Cartographie, évaluation et prédiction des multirisques

liés aux inondations, érosion et mouvements de terrain

face aux changements climatiques, via la géomatique
l’intelligence artificielle et les méthodes statistiques. Cas
du bassin d’Oued Tensift (Maroc).
Youssef Bammou

To cite this version:

Youssef Bammou. Cartographie, évaluation et prédiction des multirisques liés aux inondations, érosion
et mouvements de terrain face aux changements climatiques, via la géomatique l’intelligence artificielle
et les méthodes statistiques. Cas du bassin d’Oued Tensift (Maroc).. Sciences de l’environnement.
Cadi Ayyad university, 2024. Français. �NNT : 2012ICME903�. �tel-04850054�

HAL Id: tel-04850054

[Link]
Submitted on 19 Dec 2024

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Copyright
 UNIVERSITÉ CADI AYYAD N° d’ordre : 903
N° FACULTÉ DES SCIENCES
d’ordre SEMLALIA - MARRAKECH
903

THÈSE
BAMMOU

présentée à la Faculté pour obtenir le grade de :

Youssef

Docteur

CED : Sciences et Techniques

Spécialité : Géosciences et Environnement Géorisques, Géomorphologies et

climatiques, via la géomatique l’intelligence artificielle et les méthodes
inondations, érosion et mouvements de terrain face aux changements

Géomatique
Cartographie, évaluation et prédiction des multirisques liés aux

Titre
statistiques. Cas du bassin d’Oued Tensift (Maroc)

Cartographie, évaluation et prédiction des multirisques liés aux

inondations, érosion et mouvements de terrain face aux
changements climatiques, via la géomatique l’intelligence
artificielle et les méthodes statistiques. Cas du bassin d’Oued
Tensift (Maroc)
par :

Youssef BAMMOU
(Master : Géorisques, Géomatique, Géomatériaux et Géoenvironnement)

soutenue le 12/10/2024 devant la commission d’examen :

Président:
 IBOUH Hassan PES Univ. Cadi Ayyad, Marrakech.

Examinateurs:
 BOUDAD Larbi PES Univ. Mohammed V, Rabat.
2024

 TALEB Abdeslam PES Univ. Hassan II, Casablanca.

 SADKAOUI Driss MCH Univ. Abdelmalek Essaâdi, Tétouan.
Géologie

 OUALLALI Abdessalam Invité Univ. Hassan II, Casablanca.

 BENZOUGAGH Brahim MCH Univ. Mohammed V, Rabat.
 IGMOULLAN Brahim PES Univ. Cadi Ayyad, Marrakech.
Cette recherche doctorale est dédiée à ma famille, qui m'a constamment
motivé à réaliser mon rêve.
 Remerciements

Tout d'abord, je voudrais exprimer ma profonde gratitude et mes sincères remerciements à

mon directeur de thèse, le professeur Brahim Igmoullan, professeur à l'université Cadi. Je tiens à
lui exprimer ma gratitude pour m'avoir proposé ce sujet de thèse et pour m'avoir encadré tout au
long de ces trois années. Je le remercie pour ses précieux conseils et pour les efforts qu'il a
déployés afin de me garantir des conditions favorables à la réalisation de ce travail, ainsi que pour
le temps qu'ils m'ont consacré malgré leurs engagements. Je le remercie également de m'avoir
accueillie au sein du Laboratoire de Géosciences et Environnement (L3G) de l'Université Cadi
Ayyad et d'avoir mis à ma disposition tout ce dont j'ai besoin pour mener à bien mes recherches
dans un environnement de travail confortable.
Je tiens également à exprimer mes plus vifs remerciements à Monsieur Brahim
Benzougagh, Professeur au Département de Géomorphologie et de Géomatique à l'Institut
Scientifique, Université Mohammed V de Rabat, pour avoir accepté de co-diriger mes travaux de
recherches en mettant à ma disposition son expertise avec la plus grande disponibilité tout au
long de la durée de cette thèse. Je tiens également à le remercier pour son hospitalité à l'Institut
Scientifique de Rabat, où une partie du travail a été réalisée. Je tiens également à remercier Dr.
Shuraik Kader, Chercheur en Ingénierie écologique, Science des sols, Agriculture et
Environnement, School of Engineering and the Built Environment, Griffith University, Nathan,
Australie, Pr. Velibor Spalevic, Professeur à la Faculté de Biotechnologie, Université du
Monténégro et Pr. Abdselam Oulalli pour nous avoir fourni les méthodes et les conseils utilisés
dans la préparation de ce travail.
Mes remerciements s'adressent également à toutes les personnes qui m'ont soutenu et aidé
tout au long de ce parcours, en particulier C. Tedaf, S. Mottahir, M. Raouga, K. Tiriri, Y.
ElMansouri , M. Bouhamid, M. Ouchatr et A. Najmi. Je suis également infiniment
reconnaissant aux rapporteurs de ma thèse ainsi qu'aux examinateurs, Mr. IBOUH Hassan, Mr.
BOUDAD Larbi, Mr. TALEB Abdeslam, Mr. TAMIM Ayoub, Mr. SADKAOUI Driss et Mr.
OUALLALI Abdessalam, d'avoir accepté de juger ce travail et de faire partie du jury de thèse. Je
les remercie pour le temps qu'ils ont consacré à la relecture et à l'évaluation. Par ailleurs, cette
thèse de doctorat n'aurait pu être achevée sans le soutien financier de ma famille, de mon frère
Es-Said Bammou et de mon cher père Ahmed Bammou. Enfin, mes remerciements seraient
incomplets si je n'exprimais pas ma profonde gratitude envers ma mère Aïcha, mes sœurs

i
Fatima, Noura et Hajjar et mes frères Mohamed, Es-Said, Anouar et Yassine, qui m'ont
soutenu et encouragé tout au long de cette aventure, en particulier dans les moments difficiles. Un
grand merci à tous les autres membres de ma famille - tantes, oncles, cousins - qui ont cru en
moi. A ma deuxième famille, la FST-Marrakech, le personnel enseignant et administratif, merci
de m'avoir permis de m'épanouir, de me développer et d'acquérir non seulement des
connaissances, mais aussi des compétences de vie. Je voudrais aussi remercier mes amis qui ont
toujours été là pour moi quand j'en ai eu besoin, surtout dans les moments de doute. Je suis
consciente du rôle que de nombreuses personnes ont joué dans la réalisation de cette thèse. Je
vous remercie tous pour tout.

Youssef BAMMOU

ii
 Cartographie, évaluation et prédiction des multirisques liés aux inondations, érosion et
mouvements de terrain face aux changements climatiques, via la géomatique l’intelligence
artificielle et les méthodes statistiques. Cas du bassin d’Oued Tensift (Maroc).
.
Résumé

La présente étude a pour objectif d’examiner l'efficacité de différentes méthodes

statistiques et d'apprentissage automatique pour la cartographie et la prédiction de la
susceptibilité dans le bassin versant de Tensift et la plaine de Haouz. Le modèle de rapport des
fréquences (FR) et le taux de prédiction (PR) ont été appliqués avec succès pour évaluer les
risques de glissements de terrain dans la région de Tizi N'tichka, le long de la route nationale
(RN9) reliant Marrakech à Ouarzazate. Ce modèle a montré de bonnes performances, avec un
AUC de 92,30 %. De plus, l'utilisation du Processus de Hiérarchie Analytique (AHP), combinée
à la méthode de l'Équation Universelle de Perte de Sol (RUSLE) et aux modèles de la seizième
phase du Coupled Model Intercomparison Project (CMIP6) dans la plaine de Haouz, a permis
d'estimer les pertes de sol actuelles et futures pour 2040. Les résultats montrent une augmentation
de 24,90 % et 50,40 % respectivement pour les scénarios RCP2.6 et RCP8.5.

Enfin, sept algorithmes d'apprentissage automatique, notamment la forêt aléatoire (RF), la

machine à vecteurs de support (SVM), le k-voisin le plus proche (KNN), le boosting de gradient
extrême (XGBoost), le réseau neuronal artificiel (ANN), l'arbre de décision (DT) et la régression
logistique (LR), ont été utilisés pour cartographier et prédire la susceptibilité aux trois géorisques
les plus fréquents dans cette zone, à savoir : les inondations, l'érosion par ravinement et les
glissements de terrain. Cela a permis d’établir une cartographie des multirisques, révélant des
résultats variables en fonction des caractéristiques topographiques, géomorphologiques,
géologiques, climatiques et de l'utilisation des terres. Les résultats de l’application de ces
modèles basés sur les algorithmes d'apprentissage automatique montrent que le modèle XGBoost
présente les meilleures performances, avec des AUC de 93,78 %, 91,07 % et 93,41 %
respectivement pour les géorisques des inondations, de l’érosion par ravinement et des
glissements de terrain..

Cette thèse de doctorat introduit une méthodologie plus précise pour évaluer la
susceptibilité à plusieurs types de risques. Cette approche revêt une grande importance pour les

iii
planificateurs et les décideurs politiques, car elle permet d'identifier les zones sensibles en
fonction de l'impact relatif de chaque facteur spécifique à une région donnée. La carte de
susceptibilité à plusieurs risques pour le bassin versant de Tensift et la plaine du Haouz, au
Maroc, offre aux autorités locales la possibilité de développer des mesures et des stratégies
d'atténuation sur mesure pour faire face aux risques multiples qui pourraient survenir à l'avenir.
Mots-clés : Bassin versant de Tensift, plaine de Haouz, Risques naturels, Cartographie de
susceptibilité, Méthodes statistiques, Apprentissage automatique et Multi-risques.

iv
 Mapping, assessment and prediction of multi-hazard flooding, erosion and landslides in the
face of climate change, using geomatics, artificial intelligence and statistical methods. The
case of the Oued Tensift basin (Morocco).

Abstract

The aim of the present study is to examine the effectiveness of different statistical and
machine learning methods for susceptibility mapping and prediction in the Tensift watershed and
Haouz plain. The Frequency Ratio (FR) and Prediction Rate (PR) model was successfully
applied to assess landslide risk in the Tizi N'tichka region, along the national road (RN9) linking
Marrakech to Ouarzazate. The model used showed good performance, with an AUC of around
92.30%. In addition, the use of the Analytical Hierarchy Process (AHP) combined with the
Universal Soil Loss Equation (RUSLE) method and models from the sixteenth phase of the
Coupled Model Intercomparison Project (CMIP6) in the Haouz plain enabled us to estimate
current and future soil losses in 2040, with results in this phase showing an increase of 24.90%
and 50.40% respectively for the RCP2.6 and RCP8.5 scenarios.
Finally, seven machine learning algorithms, including Support Vector Machine (SVM), k-
nearest neighbor (KNN), Random Forest (RF), eXtreme Gradient Boosting contraction
(XGBoost), Artificial Neural Network (ANN), Decision Tree (DT), and Logistic Regression
(LR), were used to map and predict susceptibility to the three most frequent geohazards in this
area, namely ; flooding, gully erosion and landslides in order to establish a multi-hazard map,
revealing variable results depending on topographical, geomorphological, geological, climatic
and land-use characteristics. The results of applying these models based on machine learning
algorithms show that the (XGBoost) model performs best, with AUCs of 93.78%, 91.07% and
93.41% respectively for flood, gully erosion and landslide geohazards.
This doctoral thesis introduces a more precise methodology for assessing susceptibility to
several types of risk. This approach is of great importance to planners and policy-makers, as it
enables sensitive areas to be identified on the basis of the relative impact of each region-specific
factor. The multi-hazard susceptibility map for the Tensift watershed and Haouz plain in
Morocco offers local authorities the opportunity to develop tailor-made mitigation measures and
strategies to deal with the multiple risks that may arise in the future.
Keywords: Tensift watershed, Haouz plain, Natural hazards, Susceptibility mapping, Statistical
methods, Machine Learning and Multi-hazard.

v
 ‫رسم الخرائط‪ ,‬التقييم والتنبؤ بالمخاطر المتعددة المرتبطة بالفيضانات والتعرية واالنهيارات األرضية في مواجهة تغير‬
‫المناخ‪ ،‬باستخدام الجيوماتيكا والذكاء االصطناعي واألساليب اإلحصائية‪ .‬حالة حوض وادي تانسيفت (المغرب)‪.‬‬

‫الملخص‬

‫الهدف من هذه الدراسة هو فحص فعالية مختلف األساليب اإلحصائية وأساليب التعلم اآللي لرسم خرائط قابلية التأثر والتنبؤ في حوض‬
‫تانسيفت وسهل الحوز‪ .‬تم تطبيق نموذج نسبة التردد (‪ )FR‬ونموذج معدل التنبؤ (‪ )PR‬بنجاح لتقييم مخاطر االنهيارات األرضية في منطقة‬
‫تيزي نتشكا على طول الطريق الوطنية رقم ‪ )RN9(9‬الذي يربط مراكش بورزازات‪ .‬كان أداء النموذج المستخدم جيدًا‪ ،‬حيث بلغ معدل‬
‫المساحة تحت المنحنى )‪(AUC‬حوالي ‪ .92.30%‬وباإلضافة إلى ذلك‪ ،‬أتاح استخدام عملية التسلسل الهرم التحليلي (‪ )AHP‬جنبًا إلى‬
‫جنب مع طريقة المعادلة العالمية لخسائر التربة (‪ )RUSLE‬ونماذج من المرحلة السادسة عشرة من مشروع المقارنة البينية للنماذج‬
‫المقترنة (‪ )CMIP6‬في سهل الحوز تقدير خسائر التربة الحالية والمستقبلية في عام ‪ ،2040‬حيث أظهرت النتائج في هذه المرحلة زيادة‬
‫بنسبة ‪ 24.90%‬و ‪ 50.40%‬على التوالي لسيناريوهات ‪ RCP2.6‬و‪.RCP8.5‬‬
‫أخيرا‪ ،‬تم استخدام سبع خوارزميات للتعلم اآللي‪ ،‬بما في ذلك آلة دعم المتجهات (‪ ،)SVM‬و‪-K‬أقرب جار (‪ ،)KNN‬والغابة العشوائية‬
‫ً‬
‫(‪ ،)RF‬والتقلص المعزز بالتدرج الفائق (‪ ،)XGBoost‬والشبكة العصبية االصطناعية (‪ ،)ANN‬وشجرة القرار (‪ ،)DT‬واالنحدار‬
‫اللوجستي (‪ ،)LR‬لرسم خريطة والتنبؤ بقابلية التأثر بالمخاطر الجيولوجية الثالثة األكثر شيوعًا في المنطقة‪ ،‬وهي ; الفيضانات وتآكل‬
‫األخاديد واالنهيارات األرضية من أجل إنشاء خريطة متعددة المخاطر‪ ،‬مما يكشف عن نتائج متغيرة اعتمادا ً على الخصائص الطوبوغرافية‬
‫والجيومورفولوجية والجيولوجية والمناخية وخصائص استخدام األراضي‪ .‬تُظهر نتائج تطبيق هذه النماذج القائمة على خوارزميات التعلم‬
‫اآللي أن نموذج (‪ )XGBoost‬يحقق أفضل أداء‪ ،‬حيث بلغت نسبة استخدامات التخصيص الترددي ‪ 91.07%, 93.78%‬و ‪93.41%‬‬
‫على التوالي للمخاطر الجيولوجية للفيضانات وتآكل األخاديد واالنهيارات األرضية‪.‬‬
‫تقدم أطروحة الدكتوراه هذه منهجية أكثر دقة لتقييم القابلية للتأثر بعدة أنواع من المخاطر‪ .‬وتكتسب هذه المنهجية أهمية كبيرة للمخططين‬
‫وصانعي السياسات‪ ،‬حيث أنها تتيح تحديد المناطق الحساسة على أساس التأثير النسبي لكل عامل خاص بمنطقة معينة‪ .‬وتتيح خريطة قابلية‬
‫التأثر باألخطار المتعددة لمستجمع تانسيفت وسهل الحوز في المغرب الفرصة للسلطات المحلية لوضع تدابير واستراتيجيات تخفيف‬
‫مصممة خصيصا ً للتعامل مع المخاطر المتعددة التي قد تنشأ في المستقبل‪.‬‬

‫الكلمات المفتاحية‪ :‬حوض تانسيفت‪ ،‬سهل الحوز‪ ،‬المخاطر الطبيعية‪ ،‬رسم خرائط القابلية للتأثر‪ ،‬األساليب اإلحصائية‪ ،‬التعلم اآللي‬
‫والمخاطر المتعددة‪.‬‬

‫‪vi‬‬
 Sommaire

Remerciements ..................................................................................................................................... i
Résumé ............................................................................................................................................... iii
Abstract .............................................................................................................................................. v
‫ الملخص‬................................................................................................................................................. vi
LISTE DES FIGURES.................................................................................................................... xii
LISTE DES TABLEAUX .............................................................................................................. xvi
1. Introduction ............................................................................................................................. 18
2. Champ de la thèse.................................................................................................................... 23
2.1 Recherche connexe ...................................................................................................................... 23
2.2 Questions de recherche ................................................................................................................ 24
2.3 Format et articulation de la thèse................................................................................................. 26
2.4 Zone d’étude et données utilisées ................................................................................................ 26
2.5 Contexte géologique .................................................................................................................... 28
2.5.1 Caractères litho-stratigraphiques..........................................................................................29
2.5.2 La tectonique........................................................................................................................33
2.6 Contexte climatique..................................................................................................................... 34
3. Méthodes .................................................................................................................................. 35
3.1 Équation universelle révisée de perte de sol (RUSLE) ...................................................................... 35
3.2 Changement climatique .......................................................................................................................... 36
3.3 Taux de fréquence (FR) et taux de prédiction (PR) ............................................................................ 37
3.4 Analyse décisionnelle multicritères (MCDA) ..................................................................................... 38
3.5 Les modèles d’apprentissage automatique (ML) ................................................................................ 39
3.5.1 Machine à vecteurs de support (SVM) .................................................................................... 39
3.5.2 Réseau de neurones artificiels (ANN) ................................................................................. 39
3.5.3 Forêt aléatoire (RF) ............................................................................................................. 40
3.5.4 Arbre de décision (DT)............................................................................................................ 42
3.5.5 Régression logistique (LR) ...................................................................................................... 42
3.5.6 K-Voisins les plus proches (KNN) .......................................................................................... 43
3.5.7 Contraction extrême avec renforcement du gradient (GXB) ............................................... 43
4. Sélection de facteurs multirisques.......................................................................................... 44
5. Validation des modèles ............................................................................................................ 45

vii
 PARTIE 1: RISQUES DE MOUVEMANTS DE TERRAIN

CHAPITRE I: CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX GLISSEMENTS DE TERRAIN AU

NIVEAU DE TIZI N’TICHKA (FR & PR)

1.1 Résumé ............................................................................................................................................................ 49

1.2 Introduction ..................................................................................................................................................... 50
1.3 Matériel et méthodes...................................................................................................................................... 50
1.3.1 Zone d'étude ............................................................................................................................... 52
1.3.2 Collecte de données .................................................................................................................... 56
1.3.3 Inventaires et préparation des facteurs de conditionnement des glissements de terrain ............. 57
1.3.4 Modélisation et analyse statistique ............................................................................................. 61
1.3 Résultats .......................................................................................................................................................... 63
1.4.1 Analyse des facteurs influençant les glissements de terrain ....................................................... 63
1.4.2 Carte de susceptibilité aux glissements de terrain et validation ................................................. 67
1.5 Discussion ....................................................................................................................................................... 69
1.6 Conclusion....................................................................................................................................................... 71

CHAPITRE II: CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX GLISSEMENTS DE TERRAIN

AU NIVEAU DES SOUS BASSINS DE TENSIFT (ML)

2.1 Résumé ............................................................................................................................................................ 74

2.2 Introduction ..................................................................................................................................................... 75
2.3 Matériel et méthodes...................................................................................................................................... 78
2.3.1 Zone d'étude ............................................................................................................................... 78
2.3.2 Carte de l'inventaire des glissements de terrain .......................................................................... 80
2.3.2 Collecte de données .................................................................................................................... 81
2.3.3 Facteurs de conditionnement des glissements de terrain (LCF) ................................................. 82
2.3.4 Préparation des données sur les glissements de terrain .............................................................. 85
2.4 Résultats .......................................................................................................................................................... 87
2.4.1 Traitement de la multicolinéarité dans l'analyse factorielle et la sélection des facteurs............. 87
2.4.2 Cartographie des glissements de terrain ..................................................................................... 89
2.4.2 Validation et comparaison des modèles ..................................................................................... 93
2.5 Discussion ....................................................................................................................................................... 96

viii
 2.6 Conclusion....................................................................................................................................................... 98

PARTIE 2: RISQUES DE L'ÉROSION HYDRIQUE

CHAPITRE III: QUANTIFICATION ET ÉVOLUTION DES PERTES DE SOL ACTUELLES

3.1 Résumé .......................................................................................................................................................... 102

3.2 Introduction .................................................................................................................................................. 103
3.3 Matériels et méthodes .................................................................................................................................. 104
3.2.1 Zone d’étude ............................................................................................................................. 104
3.2.2 Méthodes .................................................................................................................................. 105
3.2.3 Types et sources de données..................................................................................................... 106
3.2.4 Modèle RUSLE ........................................................................................................................ 107
3.2.5 Validation des résultats ............................................................................................................ 114
3.3 Résultats et discussion ................................................................................................................................. 115
3.3.1 Distribution spatiale des facteurs de RUSLE .......................................................................... 115
3.3.2 Évaluation de l'évolution des pertes des sols annuelles.......................................................... 117
3.4 Conclusion..................................................................................................................................................... 118
CHAPITRE IV: QUANTIFICATION ET ÉVOLUTION DES PERTES DE SOL ACTUELLES ET
FUTURES FACE AUX CHANGEMENTS CLIMATIQUE
4.1 Résumé .......................................................................................................................................................... 120
4.2 Introduction ................................................................................................................................................... 121
4.3 Matériel et méthodes.................................................................................................................................... 123
4.3.1 Modèle RUSLE ........................................................................................................................ 124
4.3.2 Poids relatifs des facteurs de l'équation de RUSLE ................................................................. 126
4.3.3 Prévision de l'érosion future des sols à l'aide de la modélisation spatiale ................................ 128
4.4 Résultats et discussion ................................................................................................................................. 129
4.4.1 Taux actuel d'érosion hydrique du sol basé sur AHP .......................................................................... 129
4.4.2 Potentiel de perte de sol dans la plaine du Haouz .................................................................... 132
4.5 Conclusion..................................................................................................................................................... 136
CHAPITRE V: CARTOGRAPHIE DE LA VULNÉRABILITÉ À L'ÉROSION PAR RAVINEMENT
(ML)
5.1 Résumé .......................................................................................................................................................... 138
5.2 Introduction ................................................................................................................................................... 139
5.3 Matériels et méthodes .................................................................................................................................. 142

ix
 5.3.1 Méthodologie............................................................................................................................ 142
5.4 Résultats ........................................................................................................................................................ 149
5.4.1 Multicollinéarité et sélection des facteurs ................................................................................ 149
5.4.2 Cartes de susceptibilité à l'érosion par ravinement................................................................... 151
5.4.3 Performance des modèles utilisés ............................................................................................. 156
5.5 Discussions.................................................................................................................................................... 159
5.5.1 Évaluation de la précision des sept modèles ............................................................................ 159
5.5.2 L'importance des facteurs de conditionnement ........................................................................ 159
5.5.3 Cartes de susceptibilité à l'érosion par ravinement................................................................... 160
5.6 Conclusion..................................................................................................................................................... 160

PARTIE 3: RISQUES D'INONDATIONS

CHAPITRE VI: CARTOGRAPHIE DE LA VULNÉRABILITÉ AUX INONDATIONS (ML)

6.1 Résumé .......................................................................................................................................................... 165

6.2 Introduction ................................................................................................................................................... 166
6.3 Matériels et méthodes .................................................................................................................................. 169
6.3.1 Facteurs prédictifs et conditionnant des inondations ................................................................ 169
6.3.2 Inventaire des zones inondables ............................................................................................... 173
6.3.3 Organigramme de la méthodologie .......................................................................................... 174
6.4 Résultats ........................................................................................................................................................ 175
6.4.1 Multicollinéarité et sélection des facteurs ................................................................................ 175
6.4.2 Cartes de vulnérabilité aux inondations ................................................................................... 177
6.4.3 Performance des sept modèles ML utilisés .............................................................................. 181
6.4.4 Hiérarchisation des sept modèles utilisés ................................................................................ 183
6.5.1 Facteurs influençant la vulnérabilité aux inondations ........................................................................ 185
6.5.2 Performance des modèles et efficacité de la méthodologie ...................................................... 185

PARTIE 4: RISQUES MULTIPLES

CHAPITRE VII: CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX RISQUES MULTIPLES (ML)

7.1 Résumé .......................................................................................................................................................... 191

7.2 Introduction ................................................................................................................................................... 192

x
 7.3 Matériels et méthodes .................................................................................................................................. 194
7.3.1 Inventaire multirisques ............................................................................................................. 194
7.3.2 Collecte de données .................................................................................................................. 196
7.3.3 Facteurs de conditionnement multirisques (MCFs).................................................................. 197
7.3.4 Organigramme de la méthodologie .......................................................................................... 201
7.4 Résultats ........................................................................................................................................................ 203
7.4.1 Cartes multirisques ................................................................................................................... 203
205
7.5 Discussion ..................................................................................................................................................... 205
7.5 Conclusion..................................................................................................................................................... 208
7.4 Résultats et discussions ............................................................................................................................... 211
7.4.1 Pertes de sol et érosion par ravinement .................................................................................... 211
7.4.2 Inondations ............................................................................................................................... 211
7.4.3 Glissement de terrain ................................................................................................................ 213
7.4.4 Evaluation des risques multiples (Multirisques) ...................................................................... 213
6. Conclusions générales ........................................................................................................... 217
Annexe ............................................................................................................................................ 221
Références ...................................................................................................................................... 222

xi
 LISTE DES FIGURES

Fig. 1: Cadre de risque de l'UNDRR (Source : IPCC 2014). ...................................................................... 22

Fig. 2: Situation géographique de la zone d'étude ...................................................................................... 27
Fig. 3: (1) Carte géologique montrant le bassin versant de Tensift et la plaine du Haouz (extrait de la carte
géologique au 1/500000), (2) Coupes géologiques dans la plaine du Haouz (Ambroggi et Thuille, 1952) et
(3) Colonne stratigraphique synthétique du Haut Atlas (Redessiné : [Link]). ................................ 30
Fig. 4: Carte géologique montrant la plaine du Haouz et ses limites (extrait de la carte géologique au
1/500000) (Redessiné : [Link]). ...................................................................................................... 33

Chapitre 1

Fig 1. 2 : Cadre géographique de la zone d'étude et vue panoramique d'une partie de la route nationale 9
(RN9)........................................................................................................................................................... 54
Fig 1. 3: Carte géologique de la zone d'étude et de ses environs (extraite de la carte géologique 1/200000
de Demnat et Telouat) ................................................................................................................................. 55
Fig 1. 4: Illustration de quelques types d'anomalies à Tizi N'Tichka (a, b) images satellite Google Earth
Pro prises en 2022 (c, d, e) vérifications sur le terrain prises en 2023. ....................................................... 56
Fig 1. 5: Cartes thématiques de la zone d'étude : de gauche à droite, première ligne : Élévation, courbure,
TWI et précipitations annuelles moyennes. Deuxième rangée : Pente, Aspect, NDVI et SPI. Troisième
ligne : Utilisation des sols, distance aux rivières, distance aux routes et distance aux failles. Quatrième
ligne : Lithologie ......................................................................................................................................... 60
Fig 1. 6: Organigramme de la méthodologie développée ........................................................................... 61
Fig 1. 7: (a) Carte finale de l'indice de susceptibilité aux glissements de terrain (LSI) : (b) Taux de
prédiction des facteurs de conditionnement, (c) Courbes ROC des échantillons de test, et (d) Courbes ROC
des échantillons de validation...................................................................................................................... 69

Chapitre 2

Fig 2. 1: Situation géographique (A) bassin versant du Tenfist, (B) et (C) sous-bassins du Tensift. ......... 78
Fig 2. 2 : Inventaires des glissements de terrain dans les sept sous-bassins du Tensift. ............................. 81
Fig 2. 3 : (a) Aspect, (b) Type de sol, (c) Distance aux routes, (d) TPI, (e) TWI, (f) Distance aux failles,
(g)NDVI, (h) LULC, (i) Précipitations, (j) Distance aux rivières, (k) Élévation, (l) Profil de courbure, (m)
Pente et (n) Lithologie. ................................................................................................................................ 85
Fig 2. 4 : Organigramme de la méthodologie élaborée. .............................................................................. 86
Fig 2. 5 : Traitement de la multicolinéarité dans l'analyse factorielle par (VIF) et (TOL). ........................ 88
Fig 2. 6 : Réalisation d'une analyse de multicolinéarité sur les facteurs de conditionnement à l'aide de la
matrice de corrélation. ................................................................................................................................. 88
Fig 2. 7 : Les résultats de l'importance relative (MI) des facteurs de conditionnement.............................. 88
Fig 2. 8 : Cartes de susceptibilité aux glissements de terrain dans les sous-bassins du Tensift, estimées par
les modèles (a) SVM, (b) RF, (c) LR, (d) KNN, (e) DT, (f) ANN, et (g) XGBoost. .................................. 90
Fig 2. 9 : Pourcentages de la superficie de chaque sous-bassin dans le bassin de Tensift en termes de
couverture de susceptibilité aux glissements de terrain............................................................................... 91
Fig 2. 10 : Pourcentage de zones exposées aux glissements de terrain dans les sous-bassins versants de
Tensift à l'aide des algorithmes (h), (a) SVM, (b) RF, (c) LR, (d) KNN, (e) DT, (f) ANN, (g) XGBoost, (h)
comparaison globale des modèles utilisés dans (a-g). ................................................................................. 93
Fig 2. 11 : Analyse de la courbe ROC de différents modèles de glissement de terrain en utilisant (a) des
données d'entraînement et (b) des données de test. ..................................................................................... 95

xii
Fig 2. 12 : Évaluation de la performance de différents modèles à l'aide des valeurs RMSE. ..................... 96

Chapitre 3

Fig 3. 1: Carte de localisation de la plaine du Haouz avec son réseau hydrographique. .......................... 105
Fig 3. 2 : Méthodologie d'estimation de l'érosion potentielle à l'aide de l'approche RUSLE ................... 106
Fig 3. 3 : Carte de localisation des stations météorologiques où les données de précipitations ont été
récupérées pour cette étude et carte de la distribution spatiale du facteur R en a 1992, b 2002, et c 2020.
................................................................................................................................................................... 108
Fig 3. 4 : Carte de la distribution spatiale du facteur K ............................................................................ 110
Fig 3. 5 : Carte du facteur topographique LS sur le périmètre de la plaine du Haouz .............................. 111
Fig 3. 6 : Carte de l'occupation des sols de la zone d'étude en a 1992, b 2002 et c 2020. Et une carte de la
distribution spatiale du facteur C en : a1 1992 ; b1 2002, et c1 2020. ...................................................... 112
Fig 3. 7 : Végétation basée sur le NDVI extraite de la scène Landsat en a date 1992, b date 2002, c date
2020 et Carte de la distribution spatiale du facteur P en a1 1992 ; b1 2002 et c1 2020 ............................ 113
Fig 3. 8 : Distribution spatiale de l'érosion des sols dans la plaine du Haouz en a 1992 b 2002 c 2020 .. 116

Chapitre 4
Fig 4. 1: Méthodologie d'estimation de l'érosion hydrique actuelle et future à l'aide de l'approche RUSLE.
................................................................................................................................................................... 124
Fig 4. 2 : Evolution des précipitations par facteur d'érosivité (R) de 1992 à 2020 pour les 9 stations
climatiques de la zone d'étude. .................................................................................................................. 125
Fig 4. 3 : Cartes de facteurs RUSLE (a) longueur et inclinaison de la pente, facteur LS ; (b) pratique de
soutien, facteur P ; (c) érodabilité du sol, facteur K ; (d) gestion de la couverture, facteur C ; et (e)
érosivité des précipitations, facteur R. ...................................................................................................... 129
Fig 4. 4 : Carte de l'érosion hydrique annuelle du sol modélisé actuel (1992-2020). ............................... 131
Fig 4. 5 : (a) Cartes du facteur d'érosion des précipitations pour 2040 selon plusieurs scénarios climatiques
et des trajectoires de concentration réalistes (RCP). Premièrement : CNRM-CM6-1 (RCP2.6, 8.5).
Deuxième ligne : EC-Earth3-veg (RCP2.6, 8.5). Troisième ligne : HadGEM-GC3I-LL (RCP2.6, 8.5).
Quatrième ligne : IPSL CM6A-LR (RCP2.6, 8.5). Cinquième ligne : MPI-ESMI-2-LR (RCP2.6, 8.5)
Unité : [Link]/ [Link]. (b) Cartes des pertes potentielles de sol selon les scénarios climatiques et les
trajectoires de concentration exemplaires pour 2040 (RCP). Première ligne : CNRM-CM6-1 (RCP2.6,
8.5). Deuxième ligne : EC-Earth3-veg (RCP2.6, 8.5). Troisième ligne : HadGEM-GC3I-LL (RCP2.6, 8.5).
Quatrième ligne : IPSL-CM6A-LR (RCP2.6, 8.5). Cinquième ligne : MPI-ESMI-2-LR (RCP2.6, 8.5).
Unité : t/ha/an ............................................................................................................................................ 133
Fig 4. 6 : (a) Changement du facteur d'érosion des précipitations pour 2040 selon les scénarios climatiques
et les voies de concentration représentatives (RCP). Première ligne : CNRM-CM6-1 (RCP2.6, 8.5).
Deuxième ligne : EC-Earth3 veg (RCP2.6, 8.5). Troisième ligne : HadGEM- GC3I-LL (RCP2.6, 8.5).
Quatrième ligne : IPSL-CM6A-LR (RCP2.6, 8.5). Cinquième ligne : MPI-ESMI 2-LR (RCP2.6, 8.5). Les
zones violettes représentent les diminutions et les zones vertes représentent les augmentations de la valeur
de l'érosivité des précipitations par rapport à la valeur actuelle. Unité : ([Link]/ [Link]) (b) Changement
dans la perte potentielle de sol pour 2040 selon les scénarios climatiques et les voies de concentration
représentatives (RCP). CNRM-CM6-1 (RCP2.6, 8.5). Deuxième ligne : EC-Earth3-veg (RCP2.6, 8.5).
Troisième ligne : HadGEM-GC3I-LL (RCP2.6, 8.5). Quatrième ligne : IPSL-CM6A-LR (RCP2.6, 8.5).

xiii
Cinquième ligne : MPI-ESMI-2-LR (RCP2.6, 8.5). Par rapport à la valeur existante, les régions bleues
indiquent des réductions potentielles de la perte de sol, tandis que les régions rouges indiquent des
augmentations potentielles de la perte de sol. Unité : (t/ha/an). .............................................................. 134
Fig 4. 7 : Classes de changements dans les taux d'érosion hydrique actuels et futurs (2040) selon les deux
voies climatiques RCP2.6 et RCP8.5. ....................................................................................................... 135

Chapitre 5

Fig 5. 1: Organigramme de la méthodologie développée. ........................................................................ 143

Fig 5. 2 : Carte d'inventaire du bassin versant de Tensift et de la plaine du Haouz et exemples de zones
d'érosion par ravinement (a, b, c, d, e, et f) photos de terrain (g) image satellite Sentinel et (h) modèle
numérique de surface................................................................................................................................. 144
Fig 5. 3 : Facteurs conditionnant l'érosion par ravinement dans la zone d'étude (a) Pente en ° , (b) Aspect,
(c) Élévation, (d) Courbure, (e) Profondeur de la vallée, (f) IPT, (g) Précipitations, (h) TWI, (i) NDVI, (j)
Densité de drainage (k) Lithologie, (l) LULC, (m) Facteur LS (n) Distance par rapport aux rivières, (o)
SPI, (p) TRI, (q) Géomorphons et (r) Facteur K. ...................................................................................... 148
Fig 5. 4: Analyse de la multicolinéarité des facteurs de conditionnement par le facteur d'inflation de la
variance (VIF) et la tolérance (TOL)......................................................................................................... 150
Fig 5. 5 : Analyse de la multicolinéarité des facteurs de conditionnement à l'aide de la matrice de
corrélation.................................................................................................................................................. 151
Fig 5. 6: Facteurs conditionnant l'érosion par ravinement en relation avec la force de prédiction pour tous
les modèles ................................................................................................................................................ 151
Fig 5. 7: Cartes GES du bassin versant de Tensift et de la plaine du Haouz prédites par les modèles (a)
SVM, (b) RF, (c) LR, (d) KNN, (e) DT, (f) ANN et (g) XGBoost. .......................................................... 153
Fig 5. 8: Pourcentage de zones de ravinement érodées dans le bassin versant du Tensift pour les modèles
utilisés........................................................................................................................................................ 154
Fig 5. 9: Pourcentage de zones de ravinement érodées dans la plaine du Haouz pour les modèles utilisés.
................................................................................................................................................................... 155
Fig 5. 10 : Analyse de la courbe ROC de différents modèles d'érosion par ravinement en utilisant (a) des
données d'entraînement, (b) des données de validation............................................................................. 157
Fig 5. 11: La performance des différents modèles d'érosion par ravinement à l'aide des valeurs RMSE. 158

Chapitre 6

Fig 6. 1 : Les quinze facteurs d'inondation développés pour la zone d'étude, a: courbure du plan, b:
précipitation, c: Aspect, d : Accumulation de débit, e: TPI, f: SPI, g: TRI, h: Pente, i: Type de sol, j:
Élévation, k: Distance de la rivière, l: HSG, m: Courbure du profil, n: LULC, o: TWI, et p: Inventaire des
zones inondées et non inondées). [Source - auteurs de l'étude] ................................................................ 172
Fig 6. 2 : Carte d'inventaire et exemples d'inondations dans le bassin versant du Tensift et la plaine du
Haouz [Source - auteurs de l'étude]........................................................................................................... 173
Fig 6. 3 : Aperçu du processus méthodologique adopté dans cette étude ................................................. 175
Fig 6. 4 : Multicollinearity analysis of conditioning factors using the correlation matrix ........................ 176
Fig 6. 5 : Analyse de la multicolinéarité des facteurs de conditionnement par le facteur d'inflation de la
variance (VIF) et la tolérance (TOL)......................................................................................................... 176

xiv
Fig 6. 6 : Facteurs de conditionnement des inondations en relation avec la force de prédiction pour tous les
modèles...................................................................................................................................................... 177
Fig 6. 7 : Cartes de susceptibilité aux inondations du bassin versant de Tensift prédites par les modèles
SVM, RF, LR, KNN, DT, ANN et XGBoost [Source : auteurs de l'étude]. ............................................. 179
Fig 6. 8 : Pourcentage de la zone de susceptibilité aux inondations dans le bassin versant de Tensift des
modèles utilisés ......................................................................................................................................... 180
Fig 6. 9 : Pourcentage de la surface de susceptibilité aux inondations dans la plaine du Haouz des modèles
utilisés........................................................................................................................................................ 180
Fig 6. 10 : Analyse de la courbe ROC de différents modèles d'inondation en utilisant (a) des données
d'entraînement, (b) des données de validation........................................................................................... 183
Fig 6. 11 : La performance des différents modèles d'inondation à l'aide des valeurs RMSE ................... 183
Fig 6. 12 : Priorité donnée aux modèles en phase d'entrainement et de test ............................................. 184

Chapitre 7

Fig 7. 1: Zone d'étude du bassin versant du Tensift et de la plaine du Haouz. ......................................... 195
Fig 7. 2 : Photographies des trois risques dans le bassin versant de Tensift collectées sur le terrain. 1a, 1b
et 1c Inondations ; 2a, 2b et 2c Erosion par Ravinement ; 3a et 3b Glissements de terrain. NB : leurs
emplacements sont indiqués sur la Fig7. 1. ............................................................................................... 196
Fig 7. 3 : a Pente en °, b aspect, c altitude, d précipitations, e TWI, f NDVI, g densité de drainage, h
lithologie, i LULC, j facteur LS, k distance aux rivières, l SPI, m TRI, n géomorphons, o facteur K, p
HSG, q distance aux routes, r type de sol, s accumulation de flux, t courbure du profil, u distance aux
failles, v courbure, w profondeur de la vallée, x TPI et y courbure du plan. ............................................ 200
Fig 7. 4: Organigramme de la méthodologie développée dans le cadre de cette étude. ........................... 203
Fig 7. 5: Une carte des risques multirisques a été élaborée à l'aide du modèle XGBoost le plus puissant.
................................................................................................................................................................... 204
Fig 7. 6: Pourcentage des différents types de risques dans la région étudiée. .......................................... 205

xv
 LISTE DES TABLEAUX

Chapitre 1

Tableau 1. 1: Rapport de fréquence (FR), fréquence relative (RF) de chaque classe et taux de prédiction
(PR) de chaque facteur de conditionnement. ............................................................................................... 66
Tableau 1. 2: La superficie en Km2 et le pourcentage de la superficie des résultats des cinq classes de
susceptibilité aux glissements de terrain. .................................................................................................... 68

Chapitre 2

Tableau 2. 1: Caractéristiques physiographiques et géologiques des sept sous-bassins de l'Atlas. ........... 79

Tableau 2. 2 : Données et sources utilisées. ............................................................................................... 81
Tableau 2. 3 : Évaluation de la performance des sept modèles à l'aide de données d'entraînement. ......... 94
Tableau 2. 4 : Performance des sept modèles sur la base de données de test ............................................ 94

Chapitre 3

Tableau 3. 1: Les sources et la description des types de données utilisées dans cette étude. .................. 107
Tableau 3. 2 : Coordonnées des stations pluviométriques de référence................................................... 108
Tableau 3. 3 : Types de sols, valeurs K et calcul de ƒcsand, ƒcl-si, ƒorgC et ƒhisand de Williams (2000)
dans la zone d'étude ................................................................................................................................... 110
Tableau 3. 4 : Valeur et superficie en (Ha) des facteurs C pour les différents types d'occupation du sol
considérés .................................................................................................................................................. 113
Tableau 3. 5: Pourcentage de surface (Ha) et valeurs du facteur P suggérées par Wischmeier et Smith
(1978) ........................................................................................................................................................ 114
Tableau 3. 6 : Classes de gravité de l'érosion des sols en fonction de la superficie totale des terres en
1992, 2002 et 2020 .................................................................................................................................... 116

Chapitre 4

Tableau 4. 1: L'importance relative des facteurs et leur expression numérique sur la base de l'échelle de
Saaty (Saaty 1980)..................................................................................................................................... 126
Tableau 4. 2 : Matrice de comparaison par paire et poids normalisés des facteurs dans l'équation RUSLE
pour AHP ; λmax, RI et CR ...................................................................................................................... 127
Tableau 4. 3 : Liste des cinq GCMs CMIP6, des institutions et des pays qui les ont déclarés, et résolutions
horizontales des incréments de la grille..................................................................................................... 128

Chapitre 5

Tableau 5. 1: Sources, équations et traitement des données utilisées dans cette étude. ........................... 146
Tableau 5. 2: Performance des sept modèles à partir de données d'entraînement. .................................. 156
Tableau 5. 3: Performance des sept modèles utilisant des données de test. ............................................. 157

Chapitre 6

xvi
Tableau 6. 1: Sources, équations et traitement des données utilisées dans cette étude. ........................... 170
Tableau 6. 2 : Performance des sept modèles à partir de données d'entraînement .................................. 181
Tableau 6. 3 : Performance des sept modèles sur la base de données de test .......................................... 182

Chapitre 7

Tableau 7. 1: Données et sources utilisées. .............................................................................................. 197

Tableau 7. 2 : Facteurs de conditionnement testés et utilisés pour cartographier la vulnérabilité à des
risques multiples ........................................................................................................................................ 198

xvii
1. Introduction

Notre monde est marqué par des paysages variés et imprévisibles, avec de nombreuses
menaces omniprésentes. Les catastrophes naturelles touchent de plus en plus de personnes,
causant des dégâts aux vies humaines et aux biens, ce qui fait grimper les coûts financiers
(Bammou et al., 2024; Wang et al., 2024). En général, les catastrophes naturelles ont de
graves conséquences sur les communautés autochtones, laissant un impact durable qui
pourrait prendre de nombreuses années pour se stabiliser et revenir à la normale (He et al.,
2024). Les aléas sont des incidents antagonistes importants résultant de développements
naturels ou d'origine humaine qui ont un impact sur l'incidence de divers aléas tels que les
tremblements de terre, les inondations, les incendies de forêt, les glissements de terrain, les
tsunamis, les volcans et bien d'autres (Chen et al., 2018). Les catastrophes naturelles sont des
actions hostiles notables résultant de la dynamique naturelle de la terre. La cause évidente de
la catastrophe dépend de la vulnérabilité de la région face à celle du risque (Bammou et al.,
2024). Ces dernières années, nous avons vu des tremblements de terre détruire des villes
entières, des incendies de forêt carboniser des hectares de terres, des cyclones ravager des
propriétés et des inondations massives entraîner des pertes de vies humaines, des biens
endommagés et des habitants désemparés. D’après les rapports de Munich Re, un réassureur
mondial, les pertes totales dues principalement aux catastrophes naturelles dans le monde sont
estimées à environ 3 139 millions d'euros en 2021, 2 118 millions d'euros en 2022 et 2 587
millions d'euros en 2023 (Munich Re, 2023). L’Agence européenne pour l’environnement
(EEA) a déclaré que la recrudescence des pertes ces derniers temps en Europe est
principalement due à l’activité humaine accrue dans les régions sujettes aux risques (EEA,
2017). Il est également prévu que le changement climatique ainsi que les événements
météorologiques extrêmes, tels que l’augmentation des températures, la fluctuation des
précipitations, la fonte des calottes neigeuses et l’élévation du niveau de la mer, augmenteront
de manière alarmante à l’avenir (Seneviratne et al., 2012).

Les inondations sont considérées comme un risque naturel périlleux qui se produit
fréquemment au cours de la dernière décennie dans la plupart des régions du monde. Elles
résultent d'une phase prolongée de précipitations ou de la fonte des neiges, en conjonction
avec des conditions défavorables (Kalantari et al., 2019; Bammou et al., 2024). Au niveau
mondial, la prévalence des inondations a augmenté de plus de 40 % au cours des dernières
années (Hirabayashi et al., 2013). L'augmentation de la fréquence des inondations est due à
l'intensification de la dégradation de l'environnement, telle que l'augmentation de la

18
population, la désertification rapide des forêts et l'urbanisation accélérée (Y. Wang et al.,
2019). Peu de facteurs affectent de manière significative l'occurrence des inondations comme
le paysage, la géomorphologie et, ces dernières années, le changement climatique (Khosravi
et al., 2019; Bammou et al., 2024). Les inondations sont des risques d'origine humaine ou
naturelle qui se transforment en catastrophe lorsqu'elles affectent des vies et des
constructions, provoquant des dommages et des pertes. En supposant que les inondations se
produisent à intervalles réguliers, les dégâts sont également élevés, impactant durement les
vies humaines, affaiblissant les finances, perturbant tous les systèmes de transport et les
infrastructures, et déstabilisant la stabilité environnementale (Yu et al., 2013). La population
résidant dans des zones inondables dangereuses devrait atteindre environ 1,3 milliard de
personnes d'ici 2050, ce qui est considérable (Ligtvoet et al., 1991). L'évaluation des
inondations est impérative pour des raisons socio-économiques et environnementales
(Markantonis et al., 2013).

Les glissements de terrain sont des mouvements gravitationnels de débris ou de masses

rocheuses qui descendent la pente (Naceur et al., 2022; Youssef et al., 2023a). En général, les
glissements de terrain comprennent des coulées de boue, des débris et des roches, et peuvent
être classés en fonction de leur matériau. Ce matériau peut être le sol, les débris ou les roches.
Le mouvement des glissements de terrain peut prendre plusieurs formes: avalanche,
glissement, écoulement, chute, basculement et étalement (Oliveira et al., 2024). Ils peuvent
être activés par divers phénomènes naturels tels que des précipitations importantes et
prolongées, l'activité sismique, la fonte des neiges, ainsi que par des activités humaines,
principalement la construction de routes, la construction d'infrastructures et la déforestation.
Les glissements de terrain peuvent également résulter de l'amalgame de développements
naturels et anthropiques (Pourghasemi & Rahmati, 2018). Les incidences des glissements de
terrain sont dues à la dégradation des terres qui modifie les paysages, entraînant l'érosion de la
couche arable, la destruction des habitations et des obstacles écologiques (Rahmati et al.,
2020). Au cours de la dernière décennie, l'urbanisation rapide, en l'absence de recherche et de
planification appropriées, a entraîné des glissements de terrain persistants (Li & Wang, 2019).
En raison de la récurrence des glissements de terrain ces derniers temps, la communauté
scientifique ainsi que les gestionnaires et les planificateurs ont accordé une attention
particulière à la compréhension des glissements de terrain et aux approches d'évaluation pour
une meilleure planification et l'élaboration de mesures d'atténuation (Zhou et al., 2024; Choi
et al., 2024). Habituellement, les glissements de terrain sont dus à un processus naturel, bien

19
que, récemment, ils aient été déclenchés par des activités humaines (Wang et al., 2024;
Youssef et al., 2023a).

L'érosion hydrique est l'enlèvement du sol par l'eau et le transport des matériaux érodés
loin du point d'enlèvement. L'action de l'eau, due à la pluie, érode le sol et provoque des
phénomènes tels que l'érosion des ravins et des rigoles, entraînant des effets en aval comme
les inondations et la sédimentation. La gravité de l’érosion hydrique dépend de la pente, du
type de sol, de la capacité de stockage de l’eau du sol, de la nature de la roche sous-jacente, de
la couverture végétale, ainsi que de l’intensité et de la durée des précipitations (Beroho et al.,
2023; Ouallali et al., 2024).

L'érosion hydrique des sols est un problème qui affecte la qualité de l'environnement dans de
nombreuses régions du monde, notamment en Chine (Ye & Van Ranst, 2009), en Europe
(Panagos & Katsoyiannis, 2019) et en Amérique du Nord (Baumhardt et al., 2015). L'Afrique
subsaharienne fait également partie des régions considérablement touchées par une forte
érosion des sols (Asenso-Okyere & Jemaneh, 2012). Environ 25 % des terres dégradées dans
le monde se trouvent en Afrique, et on estime que 65 % des terres agricoles africaines sont
dégradées principalement à cause de l'érosion des sols (Tesfaye et al., 2014). En Afrique,
chaque année, environ 6,5 millions d'hectares de terres cultivées sont abandonnés pendant
différentes périodes en raison de l'érosion grave des sols (Mekonnen & Tesfahunegn, 2011),
ce qui pourrait avoir un impact considérable sur la productivité des terres et la sécurité
alimentaire. L'érosion des sols a été évaluée à l'aide de différentes techniques en fonction des
ressources, de la couverture temporelle et spatiale, et des compétences. L'érosion par
déversement, qui est l'une des caractéristiques de l'érosion se produisant principalement sur
les terres cultivées, avec une profondeur allant jusqu'à 30 cm, peut être estimée par le biais
d'enquêtes sur le terrain (Gessesse et al., 2015). Les érosions en creux sont des
caractéristiques visibles, qui permettent aux agriculteurs de reconnaître la perte de sols
cultivés (Betela & Kebede, 2021). Outre la capacité d'érosion du ruissellement de surface,
l'écoulement de l'eau dans le canal de la rigole peut facilement transporter le sol détaché vers
le bas de la pente.

L'érosion hydrique est principalement causée par les précipitations. Le ruissellement et

l'érosion des sols sont particulièrement influencés par les caractéristiques des précipitations,
comme la quantité, la durée, l'intensité, l'énergie cinétique et l'érosivité (Bammou et al., 2023
& 2024; Benzougagh et al., 2024). Les expériences de simulation de pluie sont largement

20
utilisées pour explorer l'impact d'une ou plusieurs caractéristiques des précipitations sur le
ruissellement et l'érosion des sols (Almeida et al., 2021).

L'augmentation de la fréquence des pertes de sols est due à l'intensification de la

dégradation de l'environnement, à l'augmentation de la population et aux changements
climatiques (Bammou et al., 2023 & 2024).

Le Bureau des Nations Unies pour la réduction des risques de catastrophe (UNDRR)
travaille principalement sur la réduction des risques de catastrophe à travers le monde. Dans
son cadre conceptuel, l'UNDRR définit le risque comme "la perte potentielle de vies
humaines, de blessures ou de biens détruits ou endommagés qui pourrait survenir dans un
système, une société ou une communauté au cours d'une période donnée, déterminée de
manière probabiliste en fonction de l'aléa, de l'exposition, de la vulnérabilité et de la capacité"
(Noy & Yonson, 2018; UN, 2016). L'aléa est défini comme "un processus, un phénomène ou
une activité humaine susceptible de causer des pertes en vies humaines, des blessures ou
d'autres effets sur la santé, des dommages matériels, des perturbations sociales et
économiques ou une dégradation de l'environnement" (Noy & Yonson, 2018; UN, 2016).
L'exposition est "la situation des personnes, des infrastructures, des logements, des capacités
de production et d'autres biens humains tangibles situés dans des zones exposées aux aléas"
(Noy & Yonson, 2018; UN, 2016). La vulnérabilité désigne "les conditions déterminées par
des facteurs ou processus physiques, sociaux, économiques et environnementaux qui
augmentent la vulnérabilité d'un individu, d'une communauté, d'actifs ou de systèmes aux
impacts des aléas" (Noy & Yonson, 2018; UN, 2016).

21
Fig. 1: Cadre de risque de l'UNDRR (Source : IPCC 2014).

De nombreuses zones peuplées sont sujettes à des risques multiples tels que les
tremblements de terre, les tsunamis, les éruptions volcaniques et les glissements de terrain. La
plupart des analyses effectuées se concentrent sur une approche unique des risques
spécifiques. Se concentrer sur un seul risque est bénéfique, mais lorsque la région est touchée
par plus d'un risque, la décision doit refléter les risques potentiels différentiels liés à tous les
risques, plutôt qu'à un seul d'entre eux. Pour mieux comprendre les risques pour la
communauté, il ne suffit pas de comprendre le potentiel de risque, mais aussi l'interaction
sous-jacente entre les risques et les effets en cascade. Par conséquent, la méthodologie
"multirisque" permet d'améliorer les connaissances sur les risques potentiels auxquels les
sociétés sont confrontées. Dans le Cadre de Sendai pour la réduction des risques de
catastrophe 2015-2030 (Roberts & Pelling, 2016), l'UNDRR définit le terme "multirisque"
comme "les événements dangereux peuvent se produire simultanément ou cumulativement
dans le temps en tenant compte des effets potentiels interdépendants" (UN, 2016).
L'évaluation des multirisques est fondamentale pour évaluer précisément les risques pertinents
dans l'espace, réduire la vulnérabilité et clarifier les priorités de gestion.

Cette thèse met l'accent sur la composante "risque" du cadre de risque en se

concentrant sur la cartographie de la susceptibilité, l’estimation, la quantification et l’impact
du changement climatique. La cartographie de la susceptibilité est une étape cruciale pour

22
l'évaluation de la probabilité de l'incidence de l'aléa dans le temps ou dans les années à venir,
établie sur les conséquences des aspects pertinents affectant une région particulière (Hong et
al., 2015). La carte de susceptibilité dérivée distingue les régions à l'intérieur du champ
d'étude qui sont approximativement susceptibles de subir un aléa, en fonction de la plus ou
moins grande probabilité ou de la catégorisation de cette probabilité (Kron & Geo, 2003;
Godschall et al., 2020). L'objectif de la carte de susceptibilité est de quantifier et
d'appréhender la répartition spatiale de la probabilité de tout risque potentiel dans la région
(Khoirunisa et al., 2021; H. Liu & Lang, 2019b). La cartographie de la susceptibilité des
risques tels que les inondations, les glissements de terrain, les incendies de forêt et les
tremblements de terre peut être utilisée comme un outil utile pour les mesures de gestion.

2. Champ de la thèse

2.1 Recherche connexe

Les risques naturels étant récurrents, l'appréciation et l'évaluation de ces risques

deviennent encore plus impératives pour mettre au point de meilleures mesures d'atténuation
et de gestion. Les avancées technologiques se sont multipliées et ont contribué de manière
significative à améliorer la préparation et à atténuer les risques naturels imminents. Les
principales avancées sont les technologies des systèmes d'information géographique et de la
télédétection, qui ont été appliquées de manière significative à l'évaluation de divers risques
naturels tels que les tremblements de terre, les inondations, les incendies de forêt, les
glissements de terrain et les sécheresses (Ghorbanzadeh et al., 2018). Il existe plusieurs
approches pour obtenir des renseignements à partir des images satellites en utilisant le SIG et
la télédétection (RS) (Bammou et al., 2024).

Les évaluations des risques naturels ont été effectuées à l'aide de diverses approches, comme
le rapport de fréquence (FR) (Choi et al., 2012; Youssef et al., 2023a), le processus
hiérarchique analytique (Althuwaynee et al., 2014; Hamdouni et al., 2022; Bammou et al.,
2023), le support vectoriel (He et al., 2019), la forêt aléatoire (Chen et al., 2017), les K-
voisins les plus proches (Bammou et al., 2024), l'arbre de décision (Fang et al., 2021; Mia et
al., 2023), la régression logistique (Chen et al., 2016; Ighile et al., 2022), les réseaux
neuronaux artificiels (Y. Wang et al., 2019) et le réseau neuronal convolutif (CNN) (Z. Zhao
et al., 2024).

23
 Récemment, les méthodologies et les progrès de l'apprentissage automatique (ML) ont
été largement utilisés, principalement pour l'évaluation des risques naturels tels que les
tremblements de terre, les inondations, les incendies de forêt et les glissements de terrain
(Eloudi et al., 2023; Bammou et al., 2024). Dans l'ensemble, chaque méthodologie de ML a
ses propres mérites et démérites, ainsi que son potentiel unique. Néanmoins, les performances
de chaque modèle diffèrent en fonction des informations d'entrée utilisées, de la structure du
modèle appliquée pour l'analyse et de la précision du modèle sélectionné. Il n'existe cependant
aucune suggestion claire permettant de déterminer si un modèle particulier est adapté à une
analyse, une application ou une région spécifique (Bammou et al., 2024). Les algorithmes
d'apprentissage automatique tels que la forêt aléatoire (RF), la machine à vecteurs de support
(SVM), les K-voisins les plus proches (KNN), le boosting de gradient extrême (XGBoost), le
réseau neuronal artificiel (ANN), l'arbre de décision (DT) et la régression logistique (LR) ont
été comparés en termes de précision (Bammou et al., 2024).

2.2 Questions de recherche

La cartographie de la susceptibilité est essentielle pour l'évaluation des risques et pour

déterminer les zones sensibles en fonction des facteurs d'influence pour une zone d'étude
donnée. Cependant, il existe de nombreuses méthodologies pour établir des cartes de
susceptibilité, et la majorité d'entre elles sont basées sur les technologies des systèmes
d’information géographique et la télédétection. Il y a un manque d'approches pour
comprendre l'influence des facteurs conditionnants/influents. Il n'existe aucune étude de
cartographie de susceptibilité pour le Haut Atlas, en particulier pour le bassin versant de
Tensift et la plaine du Haouz, concernant des risques tels que les glissements de terrain, les
inondations, l’érosion ou les risques multiples. Dans le Haut Atlas de Marrakech, les
glissements de terrain/mouvements de masse et les pertes de sol sont les risques les plus
prédominants, en particulier les inondations, notamment dans la région d’Ijoukak, Ourika et
Moulay Brahim, où des glissements de terrain et des inondations se sont produits dans le
passé, causant des dommages significatifs aux infrastructures, à la vie humaine et à
l'économie. En outre, il n'existe pas de cartes de susceptibilité pour la région, ce qui serait
d'une grande importance pour les planificateurs et les décideurs politiques afin d'identifier les
zones sensibles sans restriction de frontières.
L'objectif principal de cette recherche doctorale est d'apprécier et d'évaluer l'utilisation de
la géoinformatique appliquée à l'évaluation des risques multiples (érosion par ravinement,
inondations et glissements de terrain), en se concentrant sur les approches basées sur les

24
objets, ainsi que sur l'apprentissage automatique et l’impact de la composante climatique
pour les projections futures des risques de pertes de sols.
Les objectifs spécifiques de cette recherche s’articulent comme suit :
Objectif 1 : Comprendre et évaluer l'état de la perte de sol actuelle et future sur la base de
l'équation RUSLE et AHP et des projections climatiques.
Question de recherche 1 : Pourquoi est-il nécessaire de procéder à une évaluation actuelle et
future ?
Hypothèse : Évaluation du risque de perte de sol actuelle et future en vue de mesures
d'atténuation et de prévention à long terme.
Objectif 2 : évaluation des facteurs de conditionnement influençant chaque risque.
Question de recherche 2 : Quels sont les facteurs de causalité et de déclenchement et quelle
importance faut-il accorder à chacun de ces facteurs ?
Hypothèse : Les variétés qui caractérisent la zone de Tensift et la plaine du Haouz
influencent l'impact de l'ensemble des facteurs conditionnant sur les risques d'inondation, de
glissement de terrain et de ravinement.
Objectif 3 : Comprendre et évaluer l'état de l'art en matière d'évaluation des risques de
glissement de terrain, d'érosion par ravinement et d'inondation.
Question de recherche 3 : Pourquoi une évaluation multirisque est-elle nécessaire plutôt
qu'une approche mono-risque, et quels en sont les avantages ?
Hypothèse : L'évaluation multirisque fournit une meilleure évaluation que l'évaluation à
risque unique pour les mesures d'atténuation et de prévention.
Objectif 4 : Identifier les meilleures approches basées sur les techniques d'apprentissage
automatique pour la cartographie de la susceptibilité dans le contexte de l'évaluation
multirisque.
Question de recherche 4 : Comment évaluer la nature dimensionnelle des risques naturels,
en particulier pour la cartographie de la vulnérabilité ?
Hypothèse : Les approches AHP et RF n'ont donné de bons résultats que pour la
quantification de la perte de sol et la cartographie des zones vulnérables aux glissements de
terrain, et les approches d'apprentissage automatique ont donné de meilleurs résultats que
l'analyse décisionnelle multicritère.
Objectif 5 : Évaluation de l'approche RF et PR, de l'analyse décisionnelle multicritères
(MCDA) et des techniques ML pour cartographier la susceptibilité à divers risques naturels.
Question de recherche 5 : Comment la susceptibilité aux différents dangers peut-elle être
prise en compte à l'aide d'une méthodologie générique ?

25
Hypothèse : L'approche basée sur des algorithmes d'apprentissage automatique peut être mise
en œuvre pour plusieurs risques naturels et donne de meilleurs résultats que d'autres
approches. Elle permet d'obtenir des régions sans restriction de limites.

2.3 Format et articulation de la thèse

Cette thèse de doctorat est basée sur une série de six publications et un chapitre, qui
sont résumées dans le tableau ci-dessous :
Publication Titre FI* Status
Bammou, Y., Bouskri, I., Benzougagh, B., Shuraik, K., Igmoullan,
B., Bensaid, A., Velibor, S. (2023). The contribution of the frequency
6.2
P1 ratio model and the prediction rate for the analysis of landslide risk in Publié
the Tizi N’tichka area on the national road (RN9) linking Marrakech
and Ouarzazate, CATENA.
Bammou, Y., Igmoullan, B., Benzougagh, B., Shuraik, K., Ouallali,
A., Velibor, S., Sestras, P., Kuriqi, A. (2024). Comparison of
P2 en révision
different machine learning methods based on geospatial data for
Landslide (LS) assessment in semi-arid regions, Land.
Bammou, Y., Benzougagh, B., Igmoullan, B., Ayyad, MFQ, Fadhil,
AG, Shuraik, K. (2024). Assessing Soil Erosion Vulnerability Using
RUSLE Model in the Semi-Arid Haouz Plain, Marrakech, Morocco :
P3 Investigating the Combined Effects of Land Cover Dynamics, Socio- - Publié
Spatial Mutations, and Climate Change, Natural Resources
Deterioration in MENA Region. Earth and Environmental Sciences
Library. Springer.
Bammou, Y., Benzougagh, B., Bensaid, A., Igmoullan, B., Ayyad,
MFQ. (2023). Mapping of current and future soil erosion risk in a
P4 semi-arid context (haouz plain - Marrakech) based on CMIP6 climate 3.0 Publié
models, the analytical hierarchy process (AHP) and RUSLE,
Modeling Earth Systems and Environment.
Bammou, Y., Ouallali, A., Benzougagh, B., Igmoullan, B., Shuraik,
K., Velibor, S., Sestras, P., Ercişli, S. (2024). Machine Learning
P5 models for Gully Erosion Susceptibility Assessment in the Tensift 2.3 Publié
Catchment, Haouz Plain, Morocco for sustainable development,
Journal of African Earth Sciences.
Bammou, Y., Benzougagh, B., Igmoullan, B., Ouallali, A., Shuraik,
K., Velibor, S., Sestras, P., Billi, P., Marković, S.B. (2024).
P6 Optimizing Flood Susceptibility Assessment in semi-arid regions 3.7 Publié
using Ensemble Algorithms: A case study of Moroccan High Atlas,
Natural Hazards.
Bammou, Y., Igmoullan, B., Benzougagh, B., Shuraik, K., Ouallali,
A., Velibor, S., Sestras, P., Kuriqi, A. (2024). Spatial mapping of
P7 2.3 Publié
multiple hazards using machine learning algorithms in sparsely
vegetated watersheds, Environmental Earth Sciences.

* Impact Factor 2023

2.4 Zone d’étude et données utilisées

Le choix de la zone d'étude est essentiel pour mener toute recherche, car elle fournit le
contexte préalable, la motivation, l'accessibilité aux ensembles de données nécessaires et les
résultats de la recherche qui peuvent être mis en œuvre. La principale zone d'étude choisie est

26
la plaine du Haouz et le bassin versant de Tensift, au Haut Atlas central du Maroc. Cette zone
est située au centre-ouest du Maroc, entourant la région de Marrakech. Elle occupe une
superficie de 20 000 km² (Figure 2). Ce large domaine continental s'étend entre la latitude 32°
10' et 30° 50' Nord et la longitude 9° 25' et 7° 12' Ouest. Il est limité au sud par la ligne de
crête de la chaîne du Haut Atlas, au nord par le massif de petites montagnes nommé « Jbilet »,
avec des altitudes inférieures à 1 000 mètres, à l'est par la ligne de partage des eaux, peu
marquée, séparant le bassin du Tensift de celui du Tessaout, affluent d'Oum Er R'bia, et à
l'ouest par l'océan Atlantique où se situe son exutoire.

Le choix du bassin versant de Tensift et de la plaine du Haouz comme zone d'étude est
principalement dû à sa pertinence par rapport au sujet de recherche, où les inondations,
l’érosion par ravinement et les glissements de terrain ont continuellement impacté la région,
ainsi qu'à son importance économique. Le Haut Atlas de Marrakech représente environ 27 %
de la zone, où les altitudes peuvent atteindre 4 167 mètres au sommet du Jbel Toubkal,
influençant directement la distribution spatiale d'un ensemble de géo-risques et augmentant
considérablement l’incidence des mouvements de masse et des glissements de terrain dans la
zone d'étude. Le bassin versant de Tensift et la plaine du Haouz ont connu des risques massifs
d’inondations, d’érosion par ravinement et de glissements de terrain dans le passé, qui ont eu
de graves conséquences sur l'économie, la dégradation des terres agricoles et les
infrastructures de la région. Ainsi, cette zone est caractérisée par une dynamique économique
très importante et constitue l'une des principales destinations touristiques du Maroc.

Fig. 2: Situation géographique de la zone d'étude.

27
 Le type, le choix et la fiabilité des données restent des étapes cruciales dans toute
évaluation, et plus encore dans les évaluations des risques naturels. L'inventaire des
inondations, de l’érosion par ravinement et des glissements de terrain est un élément
indispensable pour les résultats des cartes de susceptibilité, et il est toujours utile de disposer
d'ensembles de données d'inventaire appropriés et adaptés aux évaluations. Les enquêtes, les
missions de terrain, le traitement des scènes de Sentinel 2A et de Landsat, ainsi que les
données de l’Agence du Bassin Hydraulique de Tensift (ABHT) ont permis de construire une
base de données solide et de réaliser un zonage couvrant toute la zone du bassin versant de
Tensift. Le modèle numérique d'élévation (DEM) était accessible gratuitement avec une
résolution spatiale de 30 m pour tout le bassin versant de Tensift via le portail de données de
l’United States Geological Survey (USGS) [[Link] et avec une
résolution spatiale de 12,5 m pour certaines zones, également accessible gratuitement via le
portail de données Data Search Vertex [[Link] Ces deux types de
DEM ont été utilisés pour développer tous les facteurs de conditionnement topographiques
auxiliaires, tels que la courbure, la courbure de profil, la courbure plane, la pente, l'aspect,
l'indice de puissance du cours d'eau (SPI), l’indice de rugosité du terrain (TRI), l’indice de
position topographique (TPI), le facteur de longueur et d'inclinaison de la pente (LS),
l'accumulation de flux, la densité de drainage et l'indice d'humidité topographique (TWI),
ainsi que les facteurs de conditionnement géomorphologiques, comme la géomorphologie et
la profondeur de la vallée.

Les facteurs de conditionnement géologiques, à savoir le facteur K et le type de sol,

ont été obtenus grâce aux données open source offertes par le portail de la FAO sur les sols,
notamment la base de données mondiale harmonisée sur les sols v1.2
[[Link]
the-world/en/]. Les données concernant la lithologie et les failles ont été élaborées à partir des
cartes géologiques couvrant la zone d’étude à des échelles de 1:100 000 et 1:500 000. Le
facteur de groupe hydrologique de sol (HSG) a été développé en utilisant les données
d'EARTH-DATA [[Link]
Les données sur les précipitations ont été obtenues auprès de l’Agence du Bassin Hydrique de
Tensift (ABHT). L’indice de végétation par différence normalisée (NDVI) et la couverture
terrestre ont été obtenus à partir du traitement des images satellitaires de Sentinel-2. Le réseau
de transport et routier a été extrait de la base de données Open Street Map (OSM)
[[Link]

28
 L'établissement des inventaires pour les glissements de terrain, l'érosion par
ravinement et les inondations dans le bassin versant du Tensift est basé sur plusieurs enquêtes
de terrain, des données GPS et des données nationales et régionales provenant de diverses
sources, notamment l'Agence du Bassin Hydraulique de Tensift (ABHT) et l'analyse de
l'imagerie Google Earth des zones vulnérables, en particulier dans les régions montagneuses.
Grâce à ces informations, 620 sites d'érosion par ravinement, 1 291 glissements de terrain et
762 sites d'inondation ont été recensés.

2.5 Contexte géologique

2.5.1 Caractères litho-stratigraphiques

Le bassin versant du Tensift englobe trois domaines du sud vers le nord:

Le haut atlas de Marrakech : constitue la partie la plus élevée de ce bassin, il fait partie
de la chaine atlasique et il est formé principalement par un socle antépaléozoïque couvert dans
sa majeure surface par les dépôts méso-cénozoiques. Les affleurements des Montagnes du
Haut Atlas dans le bassin de Tensift appartiennent essentiellement au Paléozoïque et en partie
au Précambrien. Les faciès Précambriens sont constitués généralement des roches volcaniques
(andésites, rhyolites, diorites, et dolérites,…etc.) et granites.

Le précambrien est suivi dans cette partie du Haut Atlas par des calcaires bleutés,
indiquant ainsi le début de la transgréssion, puis par des dépôts quartzo-feldspathiques, riches
en micas détritiques, à matrice silteuse, d’origine volcano-détritique (Saddiqi et al, 2011). Au-
dessus de la brèche, reposent des schistes à Bailliela, Conocoryphe et Paradoxides du
Cambrien moyen et des niveaux gréseux et bariolés. Le régime sédimentaire a changé pendant
l'Ordovicien. Ce changement est matérialisé par la présence des argiles micro-
conglomératiques et des grès, comportant des dépôts grossiers périglaciaires de l’Hirnantien
(Ashgill), qui se trouvent au-dessus des séries anciennes (Piqué, 2006). Ces dépôts sont suivis
par des pélites post-glaciaires (black shales anoxiques), du Silurien avec des niveaux
marnocalcaires, puis par quelques dizaines de mètres de siltites et de marnes à trilobites,
gastéropodes et tentaculites dévoniens. Le reste de la série dévonienne comporte les calcaires
puis une série marneuse et silteuse épaisse. Beauchamp et Petit (1981) signalent dans le Haut
Atlas de Marrakech, une série deltaïque puis turbiditique d'âge Viséen supérieur-Namurien.

La couverture mésocénozoïque du Haut Atlas de Marrakech débute par des dépôts de

syn-rift continentaux à évaporitiques, d’âge permo-triasique, associés à de vastes coulées de

29
lave basaltique (Laville, 1981 ; Frizon de Lamotte et al, 2000 ; Pique et al, 2002 ; Laville et al,
2004). Le Trias est une série détritique rouge qui repose sur le substratum paléozoïque à
travers une discordance majeure. Ses faciès sont en gros gréseux et conglomératiques à la base
et silto-argileux au sommet (Mattis ,1977). La série triasique est coiffée par les basaltes fini-
triasiques. C’est un complexe basaltique de type rift intracontinental, (Manspeizer, 1988) qui
s’est mis en place pendant l’événement majeur caractérisant la Province Magmatique de
l’Atlantique Central (CAMP) et qui est considéré comme responsable de la crise biologique à
la limite Trias-Jurassique.

Fig. 3: (1) Carte géologique montrant le bassin versant de Tensift et la plaine du Haouz (extrait de la carte géologique au
1/500000), (2) Coupes géologiques dans la plaine du Haouz (Ambroggi et Thuille, 1952) et (3) Colonne stratigraphique
synthétique du Haut Atlas (Redessiné : [Link]).

Les séries jurassiques du Haut Atlas de Marrakech sont marquées par des épaisseurs
réduites (Froitzheim et al, 1988). Elles débutent par une série liasique composée par des silts et

30
des carbonates au-dessus des dépôts triasiques. Concernant le Jurassique moyen, il a été
identifié par les auteurs dans la majorité des bassins jurassiques du Haut Atlas de Marrakech
où il repose sur les faciès continentaux ou marins d’âge Jurassique inférieur. Elle est affectée
dans ce bassin par des plissements secondaires (Fig.3-1)

Sur les bordures le Crétacé débute par des dépôts infra-cénomaniens formés de faciès
rouges gréso-argileux et conglomératiques caractérisés par des chenaux, litages obliques
croisés, hétérogénéité des niveaux argileux et gréseux et imbrication des galets. Quant à elle,
la série du Crétacé supérieur débute avec des marnes et des dolomies d’âge Cénomanien,
surmontés à leur tour par les couches du Crétacé continental puis marin (Cénomano-
Turonien). La série crétacée s’achève au Sénonien par des formations rougeâtres à caractère
régressif composées de pélites et de grès qui passent vers le haut à des conglomérats et des
brèches continentales (Fig.3.3) (Piqué, 2006 ; Saddiqi, 2011).

Les séries continentales d’âge Paléogène-Quaternaire se trouvent essentiellement dans

les piémonts de la chaine atlasique (Monbaron, 1981), notamment dans les bassins bordant le
Haut Atlas de Marrakech où leur épaisseur est très importante. Le Paléocène débute par des
calcaires à Thersitées suivies de marnes phosphatées (Piqué, 2006). La série marine éocène
débute par des grès, des dolomies et des marnes siliceuses surmontés par des calcaires à
thersitées de l’Éocène inférieur– moyen, puis par des marnes, des grès phosphatés et des
calcaires à silex de l’Éocène moyen. Cette série se termine par des grès et des marnes rouges
de l’Éocène supérieur. Les dépôts du néogène au quartenaire alluvial forment la plaine du
Haouz. Les séries silicoclastiques d’Oligocène probable sont surmontés ce basin par des
dépôts lacustres et de plaine alluviale, d’âge Mio- Pliocène. Au Quaternaire, le style
sédimentaire a changé ; les dépôts sont dominés majoritairement par des rivières à chenaux
anastomosés, des cônes alluviaux et des lacs à sédimentation carbonatée et clastique. Les
terrasses quaternaires enregistrent encore les effets de la déformation compressive

La plaine du Haouz : La délimitation géologique de la plaine du Haouz est basée

principalement sur l‘extension des dépôts alluvionnaires plioquaternaires quoiqu‘englobant
quelques rares affleurements anté-pliocènes. La plaine du Haouz est flanquée par le massif
paléozoïque des Jbilet au nord et des affleurements paléozoïques nommé le Haut-Atlas au
sud, ces affleurements correspondent à des reliefs résiduels du socle hercynien dégagé de la
couverture néogène (Huvelin, 1973) (Fig.4). Quelques dépôts paléozoïques sont dispersés

31
dans le sud du centre de la plaine, et au sud-est de Guemassa. Cette formation paléozoïque est
constituée de schiste, quartzite, calcaire et elle est presque imperméable.

Initialement le domaine de la plaine du Haouz est une dépression d‘origine tectonique

remplie par des dépôts silicoclastiques qui résultent de l‘érosion de la chaine du Haut-Atlas
lors de sa surrection durant le Néogène et le Quaternaire (Dutour et Ferrandini, 1985). Ces
dépôts sont en général des cônes alluviaux et à des formations fluviatiles, transportés et
déposés par le réseau des oueds atlasiques.

Les coupes géologiques synthétiques dans la direction nord-sud montrent la structure

géologique de la plaine du Haouz (Fig. 3-2). La partie inférieure de l‘aquifère alluvial est
généralement constitué de terraines miocènes. Le permo-triasique (contenant du sel) pourrait
se trouver sous les dépôts alluviaux à l'est (section A). L‘Eocène et le Crétacé forment un
grand synclinal dans la plaine (coupe C) tandis que leur étendue est limitée sous la plaine dans
le Haouz moyen et oriental à cause du soulèvement du socle paléozoïque.
 le massif des Jebilet: il correspond à des affleurements de terrains paléozoïques, dont
la surrection récente, au nord de la chaine du Haut Atlas (Missenard et al.,2007),
forme un chaînon allongé équatorialement sur 170 km de long et une largeur variable
de 7 à 40 km en séparant la plaine du Haouz au sud de celle de la Bahira au nord (Fig.
3-2). Ce massif est allongé selon une direction E-W parallèle au Haut-Atlas de
Marrakech,et perpendiculaire aux structures hercyniennes du Maroc Occidental, qui
sont subméridiens, Il est limité à l’Ouest par les collines jurassico-crétacées des
Mouisset, et à l’Est par les montagnes de l’Atlas de Béni-Mellal.

Du point de vue structural, le Massif des Jebilet est subdivisé par Huvelin (1977) en trois
grandes unités qui sont d’Est en Ouest (Fig. 3-3) :

 Une unité orientale datée du Viséen supérieur et caractérisée par la présence

d’olistostromes et des séries ordovico-dévoniennes (Permingeat, 1954 ; Huvelin,
1977) mises en place par glissement gravitaire directement sur les dépôts gréso-
pélitique viséen de Kharrouba. (Huvelin, 1977)
 Dans sa partie centrale sont juxtaposées deux formations attribuées au Viséen
supérieur (Huvelin, 1977), séparées par le cisaillement ductile sénestre de Sidi Bou
Othmane (Lagarde &Choukroune, 1982): les Flyschs de Kharrouba à l’Est et les
Schistes de Sarhlef à l’Ouest (Huvelin, 1977). Ces derniers correspondent à des séries

32
 argileuses de plateforme anoxique (Aarab & Beauchamp, 1987) métamorphisées dans
un climat anchi à épizonal et où se sont mis en place des magmas granitiques et des
corps intrusifs acides et basiques. Des quartzites, et des bancs de calcaire se
rencontrent également dans cet ensemble.
 Une unité occidentale constituée essentiellement des terrains cambro-ordoviciens,
peu ou pas métamorphisée et affectée de plis méridiens d’amplitude
suprakilomètrique.

Fig. 4: Carte géologique montrant la plaine du Haouz et ses limites (extrait de la carte géologique au 1/500000) (Redessiné :
[Link]).

2.5.2 La tectonique
Le socle et sa couverture sédimentaire ont été affectés par plusieurs accidents
tectoniques et plissement à différentes échelles au niveau du Haut-Atlas de Marrakech :

[Link] Tectonique hercynienne

Cette tectonique est a affecté presque l’ensemble du Maroc est en particulier dans le
bloc occidental du massif ancien du Haut Atlas au niveau du domaine à schistosités. Dans le
Haut Atlas de Marrakech, elle s’est limitée à une tectonique de blocs avec des décrochements
dextres (N70) qui ont fonctionné jusqu’à l’époque tardi-hercyniènne (Biron, 1982).

33
 Les déformations hercyniennes ont provoqué dans la région un effondrement de
direction N-S que limitent les Jebilettes au nord et le Haut-Atlas au sud. L'effet des
plissements hercyniens est visible au niveau du socle Précambrien et paléozoïque comme
dans la boutonnière carbonifère formée par des schistes fortement froissés (Sirtou, 1995).

[Link] Tectonique atlasique

Le Haut Atlas est une chaîne intracontinentale résultant de l’inversion du rift

mésozoïque à l’Est du Massif ancien et de l’Atlantique à l’extrémité occidentale (Qarbous et
al., 2008). La déformation atlasique s’est manifestée par des failles orientées selon l’axe N 60,
évoquant celles associées à l'orogenèse hercynienne. L'étude de l'évolution structurale du
Haut Atlas occidental a permis de mettre en évidence deux grandes périodes tectoniques
(Medina 1985) :

La phase extensive : entamée à la fin du Paléozoïque par la réactivation des grandes

failles héritées de l’orogenèse hercynienne. Cette réactivation a donné naissance au bassins
atlasiques du Trias et Jurassique. . Divers éléments structuraux de cette phase, notamment des
failles orientées NE-SO et E-O, ont favorisé l'intrusion de roches basaltiques alcalines du
Trias supérieur. Simultanément, certains bassins ont été envahis par des eaux venues de la
Téthys. Les processus tectono-eustatiques ont contribué à la mise en place d’une puissante
pile sédimentaire (El Kochri et Chorowicz, 1996 ; Ibouh, 2004).

A la fin du Jurassique l’arrêt de la phase distensive causée par une extension

grandissante de l’océan Atlantique a abouti à une lacune du Jurassique supérieur dans tout le
domaine atlasique continental et l’installation d’une nouvelle physiographie pendant le
Crétacé. (Ibouh et al. 2017 ; Igmoullan, 2003).

La phase compressive : de la fin du Tertiaire a causé une inversion tectonique qui a

façonné les chaînes montagneuses actuelles du Haut Atlas et du Moyen Atlas, comme
expliqué par Missenard en 2006. Les failles longitudinales, dérivées des failles normales
initiales du rift, ont déterminé l'orientation dominante des montagnes atlasiques, ainsi que la
formation des nombreux plis synclinaux et anticlinaux dans la région, (Teixell et al. 2005).

2.6 Contexte climatique

Le climat de la zone d’étude est caractérisé par l’influence de l’Océan Atlantique.

Cette influence diminue d’autant plus qu’on s’éloigne vers l’intérieur. Ainsi, le climat est
semi-aride influencé par le courant froid des Canaries dans la zone côtière, semi-aride chaud

34
dans les Jbilet et continental de type aride dans le Haouz et le Mejjate. La zone du bassin du
Tensift Est, est influencée par la présence du relief et notamment le Haut Atlas.

Les précipitations sont en général faibles et caractérisées par une grande variabilité
spatio‐temporelle. La pluviométrie moyenne annuelle est de l'ordre de 200 mm dans la plaine
contre plus de 800 mm sur les sommets de l'Atlas. L’importance des précipitations à ce niveau
(hautes altitudes) est liée aux baisses des températures et à l’orographie, avec une part
importante des chutes des neiges. Au niveau de la station d’Oukaimden CAF (Club Alpin
Français), La proportion annuelle des neiges peut atteindre 80% des précipitations totales.
Pour cela, la chaine du Haut Atlas forme un château d’eau pour cette région.

Les précipitations et les températures mensuelles moyennes enregistrées entre 1972 et

2002 au niveau trois stations Abadla, Takerkoust et sidi Rahal et entre 1988‐2007. L'examen
de la répartition moyenne des pluies mensuelles montre l'existence de deux saisons nettement
différenciées :
 d'Octobre à Avril, une saison humide où interviennent la quasi‐totalité des épisodes
pluvieux, soit près de 80 à 93 % de la pluviométrie annuelle ;
 de Mai à Septembre, une saison sèche avec seulement 7 à 17 % de la pluviométrie
annuelle.
3. Méthodes

Ce chapitre présente une synthèse des concepts et des méthodes qui ont été utilisés et
appliqués pour répondre aux objectifs et aux questions de recherche énumérés dans la section
1.4. Les méthodes ont été choisies en fonction de leur importance et de leur applicabilité à la
situation de recherche actuelle. Toutes les méthodes décrites dans ce chapitre ont été
sélectionnées en fonction de leur pertinence pour l'évaluation des risques naturels, en
particulier pour la cartographie de la susceptibilité et la quantification des pertes de sol face au
changement climatique. Une explication complète des méthodes, y compris les équations, la
zone d'étude, les inventaires et les ensembles de données, est fournie dans les chapitres des
publications (P1-P7).

3.1 Équation universelle révisée de perte de sol (RUSLE)

RUSLE est une version améliorée de l'équation universelle de perte de sol (USLE)
(Wischmeier & Smith, 1978), incluant des bases de données plus diverses. Le modèle RUSLE
(Revised Universal Soil Loss Equation) (Renard et al., 1997) a été développé pour prédire

35
l'érosion hydrique sous forme de perte de sol et constitue un outil sophistiqué pour
l'évaluation de l'érosion des sols dans les bassins fluviaux. RUSLE est conçu pour estimer la
perte de sol à partir des caractéristiques du terrain. Le modèle permet de prédire le taux annuel
moyen d'érosion du sol en incorporant divers paramètres géoenvironnementaux. Il s'agit d'un
modèle empirique réputé pour prédire l'érosion du sol dans des bassins versants non marqués,
en utilisant la connaissance des caractéristiques du bassin versant et des conditions hydro-
climatiques locales. Le processus d'érosion du sol est un système complexe impliquant des
paramètres tels que les précipitations, le type de roche et de sol, les caractéristiques du terrain
et le dynamisme de l'utilisation des terres, laissant derrière lui une terre non productive pour la
culture. Afin de prévenir les dommages continus et invisibles causés par l'érosion du sol, il est
essentiel d'identifier les zones vulnérables afin d'adopter des pratiques de conservation
appropriées.

3.2 Changement climatique

Selon le Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) (en

anglais : IPCC), le changement climatique est défini comme une modification de l'état du
climat, pouvant être détectée (par exemple, par des tests statistiques) par des changements de
la moyenne et/ou de la variabilité de ses propriétés, et se produisant sur une période longue,
généralement de décennies ou plus. Le changement climatique peut être causé par des
processus naturels internes, des forces externes ou des modifications persistantes de la
composition de l'atmosphère ou de l'utilisation des terres par l'homme.

Le GIEC précise clairement dans cette définition que le changement climatique ne se

limite pas à la température, mais inclut également d'autres variables telles que les
précipitations, l'humidité de l'air, les rayonnements, le vent, etc. Toutes les modifications qui
ont un impact sur le climat sont concernées.

Des évolutions potentielles des émissions de gaz à effet de serre sont actuellement envisagées
dans quatre scénarios différents (RCP 2.6, 4.5, 6 et 8.5) (Ouzeau et al., 2014 ; Pumo et al.,
2017). Le GIEC propose cette troisième génération de scénarios qui prend en compte non
seulement les modifications des forçages radiatifs, mais aussi l'évolution socio-économique
des territoires (IPCC, 2014). D'après les hypothèses, ces scénarios permettent de représenter
un large éventail de possibilités climatiques jusqu'en 2300, allant du scénario RCP 2.6, le plus
optimiste, au scénario RCP 8.5, le plus pessimiste (Fig. 3). Ainsi, les différents jeux de

36
données produits par les modèles globaux et régionaux à partir de ces deux scénarios sont
accessibles via des plateformes comme ECHO, CMIP5, EXPLORE2070, DRIAS, etc.

Fig 1. Représentation des scénarios RCP versus la génération précédente des scenarios SRES (Ouzeau et al., 2014).

3.3 Taux de fréquence (FR) et taux de prédiction (PR)

La technique du rapport de fréquence (FR) et du rapport de probabilité (PR) est une

méthodologie statistique largement utilisée dans l'évaluation de la susceptibilité aux
glissements de terrain. Le rapport de fréquence est une méthode qui fournit la probabilité de la
distribution de l'incidence et de la non-incidence des glissements de terrain pour chaque
facteur de conditionnement (Choi et al., 2012 ; Youssef et al., 2023a). Le FR est une variante
du modèle probabiliste classique, établi sur les associations attestées entre la survenue des
glissements de terrain et les caractéristiques associées à chaque glissement (Alkhasawneh,
2014). Les facteurs d'influence jouent un rôle crucial dans l'évaluation de la susceptibilité aux
glissements de terrain, ce qui est significatif dans l'approche du rapport de fréquence, car elle
est entièrement dirigée par les facteurs de conditionnement et d'influence. Les aspects de
conditionnement peuvent être pondérés en fonction de la proportion de glissements de terrain
détectés par rapport à l'ensemble de la zone de la région d'intérêt. L'association entre les
différentes catégories de facteurs d'influence peut être dérivée par le rapport de fréquence, qui
peut être une approche géospatiale précieuse (Das & Lepcha, 2019; Amare et al., 2021;
Biswas et al., 2023). Le rapport de fréquence est principalement une approche axée sur les

37
données, simple à utiliser, qui détaille l'évaluation de la relation entre une variable dépendante
et de nombreuses variables indépendantes sous une forme distincte. La méthode du rapport de
fréquence a été fréquemment utilisée dans l'évaluation des risques naturels en raison de sa
facilité d'utilisation pour produire des résultats rapidement, ainsi que de sa grande précision,
dérivée directement des données.

3.4 Analyse décisionnelle multicritères (MCDA)

Les problèmes d'évaluation des risques naturels associés à l'espace sont généralement
traités à l'aide d'une analyse décisionnelle multicritère (MCDA) (Kavzoglu et al., 2013). La
méthodologie MCDA offre une structure géospatiale pour intégrer divers aspects d'influence
ou des données thématiques dans un arrangement ordonné, permettant d'évaluer les
associations entre ces aspects (Duleba & Moslem, 2019). Dans le domaine des sciences
spatiales et des systèmes d'information géographique (SIG), le MCDA géospatialement aligné
constitue une méthodologie de modélisation robuste. L'importance comparative des aspects
influents est reconnue en utilisant le MCDA basé sur le SIG, qui représente une méthode
intelligente d'arrangement spatial. Il existe plusieurs approches MCDA, mais les plus
couramment utilisées sont le processus hiérarchique analytique (AHP) et le processus de
réseau analytique (ANP) (Shahabi et al., 2014).

L'approche AHP a été développée et établie par Saaty (Saaty, 1980). Elle permet
d'arriver à des jugements lorsque l'on est confronté à des problèmes non structurés et à des
attributs multiples (Q. Wang & Li, 2017 ; Bammou et al., 2023). Le modèle AHP a été
largement utilisé dans divers domaines de l'évaluation des risques (Kayastha et al., 2013).

L'approche AHP implique la participation d'experts, qui s'appuient sur leurs

connaissances spécialisées pour prendre des décisions (Saaty & Vargas, 1984). Ces experts
pondèrent les facteurs en fonction de leur importance dans un ordre hiérarchique avec des
valeurs numériques (Ghorbanzadeh et al., 2019). Les facteurs pondérés sont ensuite combinés,
chaque facteur étant ajusté selon son importance (Sahnoun et al., 2011).

L'approche AHP permet de créer une matrice de comparaison par paire (PCM) à partir
des valeurs numériques fournies par les experts, établissant ainsi la relation d'importance entre
chaque caractéristique et les autres. L'AHP est assez complexe et nécessite une connaissance

38
du domaine ainsi qu'une expertise pour attribuer des poids à chaque facteur de
conditionnement.

Elle permet d'évaluer les aspects autonomes ininterrompus ainsi que les systèmes
uniques (Kayastha et al., 2013 ; Souissi et al., 2020 ; Althuwaynee et al., 2016). Dans le
processus AHP, l'expérience et la compréhension des experts jouent un rôle crucial dans
l'élaboration des matrices de comparaison par paire (PCM) (Moslem et al., 2019 ; Panchal &
Shrivastava, 2022). Théoriquement, la PCM est réciproque, cohérente et quadratique, et
l'AHP utilise ces caractéristiques uniques. Les méthodologies MCDA basées sur les
connaissances ont donné des résultats prometteurs, mais cette approche est sujette à
l'incertitude, entraînant parfois des résultats imprécis (L. Liu & Yager, 2008). Dans le cadre
du processus AHP, les experts n'évaluent généralement pas la PCM de manière cohérente.
Pour résoudre ce problème d'incohérence dans la PCM, l'approche des vecteurs propres est
souvent utilisée pour vérifier si les évaluations des experts sont cohérentes.

3.5 Les modèles d’apprentissage automatique (ML)

Ces dernières années, les méthodologies de l'intelligence artificielle (IA) et de

l'apprentissage automatique (ML) ont été largement utilisées et ont contribué au
développement de techniques de prédiction offrant des performances supérieures ainsi que des
résolutions efficaces (Ageenko et al., 2022 ; Duy Quynh et al., 2022 ; Bammou et al., 2024).
Les méthodes de ML ont constamment progressé, confirmant leur pertinence pour l'évaluation
des risques naturels, avec une précision supérieure à celle des méthodologies conventionnelles
et traditionnelles. Il existe divers algorithmes de ML pour différentes applications, et les plus
couramment utilisés pour les évaluations des risques naturels sont la forêt aléatoire (RF), la
machine à vecteurs de support (SVM), le k-voisin le plus proche (KNN), le boosting de
gradient extrême (XGBoost), le réseau neuronal artificiel (ANN), l'arbre de décision (DT) et
la régression logistique (LR).

3.5.1 Machine à vecteurs de support (SVM)

La machine à vecteurs de support (SVM) est fondée sur le concept de l'exploration de

données et est considérée comme un algorithme supervisé unique et important utilisé pour la
classification et la régression (Naceur et al., 2022 ; Bammou et al., 2024). Le SVM repose sur
la théorie de l'apprentissage statistique, dans laquelle les informations saisies sont modifiées

39
dans un espace de caractéristiques différent, établissant une nouvelle fonction de décision par
le biais d'un hyperplan optimal dans cet espace (Waske, 2007). L'algorithme SVM est
généralement utilisé à travers un ensemble bien défini d'équations indicatrices de paquebots
pour les évaluations fonctionnelles (Vapnik, 2000). Même lorsque les points de données
requis sont insuffisants, le SVM fournit d'excellentes performances et des résultats supérieurs.
Le SVM est également considéré comme un processus de marge maximale (Mohammadi et
al., 2019). Basé sur l'apprentissage statistique, le SVM représente les points d'information
sous la forme d'un espace de caractéristiques de dimension supérieure en utilisant des
transformations non linéaires, tout en générant l'hyperplan le plus fin (Kavzoglu et al., 2013).
Étant unidirectionnels et comportant deux couches, les fonctions d'activation du noyau
peuvent être linéaires, polynomiales, radiales ou sigmoïdes, ce qui peut influencer de manière
significative la précision de l'algorithme (Schölkopf & Smola, 2001).

Les SVM sont principalement utilisés dans le domaine de la télédétection en raison de

leur capacité à bien généraliser, même lorsque les informations disponibles pour
l'apprentissage sont limitées, ce qui est une contrainte courante pour les applications en
télédétection. Le SVM est en adéquation avec l'idée de "vecteur de support", car il peut
générer une précision correspondante avec moins d'échantillons d'entraînement et ainsi définir
l'hyperplan des classificateurs en s'appuyant sur un très petit nombre de points de données
(Mountrakis et al., 2011). La contrainte habituelle est la sélection des fonctions du noyau,
bien qu'elle puisse être résolue par une approche par essais et erreurs. Le SVM est une
méthode robuste, dans laquelle les classificateurs se distinguent par leur capacité d'auto-
adaptation, leur rapidité d'apprentissage et leur faible dépendance vis-à-vis de la taille de
l'échantillon d'apprentissage. Il s'agit d'une méthode fiable pour le traitement des données
obtenues par télédétection (Jain et al., 2018).

3.5.2 Réseau de neurones artificiels (ANN)

L'algorithme du réseau neuronal artificiel (ANN) a été conçu à l'origine sur la base du
perceptron multicouche, qui comporte trois couches neuronales : une couche d'entrée qui
reçoit les éléments d'entrée environnementaux à utiliser dans la formation, la validation, le
test et l'application du modèle ANN. La couche intermédiaire ou cachée est dédiée aux
interactions entre les paramètres d'entrée et fait correspondre l'entrée à la sortie, ce qui permet
à l'ANN d'apprendre des tâches complexes et d'extraire des données significatives. La couche
de sortie fournit le résultat du traitement de l'entrée (Bragagnolo et al., 2019).

40
 L'objectif de l'ANN est de construire un modèle du processus de génération de
données de manière à ce que les résultats puissent être générés et prédits à partir des entrées
(Kawabata & Bandibas, 2009). Dans la phase d'apprentissage, le réseau prédit l'étiquette de
chaque échantillon à l'aide de ses poids et de ses valeurs de biais. Une fonction de coût
détermine la différence entre l'étiquette calculée et l'étiquette réelle. Dans l'étape de
rétropropagation, chaque poids reçoit une mise à jour basée sur le gradient de la fonction de
coût. Ce processus se poursuit jusqu'à ce que la convergence soit atteinte ou qu'un nombre
maximal d'époques soit atteint dans l'apprentissage.

3.5.3 Forêt aléatoire (RF)

La forêt aléatoire est un algorithme d'apprentissage automatique utilisé pour

catégoriser les données d'entrée reconnues sur la base de nombreux arbres de décision (L. Li
et al., 2017). Cet algorithme a été principalement développé en utilisant la méthode du sous-
espace aléatoire (Tin Kam Ho, 1995). Récemment, la forêt aléatoire (RF) a été largement
utilisée pour ses performances élevées et sa capacité à produire des résultats de classification
exceptionnels avec relativement peu d'erreurs par rapport à divers autres algorithmes de
classification (Du et al., 2015). Lors de la prédiction des résultats, un ensemble défini de
caractéristiques est sélectionné de manière non systématique à chaque étape, et chaque
résultat est pondéré en utilisant l'importance obtenue par le biais du vote. La majorité des
votes, qui dépend des sorties des arbres de décision évalués, se regroupe pour produire le
traitement de la classification finale (Xu et al., 2018). Il a été suggéré d'utiliser un arbre de
décision spécifique qui élimine l'ambiguïté et augmente la précision des prédictions pour
résoudre le problème de l'incertitude (Valdez et al., 2017). Les classificateurs de forêt
aléatoire sont relativement peu sensibles à l'état de l'échantillon d'apprentissage par rapport à
d'autres classificateurs d'apprentissage automatique (Bammou et al., 2024). De plus, les
classificateurs RF comportent un nombre substantiel d'arbres de décision, créés en choisissant
de manière non systématique un sous-ensemble de l'échantillon d'apprentissage et un sous-
groupe de variables à diviser à chaque nœud de l'arbre de décision (Waśniewski et al., 2020).
Bien que la forêt aléatoire soit un algorithme robuste, il est suggéré d'adopter une procédure
itérative d'élimination des caractéristiques à rebours pour réduire le nombre de variables
appropriées (Belgiu & Drăguţ, 2016).

41
 3.5.4 Arbre de décision (DT)

Un arbre de décision (DT) est une approche non paramétrique permettant de détecter
des corrélations non linéaires et non additives entre des paramètres d'entrée et des éléments
ciblés ou prédictifs (Tsangaratos & Ilia, 2016). Il s'agit d'un modèle hiérarchique composé de
nœuds internes, de nœuds feuilles et de branches, représenté par une structure arborescente.
L’un des avantages de ce modèle est qu’il est facile à appliquer, avec des résultats facilement
interprétables. Le principal inconvénient des arbres de décision est que les sorties multiples ne
sont pas autorisées, et ce modèle est sensible aux données bruitées (Y. Zhao & Zhang, 2008).

La classification des arbres de décision peut être effectuée à l’aide de plusieurs

algorithmes d’apprentissage, comme CART, Iterative Dichotomiser 3 (ID3) et C4.5. Dans les
trois modèles, les entités de l'ensemble de données d'entrée peuvent être indépendantes.
Cependant, ils diffèrent dans la manière dont ils mesurent les critères de différenciation et de
variabilité (Tsangaratos & Ilia, 2016). Dans notre étude, les données d'inventaire des
glissements de terrain, des inondations et de l'érosion par ravinement sont utilisées comme
variable dépendante, tandis que les variables indépendantes sont représentées par les facteurs
conditionnant le glissement de terrain. Pour l'analyse des données, la méthode C4.5 a été
appliquée. L'arbre commence à un nœud, qui est ensuite divisé en choisissant l'attribut qui
catégorise le mieux un groupe d'échantillons sur la base d'une mesure de sélection d'attribut.
La mesure de la sélection des attributs dans le modèle C4.5 est fondée sur le concept
d'entropie, qui reflète le degré de désordre. En conséquence, un arbre se développe en
sélectionnant la caractéristique d’entropie la plus faible. L'entropie au nœud N est calculée à
l'aide de l'équation ci-dessous (Yeon et al., 2010).

3.5.5 Régression logistique (LR)

Le modèle de régression logistique (LR), également connu sous le nom d'analyse

multivariée, est l'un des modèles statistiques les plus utilisés en cartographie. Il est mesuré
avec des variables dichotomiques telles que 1 ou 0 (présence ou absence) et est déterminé par
une ou plusieurs variables indépendantes (Menard, 2002). Ce modèle clarifie la relation entre
une variable catégorielle et certains facteurs dépendants, qui peuvent être des variables
catégorielles, continues ou binaires (Dou et al., 2018). L'avantage de l'algorithme est que les
variables ne nécessitent pas une distribution normale (Pradhan et al., 2010 ; Bammou et al.,
2024). Les variables indépendantes dans le modèle de régression logistique peuvent être

42
désignées par 0 et 1, indiquant l'absence ou la présence d'un risque. La sortie du modèle varie
entre 0 et 1 et représente la susceptibilité aux risques.

3.5.6 K-Voisins les plus proches (KNN)

L'alorithme KNN fait partie de la classe des algorithmes qui peuvent classer une entité
inconnue si nous avons des données avec des propriétés spécifiques (X) et la valeur de la
relation (Y) (Breiman et al., 2017). Il classe une instance (glissement de terrain, érosion par
ravinement ou inondation) qui est principalement représentée au sein de ses (k) voisins. Le
paramètre k est souvent un petit entier positif (Al-Zuhairi et al., 2019). La proximité entre les
échantillons est mesurée à l'aide d'une métrique de distance. Cette métrique indique dans
quelle mesure les profils de facteurs de conditionnement sont similaires ou différents pour
deux échantillons donnés. Les points de données avec des facteurs de conditionnement
similaires auront une petite distance caractéristique entre eux. Bien que le modèle soit simple
en termes d’hyperparamètres, il devient coûteux en termes de calcul à mesure que le nombre
d’échantillons augmente. La susceptibilité associée à un certain ensemble de valeurs de
facteurs de conditionnement est déterminée en calculant sa distance par rapport à chaque point
de données d'entraînement (dans un espace de caractéristiques de grande dimension). Les k
points de données les plus proches sont utilisés pour déterminer la susceptibilité. La classe de
susceptibilité dominante au sein de ces k voisins les plus proches (c'est-à-dire la classe avec le
plus grand nombre de membres parmi les k) devient l'appartenance à la classe du nouveau
point de données (Souza & Ebecken, 2004 ; Cheng et al., 2013).

3.5.7 Contraction extrême avec renforcement du gradient (GXB)

La méthode XGBoost (T. Chen & Guestrin, 2016) a été utilisée comme modèle de
classification supervisée. Elle provient de l'algorithme de boosting d'arbre de gradient
(Friedman, 2001 & 2002), qui est une méthode d'apprentissage automatique efficace.
XGBoost utilise une technique de boosting régularisée pour réduire le surajustement et ainsi
augmenter la précision du modèle. Cette méthode offre une évolutivité pour différents
scénarios, la gestion de données clairsemées, une documentation complète, de faibles besoins
en ressources de calcul, des performances élevées (c'est-à-dire la vitesse) et une facilité de
mise en œuvre (Chen & Guestrin, 2016). Elle a été sélectionnée ici en raison de ses succès
dans de nombreux concours de science des données (Nielsen, s. d.). D'autres modifications de
la méthode pour les ensembles de données hautement déséquilibrés existent également (Wang

43
et al., 2020). Dans cette étude, elle a été implémentée à l'aide du package XGBoost Python
(Chen & Guestrin, 2016) dans l'environnement Python 3.7.

XGBoost est une extension optimisée de l'algorithme de boosting de gradient. L'idée

principale d'un algorithme de boosting est de combiner séquentiellement les résultats des
apprenants faibles pour obtenir de meilleures performances (Hastie et al., 2009). XGBoost
utilise de nombreux arbres de classification et de régression (CART) et les intègre à l'aide de
la méthode de boosting de gradient. XGBoost a trois aspects importants : une fonction
objective régularisée pour une meilleure généralisation, l'amélioration de l'arbre de gradient
pour la formation additive, et le retrait et le sous-échantillonnage des colonnes pour éviter le
surajustement (T. Chen & Guestrin, 2016).

4. Sélection de facteurs multirisques

La présente étude a utilisé sept modèles prédictifs pour améliorer la prédiction de la

susceptibilité aux inondations, aux glissements de terrain et à l'érosion hydrique. Ces modèles
ont été soumis à plusieurs tests statistiques afin d'identifier les corrélations solides et linéaires
entre les différentes composantes. Ces tests, qui comprennent le facteur d'inflation de la
variance (VIF) calculé à l'aide de l'équation (1) et l'analyse de la matrice de corrélation (CM),
ont été utilisés pour identifier et exclure les composantes non significatives, ainsi que la
tolérance (TOL) calculée à l'aide de l'équation (2) et l'information mutuelle (MI) calculée à
l'aide de l'équation (3). De faibles valeurs d'information mutuelle indiquent un effet mineur et
conduisent à l'élimination des causes des inondations, des glissements de terrain et de
l'érosion par ravinement. L'analyse de l'information mutuelle a démontré la pertinence de ces
composantes.
1
VIFj = [Tol ] (Eq.1)
j

Tol = 1 − R2j (Eq.2)

MI(n, j) = H(n) − H(n⁄j) (Eq.3)

 j : Affecte la susceptibilité aux glissements de terrain (LS), la susceptibilité aux

inondations (FS) et la susceptibilité à l'érosion par ravinement (GES) ;
 n : Sous-classe des facteurs d'impact LS, FS et GES ;
 Tol i : Tolérance de j ;
 VIF j : Facteur d'inflation de j ;
 MI (n ; j) : Echange de données entre n et j ;

44
  R : Coefficient de régression de la propension de j sur toutes les autres composantes de
la prédisposition ;
 H(n) : L'entropie de n - H(n/j) : est l'entropie conditionnelle pour n compte tenu de la
zone de glissement de terrain, inondée et érodée j. est l'entropie de n - H(n/j).
L'équation (4) a permis de calculer le rapport de fréquence normalisé (NFR), qui
constitue la base de l'application du modèle et de l'analyse optimale des facteurs ayant une
incidence sur LS, FS et GES. Cette approche est la méthode la plus largement recommandée
pour normaliser l'importance de la variété des données utilisées comme intrants pour les
différents facteurs (Mao et al., 2021 ; Youssef et al., 2023). Par conséquent, pour définir le
lien entre les facteurs affectant LS, FS et GES et les lieux sensibles, le rapport de fréquence
(FR), dérivé de l'équation (5), a été attribué à la sous-classe des facteurs ayant un impact sur
LS, FS et GES, de manière similaire à l'approche suivie par Masoud et al. (2022). Ensuite,
l'équation (4) a été utilisée pour normaliser les données, ce qui a conduit à la transformation
de chaque carte en un NFR de 1 pour LS, FS et GES élevés et de 0 pour LS, FS et GES
faibles.
FRn − Max(FRn)
NFRn = Max(FRn) − ∗ (0.99 − 0.01) + 0.01 (Eq.4)
Min(FRn)
Wn
Wt
FRn = Pn (Eq.5)
Pt

 n : Sous-classe de facteurs influençant la vulnérabilité aux glissements de terrain, aux

inondations et à l'érosion par ravinement ;
 FRn : Rapport de fréquence de n ;
 NFRn : Rapport de fréquence normalisé de n ;
 Wn : Nombre de points d'échantillonnage de risque dans n ;
 Wt : Nombre total de points d'échantillonnage de risque ;
 Pn : Nombre de pixels en n ;
 Pt : Quantité totale de tous les pixels.

5. Validation des modèles

Pour les sept modèles développés à l'aide de différentes mesures de performance,

telles que la spécificité (Eq. 6), la précision (Eq. 7), la sensibilité (Eq. 8), le score F1 (Eq. 9) et
l'exactitude (Eq. 10), les résultats de l'approche suggérée ont été validés. Les indices de
performance sont jugés significatifs s'il existe une corrélation géographique entre les zones
qui représentent les risques d'inondation, de glissement de terrain et d'érosion par ravinement

45
et les régions stables mesurées et les zones de risque prédites pour les risques indiqués
(Costache 2019 ; Costache et Tien Bui 2020).
TN
Specifity = FP+TN (Eq.6)
TP
Sensitivity = FN+TP (Eq.7)
TN+TP
Accuracy = FP+TP+FN+TN (Eq.8)
TP
Precision = FP+TP (Eq.9)
2 TP
F1 score = Recall = (Eq. 10)
1 1 TP + FN
Pr + Recal
Tandis que TP (vrais positifs), TN (vrais négatifs), FP (faux positifs) et FN (faux négatifs).
L'analyse a également utilisé une autre mesure populaire connue sous le nom de
courbe ROC (Receiver Operating Characteristic). Cette courbe analyse l'aire sous la courbe
(AUC) pour déterminer la précision des modèles de prédiction (Eq. 11). La cartographie de la
susceptibilité aux inondations, aux glissements de terrain et à l'érosion par ravinement utilise
également l'erreur quadratique moyenne (RMSE) (Eq. 12) et l'erreur absolue moyenne (MAE)
(Eq. 13). Ces deux indices ont été largement employés dans plusieurs études universitaires.

(∑ TP+∑ TN)
AUC = (Eq.11)
(P+N)

Où P et N sont les nombres totaux de pixels avec et sans événements torrentiels, de glissement
ou d'érosion, respectivement, TP représente le vrai positif, et TN représente le vrai négatif.

1 n
RMSE = √ ∑ (X predicted − X actual )2 (Eq. 12)
n i=1

1 n
MAE = √ ∑ |X predicted − X actual | (Eq. 13)
n i=1

 n: Le nombre total d'échantillons dans la phase d'apprentissage ou de test ;

 Xpredicted: La valeur projetée à partir des modèles de susceptibilité (glissements de
terrain, inondations et érosion des ravines) ;
 Xactual: La valeur observée.

46
47
 CHAPITRE I:
CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX
GLISSEMENTS DE TERRAIN AU NIVEAU DE TIZI
N’TICHKA (FR & PR)

48
 CHAPITRE I
CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX GLISSEMENTS DE
TERRAIN AU NIVEAU DE TIZI N’TICHKA (FR & PR)

Publication 1 (P1) Article : Youssef Bammou, Bouskri Ismail, Brahim Benzougagh, Shuraik
Kader, Brahim Igmoullan, Abdelkrim Bensaid, Velibor Spalevic (2023) The contribution of
the frequency ratio model and the prediction rate for the analysis of landslide risk in the Tizi
N’tichka area on the national road (RN9) linking Marrakech and Ouarzazate.

Cet article est accepté et publié dans la revue Catena

([Link]

1.1 Résumé

L'infrastructure routière joue un rôle crucial dans le développement économique d'un pays en
reliant diverses régions. Au Maroc, les glissements de terrain représentent un défi majeur pour
les projets d'infrastructure, en particulier en raison de facteurs tels que la lithologie, le climat,
la superposition des structures de rift et les hauteurs élevées du Haut Atlas. Le développement
de cartes de susceptibilité aux glissements de terrain est donc essentiel pour anticiper des
actions correctives. La route nationale numéro 9, reliant Marrakech à Ouarzazate, est
particulièrement touchée par ce phénomène dans la région de Tizi N'Tichka.

Cette étude utilise la fréquence relative (RF) et le taux de prédiction (PR) pour cartographier
la susceptibilité aux glissements de terrain le long de cette route. La quantification des
capacités prédictives des facteurs conditionnants se fait par l'application des taux de
prédiction à la fréquence relative, permettant de produire l'indice de sensibilité aux
glissements de terrain (LSI).

Nous avons préparé des inventaires de 214 sites historiques de glissements de terrain, à partir
de Google Earth et de missions sur le terrain. Ces données ont été divisées en deux ensembles
: 70 % (150 événements) pour l'entraînement du modèle et 30 % (64 événements) pour sa
validation. Après avoir analysé treize facteurs conditionnants, tels que l'altitude, la courbure,
l'indice de topographie à l'eau (TWI), les précipitations annuelles moyennes, la pente, l'aspect,
le NDVI, l'indice de sécheresse standardisé (SPI), l'utilisation des terres, ainsi que la distance
aux rivières, routes, failles et lithologie, la carte de sensibilité a été classée en cinq catégories.

49
Enfin, les résultats ont été évalués à l'aide de la technique de la courbe caractéristique
d'exploitation du récepteur (ROC). La valeur AUC obtenue pour cette validation est de 92,3
%. Ces résultats montrent que la cartographie de la susceptibilité aux glissements de terrain
met en évidence l'efficacité des méthodes RF et PR.

Mots clés: Glissement de terrain, Susceptibilité, Fréquence relative, Taux prédictif, Tizi
N'tichka.

1.2 Introduction

Selon le rapport mondial d'évaluation des catastrophes naturelles 2021, les

catastrophes naturelles causent des milliers de morts et des milliards de dollars de dégâts
(2020 Global Natural Disaster Assessment Report - China | ReliefWeb, 2021). Les
glissements de terrain sont classés parmi les catastrophes naturelles les plus préjudiciables, car
ils causent des dommages considérables à l'environnement, entraînant généralement des
dégâts aux terres agricoles, la perte de sources de sol et la destruction d'infrastructures. Un
glissement de terrain est un mouvement de sol, de particules ou d'une masse rocheuse le long
d'une pente, selon Cruden (Cruden, 1991). L'instabilité des pentes est la principale raison qui
déclenche un glissement de terrain. Cette instabilité peut être induite par divers éléments, tels
que les aspects morphologiques, la nature géologique du faciès et de nombreux facteurs
anthropogéniques.

Les glissements de terrain constituent une menace importante pour la sécurité du

public et des infrastructures sur les terrains escarpés où les précipitations sont intenses,
comme à Tizi N'tichka, au Maroc. Cette zone est située sur la route nationale RN9, qui relie
Marrakech à Ouarzazate. Les données statistiques suggèrent que la région est fortement
sujette aux glissements de terrain. Ces scénarios induisent la nécessité de formuler un modèle
complet pour évaluer les risques et proposer un mécanisme prédictif afin d'atténuer les risques
associés aux glissements de terrain à Tizi N'tichka.

De nombreuses études ont examiné comment prévoir l'instabilité du sol en se basant

sur deux groupes de facteurs de causalité : la prédisposition et les déclencheurs. Le concept de
susceptibilité détermine la probabilité qu'un glissement de terrain se produise dans un espace
donné. Il a évolué avec le développement d'algorithmes et d'outils d'analyse des informations
spatiales (Paudel et al., 2016; Guzzetti et al., 1999; Thiery et al., 2007; Fell et al., 2008). En
outre, diverses méthodes et procédures ont été employées pour définir et modéliser la

50
susceptibilité aux glissements de terrain, certaines recherches indiquant que ce type de modèle
est souvent incompatible avec de vastes zones (Pourghasemi & Rahmati, 2018; Zhao & Chen,
2020). De plus, ces modèles présentent des anomalies directement liées aux poids des
variables ayant influencé le phénomène des glissements de terrain. Plusieurs techniques
statistiques ont également été développées ; ces modèles nécessitent l'utilisation d'un modèle
structurel fictif, ce qui met fortement l'accent sur la paramétrisation, fréquemment utilisée
dans les évaluations des risques géologiques. Cette stratégie présente toutefois un certain
nombre de lacunes et n'est pas toujours pratique. Elle requiert des hypothèses sous-jacentes et
l'interdépendance statistique des quantités, en particulier le poids de la preuve (WoE),
l'entropie, le facteur de certitude (CF) et la théorie de Dempster-Shafer (Zhao & Chen, 2020).

La région du Haut Atlas marocain de Tichka possède des sommets atteignant jusqu'à
2260 mètres. L'aménagement de la route nationale numéro 9, qui traverse cette région et relie
Marrakech à Ouarzazate, a débuté en 1924 sans prendre suffisamment en compte les facteurs
environnementaux. Ce type de construction routière altère généralement l'environnement local
et le paysage, ayant un impact substantiel sur la stabilité des pentes, le drainage, l'érosion et
l'apport de sédiments dans le système de drainage (Dahal et al., 2006; Petley et al., 2007). Le
fait qu'une grande partie de cette route longe les berges d'une rivière amplifie ces effets. Des
études sur la viabilité de la construction d'un tunnel de 11 km à travers les montagnes de
l'Atlas, qui aurait réduit la distance entre Ouarzazate et Marrakech de 25 km et permis aux
conducteurs de gagner 40 minutes de temps de trajet, ont été réalisées en 1974. D'autres
recherches ont été menées en 1996, 2002 et 2004.

Les cartes montrant la susceptibilité aux glissements de terrain indiquent les zones à
risque élevé ou faible, et elles peuvent être utilisées pour prendre des précautions avant que
des dommages ne surviennent (Tien Bui et al., 2014). Afin de déterminer la probabilité
d'effondrements des pentes le long de ces portions de route et de cartographier la
susceptibilité aux glissements de terrain, plusieurs recherches ont été menées à l'échelle
mondiale (H. Hong et al., 2018; Youssef et al., 2015; Regmi, Devkota, et al., 2014; Bui et al.,
2011; Regmi et al., 2014; Timilsina et al., 2014; Devkota et al., 2013; Das et al., 2010; Sidle
et al., 2011; Salcedo, 2009).

Le modèle de rapport de fréquence est utilisé pour calculer le risque de glissements de

terrain par le biais d'études d'analyse statistique afin de déterminer le lien entre les glissements
de terrain et des facteurs tels que les précipitations, l'état du sol et la topographie. La

51
distribution spatiale de la fréquence des glissements de terrain a été déterminée, et le modèle
de rapport de fréquence identifiera les zones les plus sensibles aux glissements de terrain.
Cette analyse permettra de définir les stratégies d'atténuation nécessaires.

Un taux de prédiction est un outil qui estime la probabilité de futurs glissements de

terrain en utilisant les résultats précédents et leurs justifications associées. Il constitue une
méthode efficace pour rassembler les informations nécessaires à la planification et à la prise
de décisions concernant l'atténuation et la gestion des risques de glissement de terrain. Il
intègre en effet toutes les données relatives à l'angle de la pente, au ruissellement et à la
géologie.

L'objectif de cette recherche est d'explorer l'efficacité de l'utilisation du modèle de

rapport de fréquence et du taux de prédiction pour analyser la susceptibilité aux glissements
de terrain de Tizi N'tichka sur la route nationale RN9, en distinguant les forces et les
faiblesses et en explorant leur potentiel pour influencer des mesures réussies de réduction des
risques. Dans ce travail, nous fournissons la première cartographie complète de la
susceptibilité aux glissements de terrain en utilisant la fréquence relative (RF) et le taux de
prédiction (PR) le long de la partie de la région de Tizi N'tichka sur la route nationale numéro
9. Cet endroit se trouve sur une route vallonnée qui a récemment connu plusieurs glissements
de terrain. Néanmoins, aucune recherche n'a jamais été effectuée dans cette zone. Il était donc
essentiel de déterminer l'état des pentes et d'identifier les régions présentant une forte
probabilité de glissements de terrain. Nous avons rassemblé autant de données que possible
sur les glissements de terrain récents et historiques afin de créer un inventaire des glissements
de terrain et de déterminer chaque élément conditionnant potentiel. Le flux de travail utilisé
dans l'étude est représenté dans la figure 1.5. Les planificateurs et les décideurs pourraient
utiliser les informations et les résultats pour élaborer des plans de surveillance des risques de
glissement de terrain et mettre en œuvre des actions d'entretien et d'atténuation le long de la
route.

1.3 Matériel et méthodes

1.3.1 Zone d'étude

La route nationale (RN9) est située dans le bassin du Tensift (sous-bassin du R'dat) et
s'étend sur une distance de 192,60 km, de Marrakech (31,630°, -8,008°) à Ouarzazate
(35,759°, -5,834°). Le site de recherche, d'une superficie de 64 km², a été choisi en fonction

52
des linéaments dans une zone tampon de 1 à 2 km et se trouve à 96 km au sud-est de
Marrakech, dans le Haut Atlas, à 2260 m d'altitude, près du col de Tichka. La RN9 a une
longueur de 43,44 km et se distingue par ses reliefs infranchissables et ses caractéristiques
géométriques extrêmement difficiles. Le massif du M'Goun et le massif du Toubkal, deux
chaînes de montagnes fondamentalement différentes, sont séparés par cette route. Sur le plan
climatique, la zone d'étude est caractérisée par des températures mensuelles moyennes
comprises entre 12,3 et 28,2 °C, ainsi que des précipitations annuelles moyennes de 600 à 800
mm. Les conditions climatiques et la morphologie du bassin favorisent la croissance d'un
couvert végétal hétérogène, composé principalement de plantes de steppe, de plantes
herbacées et de plantes arborescentes à feuilles minces (Fig. 1.1).

53
Fig 1. 1 : Cadre géographique de la zone d'étude et vue panoramique d'une partie de la route nationale 9 (RN9)

D'après une analyse géologique de la région de recherche tirée de la carte géologique

au 1/200000 de Demnat et Telouat, l'essentiel du corridor de la route nationale numéro 9
repose principalement sur un sol ordovicien, comprenant deux formations principales: le grès

54
vert et le schiste. À l'exception de la zone sud, qui se caractérise par des formations de
rhyolite, des basaltes doléritiques d'âge permo-triasique, des formations d'âge lias inférieur,
des calcaires rouges du cénomanien inférieur et des grès phosphatés du lutétien mastrichtien
(Fig. 1.2). La région de recherche présente un certain nombre d'instabilités dans le contexte
géomécanique, telles que des arrachements de blocs, des glissements de terrain, des
déformations ou ruptures de routes, et la poussée de roches friables (Fig. 1.3).

Fig 1. 2: Carte géologique de la zone d'étude et de ses environs (extraite de la carte géologique 1/200000 de Demnat et Telouat)

55
Fig 1. 3: Illustration de quelques types d'anomalies à Tizi N'Tichka (a, b) images satellite Google Earth Pro prises en 2022 (c, d, e)
vérifications sur le terrain prises en 2023.

1.3.2 Collecte de données

Cette étude a permis d'établir une cartographie de la susceptibilité aux glissements de

terrain à partir de plusieurs sources de données et d'évaluer les méthodologies FR et PR. Dans
cette étude, les incidents de glissement de terrain ont été recueillis à l'aide d'une base de
données fiable créée à partir de données de terrain et de données historiques. En outre,
l'USGS Earth Explorer a été téléchargé avec des photos satellites Sentinel-2, qui offrent une
haute résolution de 10 mètres. Afin d'extraire les unités de pente de la région étudiée, de
produire les variables de relief, puis de récupérer les fasciés géologiques et les failles de la
carte géologique scannée de Demnat et Telout à l'échelle 1:200 000, un modèle numérique
d'élévation (MNT) d'une résolution spatiale de 12,5 m a été utilisé à l'aide d'ALOS PALSAR.
Les routes, les failles et les plans d'eau ont tous été convertis en fichiers au format raster.

56
1.3.3 Inventaires et préparation des facteurs de conditionnement des glissements de
terrain

La création de cartes d'inventaire des glissements de terrain (Fig 1.1) nécessite à la fois
une enquête sur le terrain et l'analyse d'images satellites. Même si les circonstances des
glissements de terrain sont les mêmes que par le passé, plusieurs facteurs ayant un impact sur
les glissements de terrain sont pris en compte lors de l'évaluation des données provenant des
inventaires de glissements de terrain. Enfin, une carte d'inventaire des glissements de terrain,
associée à des variables de conditionnement des glissements de terrain, est nécessaire pour
établir une carte de susceptibilité aux glissements de terrain.

Soixante-dix pour cent des 214 glissements de terrain signalés sont utilisés pour la
formation du modèle, tandis que trente pour cent sont utilisés pour la validation du modèle. La
littérature est une liste des pourcentages utilisés. En comparant les sites de glissements de
terrain actuels à la carte de vulnérabilité aux glissements de terrain générée, une interaction de
validation a été réalisée. Toutes les méthodes actuellement utilisées pour déterminer la
vulnérabilité aux glissements de terrain reposent sur l'idée que des conditions géologiques,
géomorphologiques, climatiques et hydrogéologiques similaires qui ont provoqué et
continuent de provoquer des glissements de terrain dans le passé et le présent sont plus
susceptibles de provoquer des glissements de terrain à l'avenir (I. Yang et al., 2016; Kanungo
et al., 2009). Par conséquent, les corrélations quantitatives entre les occurrences de
glissements de terrain et les variables de conditionnement sont déterminées à l'aide de
l'inventaire des glissements de terrain.

La sélection des paramètres de conditionnement des glissements de terrain est cruciale

pour la création d'un modèle de prévision précis. Le domaine de recherche rassemble les
facteurs associés à la distribution des glissements de terrain, où chaque élément a un impact
sur l'incidence des glissements de terrain, en suivant les procédures précédentes (visites sur le
terrain, données de terrain, enquêtes et données historiques), (Ghorbanzadeh & Blaschke,
2019; He et al., 2019; Sevgen et al., 2019; Xiao et al., 2019). Les paramètres choisis sont
souvent divisés en catégories topographiques, géologiques, environnementales et
anthropiques dans la modélisation de la susceptibilité aux glissements de terrain. Néanmoins,
les grandes lignes directrices pour les choisir ne sont pas contradictoires. Afin de déterminer
la susceptibilité aux glissements de terrain, les LSFs ont été choisis parmi les variables les
plus souvent citées dans la littérature (W. Yang et al., 2019; Kanungo et al., 2009;

57
Pourghasemi et al., 2012; Kornejady et al., 2018; Chen et al., 2019; Fallah-Zazuli et al., 2019;
Dao et al., 2020).

L'étude de la susceptibilité aux glissements de terrain comporte quatre phases

principales : la collecte et la construction d'une base de données géographiques sur les
glissements de terrain et les variables de conditionnement ; la détermination de la
susceptibilité aux glissements de terrain en utilisant le lien entre les glissements de terrain et
les facteurs de conditionnement ; et enfin, la validation des résultats (Guzzetti et al., 1999).

Dans cette étude, deux méthodes ont été utilisées pour préparer l'inventaire des
glissements de terrain. La première méthode a consisté à interpréter des images satellites, en
particulier des images Sentinel d'une résolution de 10 mètres et des images à haute résolution
accessibles dans Google Earth Pro, qui représente une base de données pratique d'images
historiques à haute résolution pouvant révéler de nombreux glissements de terrain, et à les
vérifier sur le terrain. Selon les recherches publiées, les images de Google Earth peuvent être
une source fiable pour créer des inventaires de glissements de terrain et, par conséquent, des
cartes de susceptibilité dans des endroits éloignés (Conoscenti et al., 2016; Costanzo et al.,
2012). La majorité des polygones numérisés sur Google Earth ont ensuite été vérifiés sur le
terrain (Fig 1.3). Les pixels de glissements de terrain ont reçu la valeur 1 sur la carte
d'inventaire des glissements de terrain, tandis que les pixels à l'extérieur des polygones de
glissements de terrain, ou les pixels qui ne sont pas des glissements de terrain, ont reçu la
valeur 0. L'étude a utilisé un total de treize éléments de conditionnement qui ont été recueillis
à partir de diverses sources. Le logiciel ArcGIS 10.3 a été utilisé pour tous les traitements.

Pour de nombreux dérivés géomorphologiques nécessaires à la cartographie de la

susceptibilité aux glissements de terrain, un modèle numérique d'élévation d'une résolution
spatiale de 12,5 m est particulièrement utile. Six facteurs de conditionnement, dont le relief, la
pente, l'aspect, la courbure, l'indice d'humidité topographique (TWI), l'indice de puissance des
cours d'eau (SPI) et l'aspect, ont été utilisés avec le MNT (Fig 1. 4). Dans plusieurs études,
tous ces éléments de conditionnement ont été utilisés et se sont avérés cruciaux pour prédire la
vulnérabilité aux glissements de terrain (H. Hong et al., 2018; Chen et al., 2017; Pham et al.,
2017; I. Yang et al., 2016; Tien Bui et al., 2014; Althuwaynee et al., 2014a; Regmi et al.,
2014).

58
 La géologie, y compris les types de failles qui affectent la région de recherche et la
nature des fasciae, a été déterminée à l'aide d'une carte géologique de Demnat et Telouat à
l'échelle 1:200 000. (Fig 1.2).

L'image haute résolution de Google Earth a été utilisée pour catégoriser les cinq
classes et l'image Sentinel du 18 novembre 2020 a été utilisée pour dériver les classes
d'utilisation des terres sur la base d'une méthode de clustering ISO non supervisée. La même
image a également été utilisée pour calculer l'indice de végétation par différence normalisée
afin de faire correspondre la végétation à ces classes (NDVI).

Alors que les autoroutes sont des coupes et des remblais artificiels qui induisent une
instabilité des pentes, les rivières d'un bassin versant sont la conséquence d'une interaction à
long terme entre les caractéristiques géologiques, la topographie et la pente sous l'impact de
l'eau (Bui et al., 2011). La distance entre les autoroutes et les rivières a été estimée à l'aide de
la distance euclidienne en raison de leur vulnérabilité à l'instabilité des pentes.

L'une des principales causes naturelles des glissements de terrain est la précipitation.
La région du Haut Atlas, où se trouve Tizi N'Tichka, est connue pour ses précipitations
abondantes et irrégulières. La carte des précipitations annuelles moyennes en millimètres
(mm) a été créée par interpolation des données d'observation obtenues à partir de 12 stations
climatiques (1984-2019) exploitées par l'ABHT pendant une période de 35 ans.

59
Fig 1. 4: Cartes thématiques de la zone d'étude : de gauche à droite, première ligne : Élévation, courbure, TWI et précipitations
annuelles moyennes. Deuxième rangée : Pente, Aspect, NDVI et SPI. Troisième ligne : Utilisation des sols, distance aux rivières,
distance aux routes et distance aux failles. Quatrième ligne : Lithologie

60
1.3.4 Modélisation et analyse statistique

Dans ce travail, nous présentons la première cartographie complète de la susceptibilité

aux glissements de terrain le long d'un segment de la route nationale numéro 9 en utilisant la
fréquence relative (RF) et le taux de prédiction (PR). Il s'agit d'une route vallonnée qui a déjà
connu de nombreux glissements de terrain. Néanmoins, aucune recherche n'a jamais été
effectuée dans ce domaine. Il était donc essentiel de déterminer l'état des pentes et d'identifier
les régions présentant une forte probabilité de glissements de terrain. Nous avons rassemblé
autant de données que possible sur les glissements de terrain récents et historiques afin de
créer un inventaire des glissements de terrain et de déterminer chaque élément conditionnant
potentiel. La figure 1.5 montre la méthodologie utilisée dans l'étude. Les planificateurs et les
décideurs peuvent utiliser les informations et les résultats pour créer des plans de surveillance
des risques de glissement de terrain et mettre en œuvre des actions de maintenance et
d'atténuation le long de la route.

Fig 1. 5: Organigramme de la méthodologie développée

Sur la base de la contribution des éléments primaires et de leurs relations, il est

possible d'évaluer la susceptibilité d'un lieu aux glissements de terrain. Ces dernières années,
la recherche sur les glissements de terrain a de plus en plus intégré des techniques
d'apprentissage automatique. Néanmoins, ces techniques ont besoin de beaucoup de données

61
pour s'entraîner afin d'être plus précises. En raison de l'absence de données, nous avons utilisé
des modèles probabilistes basés sur la fréquence et le ratio des glissements de terrain dans
différentes composantes.

En raison de sa simplicité, le rapport de fréquence (FR) est l'un des modèles

probabilistes les plus souvent utilisés dans les études de susceptibilité aux glissements de
terrain (I. Yang et al., 2016; Kayastha, 2015; Regmi, Devkota, et al., 2014; Choi et al., 2012;
Yilmaz, 2009; Lee & Sambath, 2006). En plus d'être le ratio de la probabilité de glissements
de terrain par rapport à l'absence de glissements de terrain pour une caractéristique
particulière, la FR est définie comme la région où les glissements de terrain se sont produits
par rapport à l'ensemble de la zone de recherché (Bonham-Carter, 1994; Lee & Sambath,
2006; Pradhan & Lee, 2010). Elle peut être décrite analytiquement comme suit et est basée sur
le lien observé entre la distribution géographique et les facteurs de déclenchement des
glissements de terrain (Eq1.1):

Npix (LXi )
⁄∑m
i=1 Npix (LXi )

FR = Npix (Xj ) (Eq 1.1)

⁄∑n N (X )
j=1 pix j

Où, FR est le rapport de fréquence de la classe i du paramètre j. 𝑁𝑝𝑖𝑥 (𝐿𝑋𝑖 ) est le nombre de
pixels avec des glissements de terrain dans la classe i de la variable paramétrique X. 𝑁𝑝𝑖𝑥 (𝑋𝑗 )
est le nombre de pixels dans la variable paramétrique Xj. m est le nombre de classes dans la
variable paramétrique Xi et n et n est le nombre de paramètres dans la zone d'étude (Regmi et
al., 2014).
Les FR ont ensuite été normalisées en fonction de la plage de valeurs de probabilité [0, 1] en
tant que fréquence relative dans une étape ultérieure (FR). L'équation (Eq 1.2) a été utilisée
pour obtenir la FR pour chaque classe :

𝐹𝑅𝑖𝑗
𝑅𝐹 = 𝑚 (𝐸𝑞 1.2)
∑𝑖=1 𝐹𝑅𝑖𝑗

La fréquence RF présente toujours l'inconvénient de traiter tous les éléments de

conditionnement de la même manière après l'égalisation. Le taux de prédiction (PR) a été
généré pour l'évaluation de chaque élément de conditionnement à l'aide de l'ensemble des

62
données d'apprentissage afin de remédier à cet inconvénient et de tenir compte des
interdépendances entre les variables indépendantes (Eq 1.3) :
(𝑅𝐹𝑚𝑎𝑥 −𝑅𝐹𝑚𝑖𝑛 )
𝑃𝑅 = (Eq 1.3)
(𝑅𝐹𝑚𝑎𝑥 −𝑅𝐹𝑚𝑖𝑛 )𝑚𝑖𝑛

Le PR de chaque composante et le RF de chaque classe ont ensuite été additionnés pour créer
l'indice de susceptibilité aux glissements de terrain (LSI), comme indiqué ci-dessous (Eq 1.4):

𝐿𝑆𝐼 = ∑(𝑃𝑅 ∗ 𝑅𝐹) (𝐸𝑞 1.4)

Une carte de susceptibilité aux glissements de terrain a été créée à l'aide de ces valeurs
LSI. La précision et la fiabilité de la carte produite sont cruciales. Il convient de souligner que
seul l'ensemble des données d'entraînement a été utilisé par LSI, les 30 % restants étant
consacrés à la validation.

Cette étude a largement utilisé l'approche de la courbe ROC (Receiver Operating

Characteristic) pour évaluer l'efficacité et la précision d'un modèle de susceptibilité aux
glissements de terrain (Chen et al., 2017; Tien Bui et al., 2016; Althuwaynee et al., 2014b;
Pourghasemi et al., 2012). Un changement dynamique dans les résultats de la catégorisation
est illustré par la courbe de sensibilité ou de spécificité. L'aire sous la courbe (AUC), qui est
la région entre l'axe horizontal et la courbe ROC, est utilisée pour évaluer la courbe ROC
(Zhang et al., 2016). Les valeurs de l'AUC sont comprises entre 0,5 et 1, et toute valeur
supérieure à 0,5 indique que le modèle est bon (Ja, 1988). La précision de la prévision
augmente avec le pourcentage de l'aire sous la courbe, ou avec l'inclinaison de la pente de la
courbe. Un excellent modèle avec une valeur AUC de 0,9 montre que 90% des glissements de
terrain se produisent dans les 10% des endroits les plus vulnérables (Lee & Talib, 2005).

1.3 Résultats

1.4.1 Analyse des facteurs influençant les glissements de terrain

Les FR et PR pour toutes les classes ont été obtenus après la préparation de toutes les
composantes de conditionnement à l'aide de l'ensemble de données d'entraînement de 70 %.
La proportion de glissements de terrain et de domaines, les FR, RF et PR pour chaque classe
et facteur sont présentés dans le tableau 1.1. FR est fréquemment utilisé dans la recherche sur
la susceptibilité aux glissements de terrain. Toutefois, dans le cas présent, une normalisation

63
entre 0 et 1 a été appliquée pour permettre une meilleure comparaison et une meilleure
compréhension de l'impact sur le calcul de LSI. De la même manière, le PR offre une
pondération des variables affectant l'indice de susceptibilité aux glissements de terrain.

En termes de facteur d'élévation, la zone située entre 2200 et 2510 m a une valeur
élevée de RF, ce qui suggère qu'il y a un risque de glissements de terrain dans cette zone et
que des glissements de terrain s'y sont produits plus fréquemment dans le passé. La valeur est
plus élevée pour les pentes comprises entre 26 et 70°. La plupart des études de cas menées à
l'échelle mondiale ont révélé qu'un relief et des angles de pente plus élevés contribuent de
manière significative aux glissements de terrain (Y. Hong et al., 2007). Les surfaces planes
ont également montré une distribution des glissements de terrain dans la recherche, ce qui est
causé par le pied du glissement de terrain ou des régions collectées (Sestras et al., 2022). Les
classes d'aspect présentent un large éventail de glissements de terrain. La plus grande
distribution des glissements de terrain sur les courbes plates s'explique par le même facteur.

De même, les glissements de terrain sont plus fréquents sur les pentes concaves que
sur les pentes convexes. Les pentes concaves induisent une concentration de l'eau aux
extrémités inférieures, alors que les pentes convexes sont plus stables car les flux sont
également dispersés (Ghimire & Timalsina, 2020). Le TWI est la corrélation entre la quantité
d'eau qui s'accumule dans une zone spécifique et l'inclinaison de l'attraction gravitationnelle
du cours d'eau (Beven & Kirkby, 1979 ; Benzougagh et al., 2020). L'indice TWI a également
démontré une corrélation avec la susceptibilité aux glissements de terrain dans notre situation,
avec une plus grande distribution des glissements de terrain ayant un indice TWI supérieur à
14. L'indice SPI a également montré une augmentation progressive de la distribution des
glissements de terrain avec une valeur SPI croissante, ce qui indique que le danger
d'effondrement des pentes augmente avec la puissance érosive spécifique à l'endroit.

La zone forestière est plus stable lorsque le NDVI est élevé. Les valeurs sont affichées
dans le RF du NDVI supérieur à 0,3. En revanche, la partie sud de la région étudiée présente
une stabilité au glissement lorsque la valeur du NDVI est inférieure à 0,2, ce qui s'explique
par la présence d'affleurements de socle très dur.

Une grande partie de la région de recherche est couverte par des schistes acadiens et
ordoviciens, selon la représentation du faciès de la Fig. 1.2′s (C). Les formations hétérogènes
de calcium rouge avec du sel, du gypse à la base du Lias, et les formations de grès et de

64
conglomérats à Stephano-Trias contiennent la plus grande concentration de danger de
glissement de terrain.

Dans le bassin versant du R'dat, le réseau hydrographique représente une composante

géomorphologique cruciale. En raison de la simplicité de la construction et de l'évacuation des
coupes de pente, en particulier dans le nord de la zone d'étude, la plupart des routes de Tensift
sont construites le long des berges des rivières. Le danger élevé dans la section supérieure
peut en être la cause.

Les précipitations provoquent naturellement des glissements de terrain. La moyenne

annuelle des précipitations augmente au fur et à mesure que la route s'élève, et le RF indique
que les précipitations supérieures à 310 mm ont une fréquence relative plus élevée
d'apparition de glissements de terrain. Étant donné que notre région est connue pour avoir de
nombreuses périodes de tempête, il est probable que les glissements de terrain se produisent
plus fréquemment si les précipitations sont supérieures à ce chiffre dans certaines zones
(Sestraș et al., 2019). Enfin, d'un point de vue structurel, il existe un lien entre les valeurs de
RF et les failles qui traversent la route ; les régions qui se trouvent à moins de 500 m des
failles ont des valeurs de RF élevées.

65
Tableau 1. 1: Rapport de fréquence (FR), fréquence relative (RF) de chaque classe et taux de prédiction (PR) de chaque facteur
de conditionnement.

66
Tableau 1. 1: (suite)

1.4.2 Carte de susceptibilité aux glissements de terrain et validation

Une étape cruciale de la modélisation de la susceptibilité aux glissements de terrain

consiste à déterminer la relation entre les glissements de terrain passés et leurs causes sous-
jacentes. Ce processus est utilisé pour choisir les bons éléments. Les résultats de la PR, le
tableau 1.1 et la figure1.6(b) de la présente étude, et les 13 éléments pris en compte comme
facteurs de motivation des glissements de terrain, montrent que le TWI, l'élévation,
l'utilisation des terres et le NDVI ont les valeurs les plus élevées pour la PR, suivis de près par
la lithologie, les précipitations, l'aspect, la courbure et l'indice de surface de la terre. La
prédiction des glissements de terrain est modérément influencée par le sol, la géologie, le
NDVI et le relief. Les éléments conditionnels les moins significatifs dans l'étude sont la pente,
la distance aux autoroutes, la distance aux failles, la distance aux rivières et la distance aux
lacs. La construction de la route de Tizi N'Tichka a joué un rôle central dans la stabilisation
des pentes, influençant directement l'impact de ce facteur, comme le montrent les photos ci-
jointes. Cette stabilisation affecte aussi indirectement l'interaction avec le facteur proximité
aux routes, qui augmente dans les parties montagneuses du Maroc (Hamdouni et al., 2022).
Contribuant ainsi à l'occurrence des glissements de terrain dans notre région.

En outre, l'interaction des facteurs (altitude) et (pente) donne lieu à diverses formes de
mouvements de terrain (Bilașco et al., 2021), notamment le long de la route de Tizi N'Tichka.
Ces manifestations englobent les chutes de pierres, les glissements de terrain et les

67
déplacements de masse, typiquement attribuables aux forces gravitationnelles, comme
l'illustrent les images fournies. Un paramètre remarquable, l'indice d'humidité topographique
(TWI), largement utilisé dans l'analyse hydrologique, sert à souligner la susceptibilité de la
zone à retenir l'eau. Son importance est accrue par l'incorporation des effets liés à la pente.

Selon l'approche de la rupture naturelle, la valeur LSI a été calculée à partir de la PR et

de la RF des treize éléments de conditionnement et répartie en cinq classes de susceptibilité
uniques: très faible, faible, moyenne, élevée et très élevée (Jenks). La carte de susceptibilité
aux glissements de terrain basée sur la catégorisation du tableau 1.2 est présentée à la figure
1.6(a). Environ 40,22 % de la région étudiée présente une sensibilité extrêmement faible à
faible aux glissements de terrain, tandis que 19 % présente une sensibilité moyenne. En
revanche, les groupes de sensibilité élevée et très élevée représentent 40,78 % de la région.
Tableau 1. 2: La superficie en Km2 et le pourcentage de la superficie des résultats des cinq classes de susceptibilité aux
glissements de terrain.

L'ensemble des données d'apprentissage a été utilisé pour créer la courbe du taux de
réussite, et l'ensemble des données de validation restantes a été utilisé pour créer la courbe du
taux de prédiction. La figure 1.6c et d, illustre les courbes ROC pour les deux phases. La
valeur AUC de l'ensemble de données d'apprentissage est de 0,747 et celle de l'ensemble de
données de validation est de 0,923, comme le montre la courbe.

68
 a b

Fig 1. 6: (a) Carte finale de l'indice de susceptibilité aux glissements de terrain (LSI) : (b) Taux de prédiction des facteurs de
conditionnement, (c) Courbes ROC des échantillons de test, et (d) Courbes ROC des échantillons de validation.

1.5 Discussion

En raison de l'intégration spatiale complexe du changement climatique, du

changement LULC et de la pression exercée par les activités humaines, l'occurrence des
glissements de terrain augmente dans les régions montagneuses du Maroc (Hamdouni et al.,
2022). Par conséquent, il y a un besoin urgent d'investigations plus précises qui produisent de
meilleures données spatiales pour évaluer la vulnérabilité aux glissements de terrain. Son
efficacité dépend de variables causales efficaces, de techniques de modélisation appropriées et
d'exigences en matière de qualité des données (Ayalew & Yamagishi, 2005). Malgré
l'importance des facteurs physiologiques dans la stabilité actuelle des matériaux des pentes,

69
les modèles FR et PR ont été utilisés dans cette étude pour délimiter la vulnérabilité spatiale
des glissements de terrain sur la route nationale numéro 9, avec un total de 214 événements de
glissement de terrain. Les glissements de terrain sont étroitement liés à des facteurs humains
et économiques cruciaux dans les régions montagneuses.

Les modèles FR et PR utilisés ont montré que les régions du sud et du nord étaient les
plus sensibles aux glissements de terrain. Ce résultat est toutefois conforme aux conclusions
de l'important travail de terrain effectué dans la région étudiée. L'altitude extrême (>2200 m),
la densité végétale limitée, les formations rocheuses fragiles, les fortes précipitations, les
nombreuses fractures et failles, et l'érosion rapide de la couche arable sont quelques-unes des
caractéristiques de ces lieux. Ces qualités rendent ces endroits très vulnérables aux
glissements de terrain, et il convient donc de leur accorder la priorité en matière d'entretien et
d'atténuation (Mohammed et al., 2020).

Les principales incertitudes et restrictions de cette étude à cet égard sont la variété des
sources de données et la résolution géographique des variables. Par exemple, il y a eu des
divergences dans la résolution des données MNT, LULC, lithologie et type de sol. De
nombreuses recherches montrent que, malgré les améliorations apportées aux études de
modélisation des glissements de terrain, le choix de la bonne résolution spatiale reste difficile
(Wang & Brenning, 2021 ; Huang et al., 2022).

Ces restrictions sont typiques des régions où les données géographiques sont rares,
comme c'est le cas dans la zone d'étude. Toutes les couches thématiques ont été ré-
échantillonnées à une résolution de 12,5 m pour entreprendre cette enquête. L'absence
d'informations sur certains facteurs cruciaux, notamment la profondeur du sol, la profondeur
de la nappe phréatique et la texture du sol, constitue également un problème. Les résultats de
cette étude peuvent être considérés comme objectivement efficaces pour améliorer la qualité
des résultats spatiaux liés à la prévision des glissements de terrain au niveau national, malgré
ces restrictions et compte tenu des résultats de l'évaluation des performances.

L'application du modèle Frequency Ratio (FR) dans le bassin versant de l'Ourika situé
dans le Haut Atlas marocain a démontré une précision notable de 0,80, comme rapporté par
(Namous et al., 2021). Dans une étude distincte menée par (Abdelfattah et al., 2019) dans la
région nord du Maroc, le modèle FR a donné des résultats exceptionnels avec une valeur de

70
l'aire sous la courbe (AUC) de 0,97. Comparativement, dans la présente étude, une valeur de
précision d'environ 0,923 a été obtenue.

La performance constante du modèle FR dans les différentes régions du Maroc

souligne son potentiel en tant qu'outil précieux pour l'évaluation des risques de glissement de
terrain. Ces résultats contribuent au corpus croissant de connaissances concernant la
susceptibilité aux glissements de terrain au Maroc et peuvent aider à informer les processus de
prise de décision liés à la gestion des terres et aux efforts de réduction des risques de
catastrophe.

Enfin, des études de ce type devraient être menées fréquemment, et la meilleure

méthode pour les modéliser est de disposer d'inventaires actualisés. Le public pourrait
facilement utiliser les cartes qui en résulteraient. Pour éviter des pertes supplémentaires en
vies humaines et en biens, les zones dangereuses identifiées devraient être évacuées. Un
système d'alerte peut également être mis en place sur la base des cartes de vulnérabilité aux
glissements de terrain. En outre, l'utilisation de cartes régionales de vulnérabilité aux
glissements de terrain peut servir à créer automatiquement des chemins sûrs en cas de
glissement de terrain sur un terrain particulièrement montagneux (Saha et al., 2005). Ces
actions peuvent contribuer à préserver une économie et un mode de vie viables le long des
corridors de transport de la région.

1.6 Conclusion

Le choix de la route nationale numéro 9 entre Ouarzazate et Marrakech pour cette

étude a été motivé par sa situation stratégique dans les régions vallonnées de la zone orientale,
qui nécessitent une surveillance étroite en raison de la prévalence des phénomènes de
glissement de terrain. En outre, la route revêt une importance économique considérable et a
connu de nombreux glissements de terrain dans le passé. Grâce à un travail de terrain
approfondi et à la numérisation de photographies à l'aide de Google Earth, un inventaire
complet des glissements de terrain dans la zone d'étude a été dressé. L'approche de la
fréquence relative, basée sur 70 % des données d'apprentissage, a été utilisée pour établir la
relation entre les facteurs de conditionnement et les glissements de terrain dans la région. Les
taux de prédiction obtenus ont ensuite été utilisés comme poids pour chaque caractéristique
afin de construire l'indice de susceptibilité aux glissements de terrain. Les résultats ont révélé
que la zone située entre 100 et 200 m du bord de la route présentait une forte susceptibilité
aux glissements de terrain. La plupart des glissements de terrain se sont produits sur des

71
terrains secs à des altitudes comprises entre 2200 et 2510 m, caractérisés par des valeurs
élevées de l'indice d'humidité topographique (TWI) et de faibles valeurs de l'indice de
végétation par différence normalisée (NDVI). En outre, l'occurrence des glissements de
terrain était souvent associée à des endroits connaissant des précipitations annuelles élevées,
ce qui indique que les facteurs naturels contribuent de manière prédominante aux incidents de
glissement de terrain. Notamment, malgré la disponibilité limitée des données historiques et
des recherches sur les glissements de terrain dans la région de Tizi N'tichka, les résultats de
cette étude ont démontré une grande fiabilité, comme l'indique une valeur de l'aire sous la
courbe (AUC) supérieure à 0,923. Ces résultats servent de base à la poursuite des recherches
et à la vérification de la performance d'autres méthodes telles que le modèle d'indice de
sensibilité (SII), le modèle de validation de l'inventaire (IV) et le modèle du poids de la
preuve (WoE). Les données générées par cette étude ont une importance pratique pour les
citoyens qui peuvent les utiliser pour identifier et éviter les endroits dangereux. En outre, les
autorités compétentes peuvent utiliser ces informations pour développer des stratégies
efficaces d'atténuation des risques le long des routes.

72
 CHAPITRE II:
CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX
GLISSEMENTS DE TERRAIN AU NIVEAU DES SOUS
BASSINS DE TENSIFT (ML)

73
 CHAPITRE II
CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX GLISSEMENTS DE
TERRAIN AU NIVEAU DES SOUS BASSINS DE TENSIFT (ML)

Publication 2 (P2) Article: Youssef Bammou, Brahim Benzougagh, Brahim Igmoullan,

Shuraik Kader, Abdessalam Ouallali, Velibor Spalevic, Paul Sestras. (2024) Comparison of
different machine learning methods based on geospatial data for assessing landslide
susceptibility in a semi-arid context.

Cet article est soumis à la revue Land

2.1 Résumé
Cette recherche est centrée sur l'évaluation de la susceptibilité aux glissements de terrain dans
le sous-bassin versant de Tensift au Maroc. Bien que l'évaluation de la vulnérabilité aux
glissements de terrain soit un domaine d'étude familier, la nouveauté de notre étude réside
dans l'utilisation extensive de modèles ML, compte tenu des caractéristiques uniques et des
facteurs contributifs. Le LS a été estimé à l'aide de sept modèles (KNN, SVM, RF, DT, LR,
ANN et XGBoost), et leurs résultats ont été juxtaposés afin d'identifier le modèle ML le plus
adéquat pour cette application. La recherche combine des données spatiales quantitatives et
qualitatives pour cartographier les LS. L'utilisation de différents types de données
géographiques, telles que l'altitude, la pente, les précipitations et les LU/LC, en conjonction
avec des modèles ML, montre une approche globale du problème. Une analyse TOL et VIF
complète a été réalisée pour sélectionner les facteurs de conditionnement afin de choisir les
caractéristiques ou les facteurs les plus pertinents qui améliorent la précision du modèle LS.
Les données ont été combinées avec une base de données géographique compilée à partir des
enregistrements historiques de 1291 zones de glissement de terrain dans la région. L'ensemble
de données a fait l'objet d'une division aléatoire en un ensemble d'apprentissage comprenant
70 % des données et un ensemble de validation comprenant les 30 % restants. L'évaluation
des modèles a fait appel à des indices statistiques et à la méthode de la courbe ROC, ce qui a
permis une évaluation solide. Le modèle XGBoost a été identifié comme le modèle le plus
performant avec une AUC élevée de 93,41 %, suivi de près par RF et KNN avec des valeurs
AUC de 91,09 %. En outre, les valeurs RMSE étaient relativement faibles, allant d'un
minimum de 0,25 pour XGBoost à un maximum de 0,53 pour ANN. Les valeurs spécifiques
obtenues pour l'AUC et la RMSE fournissent des informations sur l'efficacité de chaque
modèle. Les résultats de cette étude suggèrent que XGBoost est particulièrement efficace pour

74
modéliser les LS dans le sous-bassin versant du Tensift, ce qui peut avoir des implications
pour les recherches futures dans des régions similaires au-delà des frontières géographiques.

Mots clés: Evaluation de la susceptibilité aux glissements de terrain ; Apprentissage

automatique ; SIG ; Importance des facteurs ; Bassin versant du Tensift ; Maroc.

2.2 Introduction

Les glissements de terrain sont des événements géomorphologiques et géologiques au

cours desquels des mouvements de masse sous l'effet de la gravité se produisent dans les
zones montagneuses (Park & Kim, 2019 ; Rahman et al., 2022 ; Silalahi, Arifianti, & Hidayat,
2019). Ce risque naturel provoque chaque année des dégâts forestiers, des dommages aux
infrastructures et des pertes de vies humaines dans diverses régions du monde. Selon une
étude basée sur 4862 événements de glissement de terrain entre 2004 et 2018, ces risques ont
causé environ 60 991 décès et des pertes économiques importantes et sont restés le risque
naturel le plus dommageable, à l'instar des inondations et des tremblements de terre (Froude
& Petley, 2018 ; Pham et al., 2020). Le développement des glissements de terrain a attiré
l'attention des gouvernements et des chercheurs du monde entier pour développer et trouver
des mesures de protection car ils représentent un risque majeur (Shahabi et al., 2014).

L'exploration des facteurs d'influence sur la base des caractéristiques de la zone

d'étude et des preuves scientifiques est cruciale pour atténuer les impacts des glissements de
terrain (Kim et al., 2018). Plusieurs modèles de susceptibilité peuvent être développés pour
évaluer la probabilité que des glissements de terrain se produisent dans une zone donnée en
utilisant les données disponibles. Ces modèles estiment la probabilité d'occurrence des
glissements de terrain potentiels par des méthodes telles que la cartographie directe et le
jugement d'experts (Salvatici et al., 2018). Ces méthodes ont été développées avec
l'avènement du traitement des données spatiales et des algorithmes d'analyse, qui ont été
utilisés pour la première fois dans les années 1990 (Carrara, Guzzetti, Cardinali, &
Reichenbach, 1999 ; Fell et al, 2008 ; Soeters & Van Westen, 1996 ; Thiery, Malet,
Sterlacchini, Puissant, & Maquarie, 2007). Au Maroc Les glissements de terrain sont plus
fréquents dans la région nord du royaume, notamment dans le chevauchement rifain, comme
le notent Elmoulat et al. (2015). mais aussi dans d'autres régions comme le bassin versant du
Tensift dans le Haut Atlas de Marrakech, notamment le long de la route nationale Tizi
N'tichka reliant la ville de Marrakech à Ouarzazate (Youssef et al, 2023) et le village
d'Ijoukak, où un glissement de terrain dramatique s'est produit en juillet 2019, tuant plus de 20

75
personnes. La cartographie des zones sujettes aux glissements de terrain est nécessaire pour
une prévention et une gestion des risques efficaces.

De nombreuses études au Maroc montrent que les sept principaux bassins versants du Tensift
sont considérés comme des zones fortement exposées à divers risques naturels (Cotti et al.,
2022 ; Karmaoui, Zerouali, Ayt Ougougdal, & Shah, 2021 ; Meliho, Khattabi, & Mhammdi,
2020). Cette zone est caractérisée par des pentes abruptes et des altitudes élevées qui
favorisent l'apparition de risques de glissement de terrain. Les études spatiales indiquent le
risque d'impact spatial des glissements de terrain sur les infrastructures et la vie humaine. La
prévision de la susceptibilité aux glissements de terrain est l'une des mesures les plus
importantes pour relever ce défi.

La prédiction spatiale des cartes de LS est soutenue par diverses méthodes et

techniques de modélisation physique utilisées par les chercheurs pour la simulation et la
cartographie des LS (Wang et al. 2015). Dans ce contexte, la constitution d'une base de
données relative aux propriétés spécifiques des roches prend du temps et nécessite des
recherches intensives. En outre, de nombreux chercheurs ont démontré que ce type de modèle
présente des anomalies dans des zones spatiales étendues, comme le soulignent Pourghasemi
& Rahmati (2018) et Zhao & Chen (2020). En outre, ces modèles présentent d'autres
anomalies généralement liées à la pondération des facteurs sélectionnés et au degré de leur
influence sur les glissements de terrain. En outre, de nombreux types de modèles statistiques
ont été introduits à l'échelle mondiale. Ces modèles nécessitent des données de télédétection
et des systèmes d'information géographique (SIG). Ils sont principalement basés sur la
paramétrisation, y compris le rapport de fréquence (FR) (Youssef et al., 2023), la valeur de
l'information (VOI) (Manchar et al., 2018), le processus hiérarchique analytique (AHP)
(Panchal & Shrivastava, 2022), l'indice d'entropie (IoE) (Y. Wang et al..., 2016), l'analyse
décisionnelle multicritère (MCDA) (Feizizadeh & Blaschke, 2012 ; Saha, Villuri, Bhardwaj,
& Kumar, 2023), et l'indice statistique (SI) (Wubalem, 2021). La combinaison des inventaires
de glissements de terrain avec divers facteurs d'influence tels que les précipitations, le type et
la texture du sol, et la direction des failles est l'étape la plus importante dans la construction de
ces modèles, car ces techniques ont simplifié l'estimation de l'indice statistique. La fiabilité de
ces méthodes est généralement due à l'accessibilité et à la disponibilité des données de
télédétection, telles que la géomorphologie du terrain, l'accumulation d'eau et la topographie,
qui améliorent les performances de ces modèles à grande échelle.

76
 Récemment, plusieurs algorithmes ML ont été développés pour la prédiction des LS à
l'aide de la classification ou de la régression, qui sont utilisés pour la cartographie des zones
sujettes aux glissements de terrain, tels que SVM (Huang et Zhao 2018 ; Zhiyong et al. 2023),
KNN (Pradhan & Jebur, 2017), RF (Xu et al, 2023), XGBoost (Can et al., 2021), ANN
(Gameiro et al., 2021), DT (Zhiyong et al., 2023) et LR (Das & Lepcha, 2019).

Sur la base des problèmes susmentionnés, l'objectif principal de cette étude est de
tester l'utilité de cette technique au Maroc, en particulier dans le Haut Atlas de Marrakech, qui
a un caractère montagneux et est connu pour ses événements historiques et récents de
glissement de terrain. Par conséquent, sept algorithmes de ML ont été utilisés pour la
cartographie : SVM), RF, KNN, XGBoost, ANN, DT et LR - ce sont les modèles
d'apprentissage automatique considérés dans l'analyse. qui n'ont pas été étudiés précédemment
pour la simulation des glissements de terrain dans la zone étudiée. Par conséquent, la
comparaison des performances de ces sept modèles n'a pas encore été appliquée aux différents
sous-bassins versants de la zone étudiée, ce qui constitue une valeur ajoutée pour cette
recherche. Les sept cartes LS montrent la délimitation géographique des régions sujettes aux
glissements de terrain et incitent les planificateurs à choisir des emplacements favorables pour
les futurs projets de développement afin d'éliminer ce risque.

Les résultats de cette étude représentent une contribution à la communauté scientifique

au sens large, car ils ont également mis en évidence les limites de ce travail et suggéré des
moyens d'aborder ces questions dans de futures études de recherche. L'innovation de cette
étude de recherche réside dans l'évaluation complète et la comparaison de différents modèles
de ML pour l'estimation des LS dans chaque région, ce qui s'applique au Maroc et au-delà de
ses frontières géographiques malgré les différences climatiques, géologiques et
morphologiques. Le potentiel du ML pour de telles applications est bien connu. Cette étude
évalue sept modèles : KNN, SVM, XGBoost, RF, ANN, DT et LR. La nouvelle approche
utilise un ensemble de données de 14 facteurs conditionnels et des enregistrements historiques
de glissements de terrain combinés à une analyse statistique. L'étude utilise divers indices
statistiques et la méthode de la courbe ROC pour évaluer les performances. Le résultat
remarquable est que le modèle XGBoost est le plus performant, suivi par RF et KNN, ce qui
montre le potentiel de ML dans l'amélioration de l'estimation LS.

77
2.3 Matériel et méthodes

2.3.1 Zone d'étude

Le bassin versant du Tensift se trouve dans le centre-ouest du Maroc et s'étend sur 18

210 km2. Il se compose généralement de sept sous-bassins versants distincts. D'est en ouest, il
s'agit des bassins versants de R'dat, Zat, Ourika, Rheraya, N'Fis, El Mal et Chichaoua, qui font
l'objet de la présente étude (Fig 2.1 et Tableau 2.1).

Fig 2. 1: Situation géographique (A) bassin versant du Tenfist, (B) et (C) sous-bassins du Tensift.

78
Tableau 2. 1: Caractéristiques physiographiques et géologiques des sept sous-bassins de l'Atlas.

Pente Précipitat
Sous- Surface Périmètre Altitude Gravelius
moyenne ion Moy Lithologie
bassins (Km²) (Km) Moy (m) KG index
(%) (mm)
La lithologie du bassin du R'Dat se compose de 30
R’dat 557 130 1700 1.55 13.8 334.8 % de sols imperméables, de 56 % de sols semi-
perméables et de 14 % de sols perméables.
Les basaltes altérés, sombres ou verdâtres, d'autre
part, par un complexe rouge, des grès, des marnes,
Zat 540 135 1960 1.64 15.5 388.4 ou des argiles salines sont des roches ignées et
métamorphiques précambriennes : granites, diorites,
et dolérites.
Roches ignées ou métamorphiques, dépôts permo-
triasiques et quaternaires, grès friables et marnes
Ourika 507 104 2550 1,3 19.9 500
rouges, conglomérats massifs et grès rouges, flyschs
schisteux.
Socle rocheux rigide précambrien et paléozoïque
composé de grès, de schistes, de calcaires, de roches
Rheraya 225 78 2154 1.47 19.1 599
primaires et permo-triasiques, principalement de
grès, de dépôts détritiques.
Des roches allant du paléozoïque au quaternaire sont
présentes dans la région. Les formations primaires
se composent principalement de schistes, ainsi que
N’fis 1288 200 2300 1.57 19.3 375 de roches carbonatées et ignées. En outre, des grès
sont mêlés à des argiles permo-triasiques, des
marnes et des calcaires du Crétacé supérieur et du
Plio-Quaternaire.
Les schistes (Combro-Ordovicien) dominent en
El Mel 517 104 2200 1.28 5.3 355.5
amont et les alluvions quaternaires en aval.
Les schistes paléozoïques (Combro-Ordovicien)
Chichaoua 2050 289 1826 1.78 7.1 181 dominent en amont et les alluvions quaternaires en
aval.

79
2.3.2 Carte de l'inventaire des glissements de terrain

Dans cette recherche, la base de données des sites de glissement de terrain et des sites
stables a été créée après une étude approfondie de la majeure partie de la zone d'étude à l'aide
d'un appareil GPS et d'une analyse des images de Google Earth pour les zones difficiles
d'accès. Au total, 1 291 emplacements ont été enregistrés, dont 620 ont été identifiés comme
des zones de glissement de terrain. Les 600 autres emplacements ont été considérés comme
stables en termes de glissements de terrain.

Dans la recherche sur la modélisation des glissements de terrain, la classification des

données d'inventaire repose généralement sur la qualité et la disponibilité des données,
comme le notent Pourghasemi & Rahmati (2018) et Youssef et al. (2023). Une pratique
courante dans la littérature consiste à diviser l'ensemble de données en ensembles
d'entraînement et de validation en utilisant un ratio de 70/30 % (Pourghasemi & Rahmati,
2018 ; Hong et al., 2016). Ce ratio, ainsi que le codage (0, 1), où 1 représente les pixels liés
aux glissements de terrain et 0 les pixels non liés aux glissements de terrain, ont été utilisés.
Par la suite, la carte d'inventaire des glissements de terrain a été transférée en données
matricielles avec une résolution de 30 m (Fig 2.2).

80
Fig 2. 2 : Inventaires des glissements de terrain dans les sept sous-bassins du Tensift.

2.3.2 Collecte de données

La création des grilles LS s'est appuyée sur différentes sources de données. Le tableau
2.2 présente une description des différents supports utilisés.
Tableau 2. 2 : Données et sources utilisées.

Donnée et source Échelle/Résolution Date d'acquisition

30m 2018
SRTM-DEM (USGS)
[Link]

Soil Type 1:5 000 000 scale 1981

[Link]
databases/faounesco-soil-map-of-the-world/en/
10m 01-01-2022
Sentinel-2 Images (B02—B03—B04—B08)
to
[Link]
30-01-2022
Geological map of Marrakech 1: 500 000 scale
Rainfall data (ABHT) Nine stations 1992 to 2020

81
2.3.3 Facteurs de conditionnement des glissements de terrain (LCF)

Sandric et al. (2019) soulignent que les causes contribuant aux occurrences de
glissements de terrain découlent de divers facteurs. La sélection de ces facteurs est
étroitement liée aux caractéristiques uniques de la zone d'étude, aux méthodologies
employées, ainsi qu'à l'échelle et à la nature des glissements de terrain. Ce processus de
sélection méticuleux garantit l'élaboration de cartes LS fiables et validées grâce à l'application
appropriée des méthodologies choisies (Jaafari et al., 2019).

Dans cette étude particulière, 14 facteurs de causalité ont été identifiés (Fig 2.3),
choisis en fonction des caractéristiques spatiales, climatiques et morphologiques locales les
plus significatives. Toutes les données d'entrée ont été géoréférencées en utilisant la zone
UTM 29N. Notamment, l'aspect apparaît comme un facteur déterminant dans les glissements
de terrain (Meinhardt et al., 2015 ; Song et al., 2019), indiquant précisément la direction de la
pente la plus raide sur le terrain (Fang et al., 2021). L'aspect est classé comme suit : nord-
ouest, ouest, sud-ouest, sud, sud-est, est, nord-est, nord et plat (Fig 2.3a).

Le type de sol joue un rôle important dans les processus d'infiltration, de ruissellement
et d'évaporation, qui peuvent affecter l'instabilité du site. Les types de sol utilisés dans cette
étude sont tirés des données de la base de données mondiale harmonisée des sols (WHSD) de
la FAO, qui sont divisées en cinq classes en fonction de la teneur en sable grossier, de la
teneur en limon/argile et de la teneur en carbone organique (Fig 2.3b).

La distance aux routes est une variable anthropique extrinsèque qui fait que la
construction de routes crée des pentes coupées qui affectent la stabilité des pentes et
perturbent la topographie des régions (Al-Najjar & Pradhan, 2021). Les sous-bassins versants
de Tensift ont été divisés en sept classes avec un espacement de 100 m (Fig 2.3c) : < 100 m,
100-200, 200-300, 300-400, 400-500, 500-600 et >600m.

L'indice TPI fournit des informations sur la différence de hauteur entre deux cellules
voisines (Yusof & Pradhan, 2014). En général, les valeurs positives de TPI correspondent à
des crêtes ; les valeurs négatives indiquent des vallées, et les valeurs proches de zéro
représentent des sites escarpés ou des zones plates. La pente des sous-bassins versants de
Tensift est caractérisée par un mélange de valeurs négatives et positives, allant de moins de -
85,23 à plus de 86,87 (Fig 2.3d).

82
 Le TWI représente le modèle de ruissellement en fonction de la topographie
(Pourghasemi et al., 2013). Les valeurs TWI de cette étude ont été obtenues à partir du même
MNE et classées en six catégories (Fig 2.3e) : > 5,03, 5,03-6,46, 6,46-8,23, 8,23-10,81, 10,81-
14,73 et > 14,73.

Les linéaments, tels que les failles, sont des facteurs critiques ayant un impact direct
sur la susceptibilité aux mouvements de terrain, exerçant une influence significative sur
l'étendue de l'instabilité des pentes, en particulier dans les zones abondantes en failles
(Shahabi et al., 2014). On observe que les régions proches des linéaments connaissent souvent
de nombreux glissements de terrain. Dans la présente étude, sept zones ont été délimitées
autour des failles dans la zone d'étude, classées comme suit : < 100, 100-200, 200-300, 300-
400, 400-500, 500-600 et > 600 (Fig 2.3f).

Le NDVI quantifie la couverture végétale d'une zone (Jia et al. 2014). La carte
annuelle du NDVI a été générée à partir des données de l'étude Sentinel-2 du 01.01.2022 au
31.12.2022 sous la plateforme Google Earth Engine (voir Fig 2.3g). Le résultat obtenu a été
classé en cinq sous-classes, comme décrit dans la figure 2.3g, à savoir -0,85-0, 0-0,10, 0,10-
0,2, 0,2-0,3 et 0,3-1.

L'utilisation des sols dans notre zone d'étude comprend des plans d'eau, des champs
agricoles, des terrains stériles, des zones forestières, des terres cultivées et des pâturages, ce
qui reflète les interventions humaines. Des recherches antérieures indiquent que les régions à
végétation dense ont tendance à présenter un LS plus faible que celles à végétation
clairsemée, comme le montre la figure 2.3h (Yusof & Pradhan, 2014). Les précipitations
peuvent déclencher des glissements de terrain en raison de la réduction du facteur de sécurité
des pentes (Grelle et al., 2013). La diminution de la résistance au cisaillement se produit
pendant la phase d'infiltration des précipitations, ce qui réduit la résistance des matériaux
(Capparelli & Tiranti, 2010). La base de données pluviométrique fournie par l'ABHT pour les
neuf stations nous a permis de créer une carte pluviométrique après interpolation des
précipitations annuelles moyennes à l'aide de la méthode de krigeage. Le résultat obtenu a été
divisé en huit sous-classes (Fig 2.3i) > 154, 154-190, 190-230, 230-270, 270-320, 320-350,
350-390, 390-400mm.

La distance aux rivières est un facteur d'influence important dans les régions
montagneuses, car les cours d'eau jouent un rôle important dans la génération de glissements

83
de terrain (Park et al., 2013 ; Fang et al., 2021). Dans cette étude, les sous-bassins versants de
Tensift ont été divisés en sept classes de 100 mètres, comme le montre la (Fig 2.3j) : <100 m,
100-200, 200-300, 300-400, 400-500, 500-600 et > 600m.

L'altitude détermine la distribution spatiale des forces de pente (Althuwaynee et al.,

2016). Dans notre zone d'étude, elle varie de 385 à 4180 m. Cette variation a été divisée en
sept sous-classes décrites par (Fig 2.3k) : < 400, 700-1100, 1100-1900, 1900-2300, 2300-
2700, 2700-4100 et > 4100m.

La courbure, qui indique le taux de changement de la pente, reflète son influence sur la
vitesse d'écoulement en surface, contribuant souvent au déplacement des sédiments sous la
surface (T. Chen et al., 2016 ; Chen et al., 2016). En utilisant le logiciel ArcGIS 10.5, la
courbure est dérivée d'un MNE dans des conditions concaves, plates et convexes (Fig 2.3l).

La pente, un paramètre fondamental fréquemment intégré dans les évaluations LS,

joue un rôle important dans la stabilité des pentes (Hadji et al., 2013). Dans les sous-bassins
versants de Tensift, la carte des pentes a été générée à l'aide d'un MNE et classée en six
catégories (voir Fig 2.3m) : < 7, 7-15, 15-25, 25-35, 35-40, et 40-71 degrés.

La lithologie du Haut Atlas comprend différentes formations géologiques et faciès, qui

peuvent influencer le degré et l'étendue de la susceptibilité aux glissements de terrain. La
carte lithologique est issue de la numérisation de la carte géologique du Maroc à l'échelle
1:500 000 (Fig 2.3n).

84
Fig 2. 3 : (a) Aspect, (b) Type de sol, (c) Distance aux routes, (d) TPI, (e) TWI, (f) Distance aux failles, (g)NDVI, (h) LULC, (i)
Précipitations, (j) Distance aux rivières, (k) Élévation, (l) Profil de courbure, (m) Pente et (n) Lithologie.

Fig 2. 3 : (Suite)

2.3.4 Préparation des données sur les glissements de terrain

La méthodologie employée pour générer les cartes LS dans cette étude est décrite dans la
figure 2.4.

85
Fig 2. 4 : Organigramme de la méthodologie élaborée.

Au départ, la base de données primaire est construite à partir des inventaires de LS et

de 14 facteurs d'influence des LS. Cette base de données est transformée en format numérique
à l'aide de la méthode FR afin d'élucider les rapports entre les facteurs d'influence et les
occurrences de LS. Ensuite, une série d'analyses de multicolinéarité, y compris l'analyse CM,
les tests VIF, Tol et MI, sont effectuées pour identifier les facteurs d'influence significatifs des
LS.

Dans la deuxième phase, les performances et l'efficacité des algorithmes - DT, ANN,
LR, KNN, SVM, RF et XGBoost - sont évaluées à l'aide de divers critères de validation. Ces
critères comprennent la spécificité, la sensibilité, le taux de faux positifs, la précision, le score
F1, l'exactitude, le MAE, le RMSE et l'AUC-ROC. Dans la phase finale, la base de données
est divisée en ensembles de données de formation et de test, en allouant 70 % et 30 % du total
des échantillons de données à la formation et au test, respectivement, afin de générer des
cartes LS. La validation externe des échantillons aléatoires pour chaque site est effectuée à
l'aide du logiciel ArcGIS 10.5. Afin de garantir une procédure d'échantillonnage non biaisée.

86
2.4 Résultats

2.4.1 Traitement de la multicolinéarité dans l'analyse factorielle et la sélection des

facteurs

Les résultats présentés dans la figure 2.5 révèlent des corrélations notables entre les
différents facteurs. La valeur de corrélation positive la plus élevée (0,63) a été observée entre
la distance par rapport aux routes et l'altitude. De fortes corrélations linéaires ont également
été identifiées entre le NDVI et les précipitations, l'altitude et la pente, la lithologie et
l'altitude, la pente et la lithologie, ainsi qu'entre la distance aux routes, la distance aux rivières
et la distance aux routes.

En outre, des analyses Tol et VIF ont été réalisées pour évaluer la multicolinéarité
entre les facteurs d'influence. Les valeurs Tol étaient comprises entre 0,30 et 0,92, l'altitude et
l'UTCL présentant respectivement les valeurs les plus élevées et les plus faibles. En outre, la
valeur VIF maximale enregistrée était de 3,30 pour l'altitude, tandis que la valeur minimale
était de 1,08 pour LULC.

Les résultats CM, présentés dans la figure 2.6, illustrent l'analyse d'association de
Pearson entre 14 variables d'influence (pente, élévation, aspect, précipitations, lithologie,
courbure, LULC, distance aux rivières, distance aux failles, indice de position topographique
(TPI), distance aux routes, TWI, NDVI et type de sol). L'IM des 14 autres facteurs (Fig 2.7)
présente des valeurs positives comprises entre 0,132 (pente) et 0,021 (LULC). Par
conséquent, la pente est le facteur le plus important, suivi de l'altitude (MI = 0,120), de la
lithologie (MI = 0,118), de la distance aux routes (MI = 0,095) et de la distance aux failles
(MI = 0,091).

87
 1
8
VIF 0,8
6
0,6
VIF

Tol
4
0,4

2 0,2

0 0

Factors

Fig 2. 5 : Traitement de la multicolinéarité dans l'analyse factorielle par (VIF) et (TOL).

Fig 2. 6 : Réalisation d'une analyse de multicolinéarité sur les facteurs de conditionnement à l'aide de la matrice de corrélation.

0,4
Mutual information

0,3

0,2

0,1

Factors
Fig 2. 7 : Les résultats de l'importance relative (MI) des facteurs de conditionnement.

88
2.4.2 Cartographie des glissements de terrain

Le modèle LS a été élaboré par l'intégration de sept algorithmes différents. Ces

algorithmes ont généré un spectre de prédictions de probabilité, allant de 0 à 1, indiquant les
valeurs LS les plus faibles et les plus élevées. Pour plus d'informations, les cartes générées ont
été segmentées en cinq zones distinctes en utilisant la classification de Jenks des ruptures
naturelles. Ces zones sont délimitées comme suit : très faible, faible, modéré, élevé et très
élevé.
Un premier examen visuel des sept cartes générées par les algorithmes SVM (figure
8a), RF (Fig 2.8b), LR (Fig 2.8c), KNN (Fig 2.8d), DT (Fig 2.8e), ANN (Fig 2.8f) et
XGBoost (Fig 2.8g) a révélé certaines tendances. Plus précisément, les zones avec des valeurs
de LS très élevées sont concentrées au centre des sous-bassins de Tensift, et ces valeurs
s'aggravent vers l'aval, en particulier pour les sous-bassins de Chichaoua. Dans les régions
occidentales de notre zone d'étude, il y a eu des occurrences isolées de valeurs LS très
élevées. En revanche, les régions présentant de très faibles valeurs de LS ont été généralement
observées dans les zones de faible altitude et de pente. Cette première analyse visuelle fournit
des informations précieuses sur la distribution spatiale du LS dans les sous-bassins versants
de Tensift, en mettant en évidence les zones à forte et à faible vulnérabilité. Les données
extraites de ces cartes jouent un rôle essentiel dans la compréhension des risques potentiels et
l'orientation des interventions de gestion dans la zone d'étude.

89
Fig 2. 8 : Cartes de susceptibilité aux glissements de terrain dans les sous-bassins du Tensift, estimées par les modèles (a) SVM,
(b) RF, (c) LR, (d) KNN, (e) DT, (f) ANN, et (g) XGBoost.

La figure 2.9 présente visuellement la distribution de la couverture LS dans chaque

sous bassin du bassin de Tensift. L'analyse est basée sur les modèles de conception XGBoost,
RF, KNN, LR), SVM), DT et ANN.

90
 Les sous-bassins versants représentés sont Ourika (Fig 2.9a), Chichaouou (Fig 2.9b),
Chichaou (Fig 2.9c), Chichaoua (Fig 2.9d), Zat (Fig 2.9e), Rheraya (Fig 2.9f), R'dat (Fig 2.
9g), N'fis (Fig 2.9h), et El Mel (Fig 2.9i).

Les pourcentages de la zone classée comme très faible, faible, modérée, élevée et très
élevée sont représentés graphiquement pour chaque sous bassin versant.

Fig 2. 9 : Pourcentages de la superficie de chaque sous-bassin dans le bassin de Tensift en termes de couverture de
susceptibilité aux glissements de terrain.

91
 Les résultats de la figure 2.10 illustrent le pourcentage moyen de zones susceptibles
d'avoir glissé dans tous les sous-bassins versants du Tensift. Les modèles SVM (Fig 2.10a),
RF (Fig 2.10b), LR (Fig 2.10c), KNN (Fig 2.10d), DT (Fig 2.10e) et XGBoost (Fig 2.10g)
montrent que pour les sous-bassins versants R'dat, Zat et Ourika, qui représentent de grandes
zones à risque, les valeurs varient de 18,27% à 61,48%, 22,86% à 31,95% et 10,34% à
44,55%, respectivement. Le modèle ANN (Fig 2.10f) montre une superficie de 51,51% dans
le sous-bassin de N'fis, 40,98% dans le bassin de l'Ourika et 35,83% dans le bassin de
Rheraya.

92
Fig 2. 10 : Pourcentage de zones exposées aux glissements de terrain dans les sous-bassins versants de Tensift à l'aide des
algorithmes (h), (a) SVM, (b) RF, (c) LR, (d) KNN, (e) DT, (f) ANN, (g) XGBoost, (h) comparaison globale des modèles utilisés dans
(a-g).

2.4.2 Validation et comparaison des modèles

Les résultats de l'étude ont été générés en utilisant sept modèles pour prédire les LS, à
savoir SVM, RF, KNN, DT, ANN, LR et XGBoost. L'efficacité des données de formation (70
%) et de test (30 %) a été évaluée sur la base de plusieurs mesures de performance,
notamment (Pr) précision, (Se) sensibilité, (Sp) spécificité, (Ac) exactitude, score F1, FPR,
MAE, RMSE et courbe AUC-ROC.

93
Les résultats obtenus lors des phases de formation et de validation sont présentés dans le
tableau 2.3, le tableau 2.4 et la Fig 2.11.

Tableau 2. 3 : Évaluation de la performance des sept modèles à l'aide de données d'entraînement.

Models

Performance
XGBoost RF KNN LR SVM DT ANN
Indicators
Precision 0,9705882 0,9577465 0,9577465 0,720588 0,744076 0,847222 0,626866
Sensitivity 0,9850746 0,8947368 0,8947368 0,713592 0,716895 0,938462 0,792453
Specificity 0,9655172 0,9433962 0,9433962 0,685083 0,678571 0,828125 0,671053
False positive rate

Training Data
0,0344828 0,0566038 0,0566038 0,314917 0,321429 0,171875 0,328947
(FPR)
Accuracy 0,976 0,9147287 0,9147287 0,700258 0,700258 0,883721 0,72093
recall 0,9850746 0,8947368 0,8947368 0,713592 0,716895 0,938462 0,792453
F1 score 0,9777778 0,9251701 0,9251701 0,717073 0,730233 0,890511 0,7
MAE 0,0542 0,0852 0,0852 0,2997 0,2997 0,1162 0,279
RMSE 0,2329 0,292 0,292 0,5474 0,5474 0,3409 0,528
AUC 94.57 91.47 91.47 70.03 70.03 88.37 72.09

Tableau 2. 4 : Performance des sept modèles sur la base de données de test

Models

Performance
XGBoost RF KNN LR SVM DT ANN
Indicators
Precision 0,9305556 0,9027778 0,9027778 0,736527 0,746411 0,881944 0,700599
Sensitivity 0,9503546 0,9352518 0,9352518 0,706897 0,718894 0,846667 0,740506
False positive rate
0.0854700 0.1176470 0.1176471 0,295302 0,3192771 0,157407 0,303030
(FPR)

Testing Data
Specificity 0,9145299 0,8823529 0,8823529 0,704698 0,680722 0,842592 0,696969
Accuracy 0,9341085 0,9108527 0,9108527 0,705882 0,70235 0,844961 0,718266
recall 0,9503546 0,9352518 0,9352518 0,706897 0,718894 0,846667 0,740506
F1 score 0,9403509 0,9187279 0,9187279 0,721408 0,732394 0,863946 0,72
MAE 0,0658 0,0891 0,0891 0,2941 0,2997 0,155 0,2817
RMSE 0,2566 0,2985 0,2985 0,5423 0,5474 0,3937 0,53
AUC 93.41 91.09 91.09 70.59 70.03 84.50 71.83

Pour toutes les données d'entraînement, le modèle XGBoost a montré d'excellentes

performances comme l'indiquent les valeurs (Pr=0,97), (Se=0,98), (Sp=0,96), (Ac=0,97),
(Recall= 0,98), (F1 score=0,97), (FPR=0,03), (MAE=0,05) et AUC (valeurs = 94,57%). Les
modèles RF et KNN ont montré d'excellentes performances représentées par les valeurs
(Pr=0.95), (Se=0.89), (Sp=0.94), (Ac=0.91), (Recall= 0.89), (F1 score=0.92), (FPR=0.05),
(MAE=0.08) et AUC (valeurs = 91.47%). Les quatre autres modèles, LR, SVM, DT et ANN,
ont affiché des performances moyennes à élevées, comme en témoignent les scores Se, Sp, Pr,

94
Ac, AUC et F1 supérieurs à 0,70, ainsi que des scores FPR et MAE très faibles. Pour
l'ensemble de données de test, tous les modèles utilisés ont affiché des performances élevées.
Les valeurs de Se allaient d'un minimum de 0,70 à un maximum de 0,95 pour LR, SVM, DT
et ANN, respectivement ; les valeurs des paramètres pour Pr, Ac, F1, FPR et MAE allaient de
0,70 à 0,88, 0,70 à 0,84, 0,72 à 0,86, 0,15 à 0,31 et 0,15 à 0,29, les valeurs maximales de
l'AUC étaient toutes marquées pour le modèle XGBoost (93,41) et les valeurs minimales
étaient toutes observées pour le modèle SVM (70,03).

Fig 2. 11 : Analyse de la courbe ROC de différents modèles de glissement de terrain en utilisant (a) des données d'entraînement
et (b) des données de test.

Outre l'évaluation de la sensibilité et de la spécificité, des analyses statistiques ont été

effectuées pour comparer la RMSE, comme le montrent les tableau 2.3 et tableau 2.4. Les
résultats montrent que la RMSE pour les sept modèles utilisés dans cette étude est de 0,23,
0,29, 0,29, 0,54, 0,54, 0,34 et 0,52 pour XGBoost, RF, KNN, DT, LR, ANN et SVM,
respectivement, dans la phase de formation, et de 0,25, 0,29, 0,29, 0,54, 0,54, 0,39 et 0,53
pour XGBoost, RF, LR, SVM, KNN, DT et ANN, respectivement, dans la phase de test. Le
classement RMSE global est présenté à la figure 2.12.

95
 ANN

DT

SVM
Models

LR

KNN

RF
Testing
XGBoost Training

0,00 0,10 0,20 0,30 0,40 0,50 0,60

RMSE
Fig 2. 12 : Évaluation de la performance de différents modèles à l'aide des valeurs RMSE.

Les valeurs RMSE pour XGBoost indiquent un accord optimal avec les valeurs observées et
générées ; la probabilité de susceptibilité attendue a donc été atteinte.

2.5 Discussion

Cette étude applique sept modèles basés sur des algorithmes ML pour tester le LS dans
le sous-bassin versant de Tensift. Différents facteurs d'influence (pente, élévation, aspect,
précipitations, lithologie, courbure, LULC, NDVI, distance aux rivières, distance aux failles,
TPI, distance aux routes, TWI et type de sol) ont été sélectionnés et reliés à une base de
données provenant d'un inventaire des glissements de terrain historiques. L'analyse de CM,
TOL, VIF et MI a permis de conclure que les 14 facteurs sélectionnés peuvent influencer
l'occurrence des glissements de terrain dans notre zone d'étude. Le succès des modèles a été
évalué à l'aide de méthodes basées sur des ensembles de données d'entraînement, de
validation et de mesures d'évaluation qui mesurent la performance des modèles ML.

Les résultats de cette étude indiquent que cinq facteurs jouent un rôle important dans
l'occurrence des glissements de terrain : La pente, l'élévation, la lithologie, la proximité des
routes et la proximité des rivières. Les facteurs de pente et d'élévation sont en permanence
sous l'influence de la gravité et provoquent le déplacement des sols instables le long des
pentes. Plus la pente est raide, plus la susceptibilité aux glissements de terrain est grande. Les
travaux d'excavation liés à la construction ou à l'extension des réseaux routiers peuvent
également affecter la stabilité des pentes et augmenter le risque de glissements de terrain dans
les zones proches des routes. La distance par rapport aux rivières joue également un rôle

96
décisif dans les glissements de terrain. L'érosion des berges et des ravins menace la stabilité
des pentes près des rivières et augmente le risque de glissements de terrain dans ces zones.

Cette étude montre que les facteurs de lithologie et de type de sol ont un poids
important qui rend nécessaire le renforcement de ces modèles par l'intégration d'autres
facteurs de conditionnement principalement liés au sol qui est en cours de réalisation et de
préparation de la zone d'étude, à savoir la profondeur du sol, l'humidité du sol, la
perméabilité, et la rugosité de la surface. L'inclusion de ces paramètres dans les recherches
futures est fortement recommandée pour améliorer la capacité prédictive des modèles. Cela
permettrait également de produire des cartes LS plus précises et d'établir une corrélation entre
ces nouveaux facteurs agroécologiques et l'occurrence des glissements de terrain. Il serait
bénéfique d'envisager l'hybridation des algorithmes d'apprentissage pour améliorer encore la
précision des modèles. Cette approche pourrait accroître la robustesse du modèle en intégrant
différents paramètres et en améliorant sa capacité de prédiction.

Cette étude évalue la relation entre la zone sans glissements de terrain et la zone avec
glissements de terrain. Il est important de noter que la zone réelle sans glissement de terrain
était beaucoup plus grande que la zone avec glissement de terrain. Pour mieux comprendre
ces différences, nos futures études devraient examiner plus en détail le ratio et le CM de la
zone sans glissement de terrain. En outre, le choix du taux d'échantillonnage (70 %/30 %)
pour les ensembles de données de formation et de validation, qui s'est avéré efficace dans
cette situation, devrait être réévalué afin d'inclure les autres facteurs d'influence mentionnés
ci-dessus.

Différentes configurations du taux d'échantillonnage pourraient être explorées pour

garantir des données plus représentatives et des résultats plus fiables.

Pour une meilleure compréhension des processus de glissement de terrain, il est

recommandé de se concentrer sur les modèles d'apprentissage profond qui peuvent déduire
des relations spatio-temporelles complexes entre les variables. Le couplage de modèles axés
sur les données avec des modèles physiques peut également contribuer à fournir des modèles
d'apprentissage profond explicables et interprétables. Cela est confirmé par les résultats des
études de modélisation des géorisques de (Dikshit et al., 2021), qui mettent l'accent sur
l'intégration des modèles pilotés par les données avec les modèles physiques.

97
2.6 Conclusion

Ces dernières années, les glissements de terrain sont devenus l'une des menaces
naturelles les plus préoccupantes au monde, mettant gravement en danger les vies et les biens.
Dans les régions du Nord et du Haut Atlas du Maroc, le problème est tout aussi aigu et
nécessite des solutions immédiates et à long terme. Dans ce contexte, l'application de
solutions de télédétection et de ML de pointe est cruciale pour la surveillance et l'évaluation
des zones sujettes aux glissements de terrain à l'échelle régionale. Ces avancées
technologiques sont essentielles pour la gestion durable des régions à risque.

La création d'une carte LS est essentielle pour délimiter avec précision les zones
sujettes aux glissements de terrain. Cet objectif peut être atteint grâce à l'intégration habile de
méthodes de ML et de données spatiales dans un SIG. L'étude actuelle fournit des
informations importantes et montre que la comparaison et l'évaluation de sept modèles -
SVM, DT, KNN, ANN, LR, RF et XGBoost - ont été effectuées pour le sous-bassin du
Tensift dans la région du Haut Atlas au Maroc afin de localiser les zones les plus exposées
aux glissements de terrain, en utilisant une combinaison de techniques SIG, de ML et de
données de télédétection provenant de différentes sources. Ces différents modèles de dragage,
de renforcement et de surveillance représentent de nouvelles méthodes de cartographie des LS
dans le sous-bassin du Tensift, dans le Haut Atlas, au Maroc.

La sélection, l'importance et la corrélation des facteurs de causalité des glissements de

terrain dans l'étude actuelle ont été testées et identifiées à l'aide de CM, VIF et MI. Les
facteurs les plus significatifs dans cette modélisation sont la pente, l'altitude, la lithologie, la
distance aux routes, la distance aux failles, les précipitations, le type de sol, la distance aux
rivières et le NDVI. Parallèlement, la courbure du profil, le TWI, le TPI, l'aspect et le LULC
sont les facteurs les moins importants. La validation des performances a été effectuée à l'aide
de différentes techniques, à savoir la spécificité, la sensibilité, le taux de faux positifs, la
précision, le score F1, l'exactitude, le MAE, le RMSE et l'AUC-ROC. Les résultats montrent
des performances élevées avec des valeurs AUC de 94,57 %, 91,47 %, 91,47 % et 88,37 %
pour les modèles XGBoost, RF, KNN et DT, respectivement, et des performances moyennes
avec des valeurs AUC de 72,09 %, 70,03 % et 70,03 % pour les modèles ANN, SVM et LR,
respectivement. Les valeurs RMSE démontrent la concordance entre ces modèles et les
inventaires de glissements de terrain. Elles montrent que les algorithmes XGBoost, RF, KNN

98
et DT ont donné des résultats significativement bons et que les algorithmes ANN, SVM et LR
ont donné des résultats moins significatifs.

Les résultats de cette recherche montrent l'efficacité de l'intégration des données

géospatiales dans le ML. Les avantages de l'utilisation de ces modèles sont la réduction du
temps d'apprentissage dans l'évaluation, la précision idéale et l'utilisation de données
quantitatives et qualitatives ainsi que de données continues (par exemple, NDVI, élévation,
précipitations, pente, etc.) sans qu'il soit nécessaire de reclasser ces facteurs constants, ce qui
donne des résultats plus fiables par rapport aux modèles statistiques classiques. L'application
de ces modèles et techniques dans les zones inaccessibles des différentes structures du Maroc
qui ne disposent pas de systèmes de surveillance permettra de comprendre la nature, la
complexité et l'intensité des problèmes liés aux glissements de terrain et de soutenir la
construction de communautés sûres et durables. Les cartes LS qui en résultent pourraient
fournir aux décideurs et aux parties prenantes des informations importantes pour mieux
comprendre les risques associés aux glissements de terrain et élaborer des stratégies efficaces
pour prévenir et atténuer ces catastrophes naturelles.

En résumé, la nouveauté de cette étude réside dans son approche globale de

l'évaluation des LS, qui comprend l'intensification du bassin versant, l'évaluation de plusieurs
modèles ML, la sélection rigoureuse des caractéristiques et l'identification d'un modèle
puissant (c'est-à-dire XGBoost) pour une évaluation soutenue et complète des LS. Ces aspects
contribuent à faire progresser les connaissances sur les applications de l'apprentissage
automatique pour l'évaluation des sols, en particulier dans le contexte du sous-bassin du
Tensift au Maroc et de paysages semi-arides similaires.

99
100
 CHAPITRE III
QUANTIFICATION ET ÉVOLUTION DES PERTES DE
SOL ACTUELLES

101
 CHAPITRE III
QUANTIFICATION ET ÉVOLUTION DES PERTES DE SOL ACTUELLES

Publication 3 (P3) Chapitre: Youssef Bammou, Brahim Benzougagh, Brahim Igmoullan, M.

Fadhil Al-Quraishi, Shuraik Kader (2024) Assessing Soil Erosion Vulnerability in Semi-Arid
Haouz Plain, Marrakech, Morocco: Land Cover, Socio-Spatial Mutations, and Climatic
Variations.

Ce chapitre est accepté et publié dans le livre Natural Resources Deterioration in MENA
Region ([Link]

3.1 Résumé
Le type le plus grave de dégradation des terres est l'érosion hydrique des sols, qui affecte
négativement la production agricole et a d'importantes implications environnementales et
socio-économiques. L'activité humaine favorise l'érosion hydrique des sols. Bien que de
nombreuses recherches aient été menées sur ce sujet, il existe peu d'études sur l'érosion des
sols, en particulier dans la zone d'étude. La variation spatio-temporelle de l'érosion du sol
entre 1992, 2002 et 2020 a été étudiée en utilisant le modèle spatial du risque d'érosion du sol
et en cartographiant le taux annuel de perte de sol dans la plaine du Haouz, dans la partie
inférieure du bassin de Tensift au Maroc. Le modèle RUSLE (Revised Universal Soil Loss
Equation), analysé dans un système d'information géographique (SIG), a été adopté pour
estimer la perte de sol. Cette étude visait à identifier les caractéristiques et les variations de
l'érosion des sols sous les effets combinés des facteurs climatiques et des changements
d'utilisation des terres. Le taux d'érosion du sol de la zone étudiée a connu différents niveaux
d'érosion et est estimé à 9,84, 13,76 et 14,32 % en 1992, 2002 et 2020, respectivement. Les
données relatives aux précipitations, au sol, à l'utilisation des terres et au modèle numérique
de terrain ont été utilisées pour construire les variables individuelles du modèle. La plate-
forme SIG traite et multiplie les couches matricielles de la topographie, de la gestion de la
couverture, de l'érodabilité du sol, de l'érosivité des précipitations et des techniques de
conservation. Sur les sites à fortes pentes et à pentes dégradées, les pertes de sol prévues
varient de 0 à 35 t/ha/an. Sur la base de la distribution spatiale du risque d'érosion des sols,
2,90, 7,74 et 19,01 % des plaines ont subi des pertes de sol supérieures à 26t/ha/an en 1992,
2002 et 2020, respectivement. Ces résultats indiquent une forte érosion des sols. Pour
planifier et exécuter efficacement des méthodes de gestion durable des sols afin de prévenir
l'érosion des sols, en particulier pour la durabilité de la plaine, une estimation précise de la
perte de sol a été fournie par la méthodologie RUSLE et GIS.

102
Mots clés: SIG - Télédétection - RUSLE - Erosion hydrique - Changement climatique -
Mutations socio-spatiales - