissements de
terrain des deux modèles ont été divisées en cinq catégories :
Très faible (0 <LSI ≤ 0.1), faible (0.1 <LSI ≤ 0.3), moyen (0.3 <LSI ≤ 0.6), élevé (0.6 <LSI ≤ 0.8)
et très élevé (0.8 <LSI ≥ 0.1).
LR
ANN 1 1
0.88 0.89
0.65 0.65
0.39
0.36
0.15
0.11
la méthode ANN ont à peu près les mêmes résultats. Donc les deux approches sont bien pour
l'évaluation de la sensibilité aux glissements de terrain pour la région de Djebel Ouahch.
III .4.Conclusion
Constantine subit depuis plus d’un siècle des dommages, liés au phénomène de glissement de
terrain, durant ces dernières décennies le phénomène a pris une grande ampleur entraînant des
pertes et des dégâts matériels importants.
La partie Nord de la ville de Constantine (Djebel Ouahche), recèle des instabilités, d’où la vitesse
de certains mouvements peut atteindre les dizaines de centimètres par an. Les levés de terrain,
l'interprétation des images satellite et l'analyse des données ont permis d'identifier les facteurs à
l'origine des glissements de terrain comme le NDVI, l’exposition des pentes, rayonnement solaire
annuel, lithologie, densité des rivières, profile de courbure ,distance aux failles, TWI.
Dans cette étude, les modèles LR et ANN ont été utilisés pour analyser la sensibilité aux
glissements de terrain et créer des cartes de sensibilité aux glissements de terrain utiles aux
autorités locales lors du choix des emplacements appropriés pour la mise en œuvre des plans
d'utilisation des terres et la protection de l'environnement (Ozdemir et Altural, 2013). Sur la base
des résultats des deux modèles, nous avons conclu que LR et ANN sont considérées comme
bonnes modèles avec la puissance prédictive plus élevée pour la zone d'étude.
Dans toute analyse de sensibilité aux glissements de terrain, un niveau de sensibilité est supposé
qu'un glissement de terrain actif se produira. Si seules les zones de sensibilité élevée à très élevée
étaient à risque, LR et ANN fourniraient les meilleurs résultats. Si des glissements de terrain
étaient constatés dans des zones de sensibilité au moins modérée, le modèle LR donnerait
également de meilleurs résultats. Des pourcentages plus faibles de glissements de terrain ont été
observés dans les zones de faible sensibilité.
Référence
Bibliographiques
Liste des Références
- Aleotti et Chowdhury (1999) Landslide hazard assessment: summary review and new
perspectives. Bull Eng.Geol Environ 58:21–44.
- Ayalew et Yamagish (2005) The application of GIS-based logistic regression for
susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology, 65
(1–2), 15–31.
- Benchelha, H. Chennaoui Aoudjehane, M. Hakdaoui, R.El Hamdouni, H. Mansouri, T.
Benchelha , M.Layelmam, M. Alaoui (2018). Landslide susceptibility mapping in the
municipality of oudka, northern morocco: a comparison between logistic regression and
artificial neural networks models.
- Brabb et al., (1979) Engineering geological mapping of the West Carpathian landslide areas.
Bulletin of the International Association of Engineering Geology-Bulletin de l’Association
Internationale de Géologie de l’Ingénieur, 19 (1): 116–121.
- Dai & Lee, (200). Assessment of landslide susceptibility on the natural terrain of Lantau
Island, Hong Kong, Environmental Geology, 40 (3), 381–391.
- Fatna Mahdadi1 & Abederrahmane Boumezbeur & Riheb Hadji & Debi Prasanna
Kanungo & Farid Zahri (2018). GIS-based landslide susceptibility assessment using
statistical models: a case study from Souk Ahras province, N-E Algeria.
- http://observatoire-regional-risques-paca.fr/article/glissements
ملخص :
عرفت قسنطينة كوارث مختلفة منذ القvدم خاصvة انvزالق االراضvي خالل العقvود الماضvية على نطvاق واسvع ممvا ادى الى
خسائر وأضرار مادية كبيرة.
جبل الوحش هي منطقة من قسنطينة األكvثر حساسvvية لالنزالقvات األرضvvية تتمvيز بديناميكيvvة مهمvvة جvدًا مقارنvة بالمنvvاطق
األخرى .تعد هذه االنزالقات األرضية من أخطر المشكالت على عدة مستويات :االجتماعية واالقتصادية والبيئيvvة .أظهvvرت
الزيادة في وتيرة وتأثير االنزالقات األرضية خالل العقد الماضي الحاجة إلى دراسة متعمقة لهذه الظواهر مما يسمح بتحديد
المناطق الحساسة لالنهيارات األرضية .الهدف الرئيسي من هذه الدراسة هvvو تحديvvد الطريقvvة المثلى لرسvم خرائvvط للمنطقvvة
الحساسvvة لالنهيvvارات األرضvvية في منطقvvة جبvvل الvvوحش .تم اسvvتخدام طريقvvتين إحصvvائيتين ( )1االنحvvدار اللوجسvvتي ()2
الشبكات العصبية االصطناعية ،إلنتاج خريطة قابلية انزالق االراضي لمنطقة جبل الوحش .وذلك باسvvتخدام صvvور األقمvvار
الصناعية وبيانات من الخريطة الجيولوجية والبيانات حيث تم تعيين 200انهيار أرضي من مختلف المنvvاطق ،وتم اسvvتخدام
٪75من قاعدة البيانات هذه لبناء النماذج و ٪25للتحقق من صحتها .يتم استخداما سبعة عشر عامالً مستقالً عوامل االنهيار
األرضي الكتشاف المناطق األكثر حساسية.
