REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE DES FRERES MENTOURI – CONSTANTINE 1 –

FACULTE DES SCIENCES DE LA TERRE DE LA GEOGRAPHIE ET

DE L’AMENAGEMENT DU TERRITOIRE
Département des Sciences Géographiques et de la Topographie

Mémoire
Présenté pour obtenir le diplôme de Master
Spécialité : Géomatique

Thème

ÉVALUATION DE LA SUSCEPTIBILITE AUX

GLISSEMENTS DE TERRAIN AU MOYEN DES MODELES
STATISTIQUES,
CAS DE LA REGION DE CONSTANTINE (NE ALGERIE)

Présenté par:
- Hadri Fatima Zohra
- Hadri Chaima

Devant le jury :

- Baadeche Mohamed M.C.B Président

- Bouaicha Foued M.C.A Encadreur
- Mezhoud Samy M.C.A Examinateur
- Bouteldja Mohamed Abdou M.C.B Examinateur

Année Universitaire : 2019-2020

 Remerciements
Tout d’abord, nous tenons à remercier DIEU de nous avoir donné la
volonté et l’engouement nécessaire pour finaliser ce travail.

Nous adressons nos remerciements à notre encadreur de ce travail

Dr. Bouaicha Foued qui nous a beaucoup aidé dans notre recherche,
guidé et conseillé tout au long de ce travail, et aussi Pour ses
orientations judicieuses, ses suggestions et critiques qui ont
grandement facilité ce travail.

Je tiens d'autre part à remercier les membres de Jury pour bien

vouloir m'accorder de leurs temps pour commenter, discuter et juger
mon travail. Je tiens à remercier tout particulièrement les jurys: Mr.
Mezhoud Samy et Mr. Baadeche Mohamed et Mr.
Bouteldja Mohamed Abdou.

Nous adressons aussi nos sincères reconnaissances à tous les

enseignants de l’université frères Mentouri Constantine-1 pour leurs
aides, soutiens et leurs conseils. Sans oublier tout le staff
administratif du département des sciences géographiques et de la
topographie.
 Dédicaces
Au terme de ce travail, je remercie avant tout Dieu le tout puissant
qui a éclairé mon chemin tout au long de mes études. J'adresse mes
remerciements aux personnes qui m'ont aidé dans la réalisation de ce
travail qui sont:
A la femme qui a sacrifié toute sa vie à m’éduqué, me conseillé et
m’encourage pour que je puisse arriver à ce stade la ma mère Hayat.

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 ma chère grande mère Sasi.

Que Dieu vous protège et vous garde pour nous.

A Mes très chères sœurs Chahinez et Walaa et mon frère Louay Pour
leur amour, leur soutien moral.

A Ma Petite nièce Jouri.

A ma binôme et chère sœur Lamya qui m'a partagée le mal et le bien

durant toutes les années d’études.

A tous les membres de ma famille Hadri et la famille Djaafri.

A mes amis proches : Aya, Aida, Susan, Chadia.

A toute la promotion de la 2 ème année master géomatique 2019-2020

Dans l’impossibilité de citer tous les noms, nos sincères

remerciements vont à tous ceux et celles, qui de près ou de loin, ont
permis par leurs conseils et leurs compétences la réalisation de ce
mémoire.

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.

Aux personnes qui m’ont toujours aidé et encouragé, qui étaient

toujours à mes côtés, et qui m’ont accompagné durant mon chemin
d’études supérieures, mes aimables amies.
A toute personne utilisant ce document pour un bon usage.

Hadri Fatima Zohra

 Table des matières
Remerciements…………………………………………………………………………..
Dédicaces………………………………………………………………………………...
Table des matières……………………………………………………………………….
Liste des figures………………………………………………………………………….
Liste des tableaux………………………………………………………………………..
Liste des abréviations……………………………………………………………………
Introduction générale………………………………………………………………………... 01
Etats de l’Art …………………………………………………………………………… 01
Chapitre I : Notions et Concepts…………………………………………………... 03
I. Terminologie et définitions………………………………………………………………… 04

I.1.Qu’est-ce qu’un glissement de terrain ?....................................................................... 04

I.2.Qu’est-ce que le risque mouvement de terrain ?......................................................... 04

I.3.Quels sont les types de glissement de terrain ?............................................................ 06

I.4.Quelles sont les indices, les manifestations et les phénomènes induits par les
glissements ? …………………………………………………………………………… 07

I.5.Quels sont les facteurs d’instabilité ?........................................................................... 07

Chapitre II : Matériels et Méthodes………………………………………………. 08
II.1.Introduction………………………………………………………………………… 09
II.2. Situation géographique……………………………………………………………. 09
II.2.1.Les propriétés physiques de la région d’étude …………………………………… 09

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

Liste des abréviations

SIG: système d'information géographique

WoE: weight of evidence

IV: information value

FR : frequency ratio

FL : fuzzylogic

RL : régression logistique

ANN : artificial neural network

GPS : global positioning système

MNT: model numérique de terrain

SPI: Stream Power Index.

TWI: Topographic Wetness Index.

NDVI: Normalized Difference Vegetation Index

ROC: Receive Operating Characteristic

AUC: Area Under the Curve.

ROC: Receive Operating Characteristic.

Introduction
Générale
Introduction générale

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.

L’objectif de ce mémoire est de traiter le problème de glissement de terrain dans le «  djebel El

Ouahch » Constantine, par la cartographie quantitative à l‘aide du SIG, en adoptant les méthodes
statistiques, valable pour les petites et moyennes échelles la régression logistique ( RL) et le
réseau de neurone (artificial neural network (ANN)).
Le modèle qui donne le meilleur taux de prédiction, parmi les deux, sera utilisé pour prédire le
glissement de terrain potentiel emplacements dans les zones voisines. De plus, le produit
est une carte de sensibilité sera un document précieux pour l’urbanisme, construction
d'infrastructures et développements agricoles dans la région.

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.

Figure 1. Exemple d’un glissement de terrain.

Source : (observation régional des risques en PACA)

I.2.Qu’est-ce que le risque mouvement de terrain ?

Parmi ces différents phénomènes observés, on distingue sur le territoire du Ventoux :

 Les glissements de terrain et coulées de boue 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.
Chapitre I  Notions et Concepts

Figure 2. Les glissements de terrain et coulées de boue.

Source : (observation régional des risques en PACA)

 Les coulées boueuses 

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.

 Les chutes de pierre et éboulements

Ce sont des mouvements rapides, discontinus et brutaux résultant de l’action de la pesanteur et

affectant des matériaux rigides et fracturés tels que calcaires, grès, roches cristallines, etc. Ces
chutes sont caractérisées par une zone de départ, une zone de propagation et une zone d’épandage.
Les blocs décrochés suivent généralement la ligne de plus grande pente. Les distances parcourues
sont fonction de la position de la zone de départ dans le versant, de la pente du versant, de la
taille, de la forme et du volume des blocs éboulés, de la nature de la couverture superficielle, de la
végétation...

Figure 3. Les chutes de pierre et éboulements.

Source : (observation régional des risques en PACA)

Les affaissements et les effondrements de cavités

i. Les affaissements, sont des dépressions topographiques en forme de cuvette

plus ou moins profonde dues au fléchissement lent et progressif des terrains de
couverture, avec ou sans fractures ouvertes, consécutif à l’évolution d’une cavité
souterraine. Il n’y a pas de rupture en surface.
Chapitre I  Notions et Concepts

Figure 4. Les affaissements de cavités.

Source : (observation régional des risques en PACA)

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).

 Le retrait-gonflement des sols argileux :

Le retrait-gonflement des argiles est lié aux variations de teneur en eau des terrains argileux : ils
gonflent avec l’humidité et se rétractent avec la sécheresse. Ces variations de volume induisent
des tassements plus ou moins uniformes et dont l’amplitude varie suivant la configuration et
l’ampleur du phénomène. Sous une habitation, le sol est protégé de l’évapotranspiration, et sa
teneur en eau varie peu dans l’année. De fortes différences de teneur en eau vont donc apparaître
dans le sol aux droites façades.

Figure 5. Les affaissements de cavités.

Source : (observation régional des risques en PACA)

I .3. Quels sont les types de glissement de terrain ?

Trois types de glissement sont distingués en fonction de la géométrie de la surface de rupture :

 glissement plan ou translationnel, le long d’une surface plane ;

 glissement circulaire ou rotationnel, le long d’une surface convexe ;
 glissement quelconque ou composite lorsque la surface de rupture est un mélange des
deux types.
Chapitre I  Notions et Concepts

Figure 6. Glissement plan et Glissement rotationnel.

Source : (observation régional des risques en PACA)

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.

I.5.Quels sont les facteurs d’instabilité ?

Facteur permanents Facteurs variables dans le temps

(=de prédisposition, de susceptibilité)
La pesanteur est le moteur du glissement ;
La pente régit directement l’équilibre des efforts
mécanique ;
Léau diminue la résistance au frottement, modifie les
caractéristiques de certains matériaux et augment le
poids des terrains ;
La nature des terrains (lithologie) conditionne
directement leur sensibilité au glissement (marnes,
argiles, substratum schisteux, alternance matériaux
tenders et rocheux) ;
La structure des terrains, c’est-à-dire l’empilement des
couches géologique (stratigraphie) et
discontinuités fracturation, failles, joints de
stratification), est déterminante pour l’apparition
d’une surface de rupture.
(= déclenchant, aggravant)
Les précipitations et la fonte des neiges agissent sur
le facteur permanente qu’est l’eau dans le sol en
augmentation tant les pressions interstitielles et la
mise en charge des terrains ;
Les cours d’eau qui lorsqu’ils entrent en crue et
affouillent un pied de glissement, entrainent son
activation ;
Les séismes provoquent des vibrations qui peuvent
être responsables du déclenchement de glissement ;
De nombreux glissements ont pour origine les actions
humaines (terrassements, rejets, fuites ou pompage
d’eau, les surcharges, etc..).
les

Tableau 1. Les facteurs d’instabilité

Source : (observation régional des risques en PACA)
Chapitre II :
Matériels et méthodes
Chapitre II  Matériels et
méthodes
II .1. Introduction
Dans ce chapitre on présentera la situation géographique du notre zone d’étude, les propriétés
physique de la région d’étude, les paramètres d’étude le glissement de terrain, les moyens et
matériels utilisées pour la méthode régression logistique et le réseau de neurones.

II.2. Situation géographique

La ville de Constantine et ses environs proches située au centre du Nord - Est Algérien à
36°21’38’’N de latitude et 6°37’30’’E de longitude, distante de 431Km de l‘Est de la capitale
Alger, de 86 Km de Skikda vers le Nord et de 250 Km à l‘Ouest de la Frontière allégro-
tunisienne. Il couvre la superficie de son Plan Directeur d’Aménagement et d’Urbanisme
(PDAU), soit une superficie de 60 km² environ.

II.2.1. Les propriétés physiques de la région d’étude 

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.

II.2.1.3. Réseau hydrographique

Le secteur d’étude est caractérisé par un réseau hydrographique assez dense

- 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.

- La cimenterie de Hamma Bouziane.

-A Ain M’lila :

- CCS : cabines sahariennes.

- Ste Khentouche : Transformation de pierre de marbre.

II.2.1.6. Les voies de communication

Pour les routes :

-R.N n°3 : Constantine-Biskra.

- R.N n°20 : Constantine-Guelma.

- R.N n°10 : Constantine-Oum El Bouaghi.

- des voies ferrées dans des différentes directions.

II.2.2. Situation géographique de la zone d’étude

La région de Djebel Ouahch constitue une unité géographique importante, située à l’Est de la ville
de Constantine, elle s’étend sur une superficie de 66.535 ha et concerne sept communes, à savoir :
Zighoud Youcef, Didouche Mourad, Constantine, El Khroub, Ibn Badis, Aïn Abid et Ouled
Rahmoune. Ces communes font partie de la Wilaya de Constantine, Les limites de Djebel El
Ouahch correspondent aux coordonnées géographiques suivantes :

- 6° 38' 0.82" et 6° 58' 37.65" de longitude Est.

- 36° 14' 20.19" et 36° 33' 55.81" de latitude Nord.

Chapitre II  Matériels et
méthodes

Figure 7. Carte de situation de la zone d’étude.

II.3. Matériels et logiciels utilisés

Dans cette étude nous avons utilisé une base de données de glissements de terrain comprenant un
ensemble de Dix-sept facteurs Chacun de ces facteurs sont présentés comme une couche
thématique. L'évaluation de la sensibilité aux glissements de terrain dans la région est élaboré en
Chapitre II  Matériels et
méthodes
trois étapes principales, la première étape l’établissement d'une carte d'inventaire des glissements
de terrain de la zone d'étude, tous les glissements de terrain ont été vérifiés et cartographiée à
l'aide d'un système de positionnement global (GPS). Dans cette recherche, l'inventaire des
glissements de terrain a été divisé au hasard en 75% (150 événements) pour l’apprentissage du
modèle et 25% (50 événements) pour le test. La deuxième étape est la cartographie thématique de
Dix-sept facteurs contribuant directement ou indirectement lors de glissements de terrain. La
troisième étape c’est le traitement des données et du calcul des valeurs de la susceptibilité pour
chaque pixel dans la zone d'étude par l'application des méthodes statistiques. Tous les facteurs de
conditionnement des glissements de terrain sont gérés dans le SIG plateforme utilisant le logiciel
ArcGIS, alors que la procédure statistique est faite, en utilisant le Q Gis et R Studio.

Figure 8. Carte de situation de la zone d’étude.

Chapitre II  Matériels et
méthodes

Figure 9. Carte d'inventaire des glissements de terrain de la zone d'étude.

II.4. Facteurs de conditionnement des glissements de terrain

II.4.1. Les Facteurs topographiques
II.4.1.1. L’exposition des pentes

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

La morphologie de la topographie a été identifiée par la courbure. Ce facteur contrôle le

ruissellement de surface et, par conséquent a un impact sur l’occurrence des glissements de
terrain. La courbure a été directement tirée du MNT et classée en 5 classes, la classe la plus
dominante dans notre cas est : [(-9.27) - (-2.31)] (Figure:10.c).
Chapitre II  Matériels et
méthodes
II.4.1.4. Plan de 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).

II.4.1.5. Profil de courbure

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)

II.4.2.2.Radiation solaire annuel 

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)

II.4.2.3.SPI (l’indice d'humidité topographique)

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 :

*SPI= α × tan (ß) * Avec : α : flow accumulation ;

π
( ¿ ≃ 0,017453 ; ß : slope in radiation
180
La carte a été créé à partir le MNT qui avait une résolution de 28×28m, elle a été regroupée en 6
classes, la classe la plus dominante dans notre cas est : (19.035-25.321) (Figure:11.c).

II.4.2.4.TWI (l’indice de puissance du flux)

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).

II.4.2.5.Distance aux rivières

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).

II.4.2.6.Densité des rivières

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.Les Facteurs lithologiques

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).

II.4.3.2.Densité des failles

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 :

(0 – 0.45) km/km² (Figure:12.b).

II.4.4. Facteurs d’occupation des sols 

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).

II.4.5. les Facteurs anthropiques

II.4.5.1.Distance aux routes

La distance aux routes a été considérée comme l'un des facteurs anthropiques les plus importants
influençant les glissements de terrain, car les coupures de route sont généralement la source de
l'instabilité (Ayalew et Yamagish 2005). Prendre en compte l'influence de la proximité des routes
dans l’occurrence de glissements de terrain. La zone d'étude a été en cinq classes différentes telles
que la classe la plus dominant dans notre cas est : (>200) (Figure:12.d).

II.4.5.2.Densité des routes

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

II.5.1.1 .Les étapes

1. Les données :

-Facteurs indépendants Y (emplacements des données d'entraînement sur les glissements de

terrain) 200 observation (150 pour l’apprentissage et 50 pour le test).
-Facteurs dépendants X (altitude, pente, NDVI, courbure, rayonnement solaire annuel,
l’exposition des pentes, distance aux rivière, distance aux routes, densité des défauts, densité des
rivières, distance des défauts, SPI, TWI, lithologie, plan du courbure, profile de courbure,
précipitations).

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)

f).Ré échantillonnage des données dans R Studio

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)

j).Empiler plusieurs fichiers raster (Stack)

k).Mettre le facteur dépendant avec le facteur indépendant dans un seul fichier.
Chapitre II  Matériels et
méthodes
l). Nous avons exporté nos valeurs dans un fichier texte, c'est pour une double vérification ou
utilisez-le dans Microsoft Excel pour les calculs.

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 .

II.5.2.Le réseau de neurones

L'idée de réseaux de neurones en tant que machines informatiques a été introduite pour la
première fois en 1943 par Mc Culloch et Pitts. Depuis ce moment les réseaux de neurones sont
généralement comparés au cerveau humain, car ils acquièrent des connaissances de leur
environnement grâce à un processus d'apprentissage et utilisent des connexions entre leurs
neurones, ou poids synaptiques, pour stocker les connaissances qu'ils ont acquises.
L'apprentissage est un processus itératif dans lequel le réseau de neurones apprend de son
environnement afin d'améliorer ses performances dans une tâche spécifique.
Les réseaux de neurones artificiels sont des systèmes informatiques qui peuvent être utilisés pour
approximer toute relation fonctionnelle complexe. Ce sont des machines de traitement de
l'information constituées de simples unités de traitement interconnectées, ou neurones. Les
neurones fonctionnent de manière non linéaire, grâce à un traitement parallèle de l'information. Ils
Chapitre II  Matériels et
méthodes
sont utilisés pour déduire la signification et détecter des modèles dans des ensembles de données
complexes, Un réseau de neurones se compose de :

- 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

III.1. Présentation des résultats obtenus

Les causes des glissements de terrain sont nombreuses, complexes et parfois inconnu. Bien que les
facteurs de base liés à des glissements de terrain peuvent être observés lors d'études sur le terrain
et / ou enquête photo aérienne, certains facteurs demeurent caché. Afin de comprendre s'il y a
facteurs cachés affectant la survenue de glissements de terrain, plusieurs paramètres
géomorphométriques ont été mis dans l’analyse. La plupart des paramètres géomorphométriques
sont subjectifs et difficile à mesurer quantitativement sur le terrain. Par conséquent, il peut être
difficile de comprendre leur contribution au mécanisme d'occurrence des glissements de terrain.
Les méthodes de régression logistique et de réseau de neurones ont des propriétés pour faciliter
une solution à cela problème. Plusieurs chercheurs ont comparé le modèles de réseau de neurones
avec régression logistique utilisant différents ensembles de données, certains chercheurs trouvés
une performances pour le réseau de neurones et d'autres auteurs ne trouve aucune différence dans
la performance prédictive globale (Mahiny et Turner, 2003 ; Ottenbacher et al., 2001 ; Manel et
al., 1999; Tu, 1996; Schumacher et coll., 1996). Ces comparaisons dépendent fortement de la
nature d'un ensemble de données particulières.
Dans cette étude, la base de données contenant une variable dépendante (glissement de terrain) et
les Dix-sept variables indépendantes (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), ont été divisées aléatoirement en deux parties la première pour créer des
modèles et le second pour la validation à l'aide du logiciel R Studio. Dans notre cas Pour évaluer
l'efficacité des ensembles de données d’apprentissage, le test de Hosmer et Lemeshow a été
utilisé et a donné au modèle de régression logistique (LR) un caractère statistiquement significatif
et prédictif. La relation entre les facteurs de conditionnement et les glissements de terrain basés
sur la régression logistique (LR) est illustrée dans Tableau 2.

Parameters Les Coefficient du modèle RL

Intercepte 43.564403

Rayonnement solaire annuel 0.409455

L’exposition des pentes -0.183724

Courbure -0.002897

Distance aux rivières 0.540606

Distance aux routes -0.408163

L’altitude -0.004824

Distance aux failles -0.405019

lithologie 0.059144

NDVI 1.356653

plan de courbure -0.474073

profil de courbure -0.334318

 Chapitre III  Résultats et discussion

Précipitation -0.084492

Densité des rivières 0.278311

Densité des routes 1.544378

la pente -0.336545

SPI 1.275580

TWI 3.026495

Tableau 2. Les coefficients du modèle LR

D'après le Tableau 2, l’exposition des pentes, la courbure et la distance aux routes et l’altitude et
la distance aux failles, plan de courbure, profil de courbure, précipitation et la pente sont
négativement liés au risque de glissement de terrain, c'est-à-dire que lorsque les valeurs de ces
facteurs augmentent, le risque de glissement de terrain diminue.
La carte de susceptibilité aux glissements de terrain a été réalisée ( Figure 14), sur la base des
poids indiqués dans le Tableau 2. La zone de risque très élevé c'est la zone où il y a une forte
probabilité (P> 0.8) d'avoir un glissement de terrain plus important.
 Chapitre III  Résultats et discussion

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).

Figure 15. Architecture du réseau neuronal

Chapitre III  Résultats et discussion

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.
 Chapitre III  Résultats et discussion

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).
 Chapitre III  Résultats et discussion

Figure 18. Diagramme de pondérations généralisées de modélisation de réseau neuronal

artificiel : lithologie (l0, l1, l2, l3, l5).

III .2.Poids généralisé

le long de la densité de la rivière ça nous donne toujours une bonne connexion un bon poids, on
voit toujours ça a commencé à partir de zéro en montant mais en même temps, vous devriez avoir
tout au-dessus ou en dessous du zéro, cela signifie que c'est bien, mais si vous avez tout comme la
courbure comme nous le voyons dans l’exemple (Figure 16, 17, 18), c'est presque proche du zéro,
cela signifie que le facteur ce n'est pas trop important.

Une fois la phase d'apprentissage terminée (phases d’apprentissage et de test) et l'atteinte de

l'objectif du réseau, les données de la zone d'étude ont été introduites dans le réseau pour estimer
la susceptibilité aux glissements de terrain.

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.

III .3.VALIDATION ET COMPARAISON

Les cartes de susceptibilité aux glissements de terrain résultantes de l'utilisation des différents
modèles statistiques (régression logistique et réseau de neurones artificiels) ont été divisées en
cinq classes. La précision de ces cartes de sensibilité aux glissements de terrain a été évaluée en
calculant la caractéristique de fonctionnement relatif (ROC receiver operating characteristic) et
le pourcentage de points de glissement de terrain observés dans diverses catégories de sensibilité
(Nandi et Shakoor 2010). L'aire sous la courbe ROC (AUC ; Area Under Curve) représente la
qualité du modèle probabiliste (sa capacité à prédire l'occurrence ou non d'un événement)
(Yesilnacar et Topal 2005). Le modèle idéal montre une courbe qui a la plus grande AUC se situe
entre 0.5 et 1. Si la valeur d’AUC est proche de 0.5 indique une inexactitude (Fawcett 2006). Une
courbe ROC de 1 indique une prédiction parfaite. Dans cette étude, tous les modèles de sensibilité
aux glissements de terrain ont été validés à l'aide du taux de réussite et d'une méthode de taux de
prédiction. Les résultats du taux de réussite ont été obtenus en comparant les cartes de
susceptibilité aux glissements de terrain avec les glissements de terrain dans l'ensemble de
données d'apprentissage, tandis que les résultats du taux de prédiction pour les modèles de
susceptibilité ont été évalués en utilisant l'ensemble de données de validation indépendant de celui
utilisé dans le processus de construction du modèle de glissement de terrain et en utilisant le
logiciel R. Les courbes ROC de cette étude sont illustrés sur la Figure 20.
 Chapitre III  Résultats et discussion

(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)

Figure 21. 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.
Dans notre recherche, les modèles de régression logistique et de réseau neuronal ont fait un bon travail
de prédiction susceptibilité de glissement de terrain . Bien qu'il y ait eu une différence statistiquement
significative de discrimination telle que mesurée par la courbe ROC en faveur du réseau neuronal, la
signification clinique de cette différence n'est pas claire.

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

très faible faible mo élevé très éleve

Figure 22. Pourcentages de points de glissement de terrain testés dans différentes

catégories de sensibilité en utilisant LR et ANN.
La superposition entre les vérification des glissements de terrain et les cartes de susceptibilité aux
glissements de terrain résultant des modèles LR et ANN, nous a permis de déterminer les
Pourcentages de points de glissement de terrain de test tombant dans différentes catégories de
susceptibilité : dans la classe de sensibilité très faible, nous n'avons trouvé que 10% des
glissements de terrain observés pour les méthodes LR et 10% pour la méthode ANN. Cependant,
dans les classes de sensibilité élevée et très élevée, nous avons retrouvé 88% et 89% du glissement
de terrain observé dans ces classes pour les méthodes LR et ANN, respectivement.
En comparant les résultats des analyses RL et ANN, nous avons déterminé que la méthode LR et
 Chapitre III  Résultats et discussion

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.

- Guzzetti et al (1999). Probabilistic landslide hazard assessment at the basin scale.

Geomorphology, 72(1-4), 272-299.

- Hamid BOURENANE (2017). Analyse spatiale, évaluation et cartographie des risques

naturels : Application à l’aménagement de la ville de Constantine (Nord Est Algérien) .
- Highland et Bobrowsky, (2008). River Courses Affected by Landslides and Implications for
Hazard Assessment: A High Resolution Remote Sensing Case Study in NE Iraq–W Iran.
- Lee et Evangelista (2006). Probabilistic landslide hazard and risk mapping on Penang Island,
Malaysia. Journal of Earth System Science, 115, 661-672. [10].
- Malet & Maquaire (2002). Landslide susceptibility, vulnerability and risk assessment
through GIS procedures: a tentative application in the South French Alps. Revue
Internationale de Geomatique, European Journal of GIS and Spatial Analysis, 16 (3-4), 499-
525.
- Nabil Manchar, Chaouki Benabbas,Riheb Hadji, Foued Bouaicha, Florina Grecu (2018).
Landslide Susceptibility Assessment in Constantine Region (NE Algeria) By Means of
Statistical Models.
- Nandi et Shakoor (2010). A GIS-Based Landslide Susceptibility Evaluation Using Bivariate
and Multivariate Statistical Analyses.” Engineering Geology 110 (1): 11–20.
https://doi.org/10.1016/j.enggeo.2009.10.001.
- Ozdemir et Altural, (2013). A comparative study of frequency ratio, weights of evidence and
logistic regression methods for landslide susceptibility mapping: Sultan Mountains, SW
Turkey. Journal of Asian Earth Sciences 64 (2013) 180–197.
- Van Westen (1993). SoetersetWesten 1996 ; Maquaire 2002.Application of Geographic
Information Systems to Landslide Hazard Zonation. Ph-D Dissertation, Technical University
Delft. ITC-Publication Number 15, ITC, Enschede, The Netherlands, 245 p.
- Yesilnacar et Topal (2005). Landslide Susceptibility Mapping: A Comparison of Logistic
Regression and Neural Networks Methods in a Medium Scale Study, Hendek Region
(Turkey). Engineering Geology 79 (3): 251–266.
https://doi.org/10.1016/j.enggeo.2005.02.002.
- Zhou (1999). “Verification of the Nonparametric Characteristics of Backpropagation Neural
Networks for Image Classification.” IEEE Transactions on Geoscience and Remote Sensing
37 (2): 771–779. https://doi.org/10.1109/36.752193.

- 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.

Mots clés : Cartographie de susceptibilité aux glissements de terrain, régression logistique,

réseaux de neurones artificiels, Djebel El Ouahch - Constantine.
ABSTRACT:
Constantine has suffered damage for more than a century, linked to the landslide
phenomenon, during the last decades the phenomenon has taken on a large scale resulting in
losses and significant material damage.

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.