أعطت نفس معدل النجاح تقريبًا ANNو LRالتي تم الحصول عليها من خرائط الحساسية أن نماذج AUCتوضح قيم
AUC = 0.85الذي أعطى معدل تنبؤ منخفض )ANN ، LRلنموذج )AUC = 0.87ومعدل التنبؤ ()AUC=0.99
هما نموذجان متمثالن لتحديد vالحساسية لالنهيارات األرضية في منطقة الدراسة LR ،و ANNتشير هذه النتائج إلى أن
وكانت القدرة التنبؤية متماثلة تقريبًا مع الطريقتين.
الكلمات الرئيسية :خرائط القابلية لالنهيارات األرضية ،االنحداراللوجيستي ،الشبكات العصبية االصطناعية،
جبل الوحش – قسنطينة.
Résumé :
Constantine subit depuis plus d’un siècle des dommages, liés au phénomène de glissement de
terrain, durant ces dernières décennies le phénomène a pris une grande ampleur entraînant des
pertes et des dégâts matériels importants. Djebel Ouahch fait partie du Constantine le plus
sensible aux glissements de terrain, du fait de l'existence de reliefs relativement jeunes
marqués par une dynamique très importante par rapport aux autres régions. Ces glissements
de terrain sont l'un des problèmes les plus graves à plusieurs niveaux : social, économique et
environnemental. L'augmentation de la fréquence et de l'impact des glissements de terrain au
cours de la dernière décennie a démontré la nécessité d'une étude approfondie de ces
phénomènes, permettant l'identification des zones sensibles aux glissements de terrain.
L'objectif principal de cette étude est d'identifier la méthode optimale pour la cartographie de
la zone sensible aux glissements de terrain dans la région de Djebel Ouahch. Cette zone a été
marquée par le plus grand glissement de terrain de la ville. Deux méthodes statistiques i)
Logistique de régression (LR) ii) Réseaux de neurones artificiels (ANN), ont été utilisées pour
créer une carte de susceptibilité aux glissements de terrain. La réalisation de cette carte de
susceptibilité a nécessité, dans un premier temps, des images satellitaire les données de la
carte géologique et par les données obtenues à l'aide de levés de terrain à l'aide du GPS. Au
total, 200 glissements de terrain ont été cartographiés à partir de ces diverses sources. 75% de
cette base de données a été utilisée pour la construction de modèles et 25% pour la validation.
Dix-sept facteurs de glissement de terrain indépendants sont exploités pour détecter les zones
les plus sensibles: élévation, NDVI, la pente, courbure, rayonnement solaire annuel, aspect,
distance à la rivière, distance aux routes, densité des failles, densité des rivières, distance aux
faille, densité des routes, SPI, TWI, lithologie, courbure du plan, courbure du profil et
Précipitations. Les valeurs AUC obtenues à partir des cartes de susceptibilité montrent que les
modèle LR et ANN ont donné presque le même taux de réussite (AUC = 0.99) et un taux de
prédiction (AUC = 0.87) pour le modèle ANN, LR qui a donné un faible taux de prédiction
AUC = 0.85. Ces résultats indiquent que les deux modèles LR et ANN sont des modèles
similaires pour déterminer la sensibilité aux glissements de terrain dans la zone d'étude la
capacité prédictive était presque la même avec les deux approches.
Djebel Ouahch is part of Constantine the most sensitive to landslides, due to the existence of
relatively young reliefs marked by a very important dynamic compared to other regions.
These landslides are one of the most serious problems on several levels: social, economic and
environmental. The increase in the frequency and impact of landslides over the last decade
has demonstrated the need for an in-depth study of these phenomena, allowing the
identification of areas sensitive to landslides. The main objective of this study is to identify
the optimal method for the mapping of the area sensitive to landslides in the region of Jebel
Ouahch. This area was marked by the biggest landslide in the city. Two statistical methods i)
Regression Logistics (LR) ii) Artificial Neural Networks (ANN), were used to create a
landslide susceptibility map. The production of this susceptibility map required, initially,
satellite images, data from the geological map and data obtained using field surveys using
GPS. 200 landslides have been mapped from these various sources. 75% of this database was
used for model building and 25% for validation. Seventeen independent landslide factors are
used to detect the most sensitive areas: elevation, NDVI, slope, curvature, annual solar
radiation, aspect, distance to the river, distance to roads, density of faults, density of rivers,
and distance to faults, road density, SPI, TWI, Lithology, plane curvature, profile curvature
and Precipitation.
The AUC values obtained from the susceptibility maps show that the LR and ANN models
gave almost the same success rate (AUC = 0.99) and a prediction rate (AUC = 0.87) for the
ANN model, LR which gave a low prediction rate AUC = 0.85. These results indicate that the
two models LR and ANN are similar models to determine the sensitivity to landslides in the
study area the predictive capacity was almost the same with the two approaches.
Key words: Landslide susceptibility mapping, regression logistic, Artificial Neural Networks,
Djebel El Ouahch - Constantine.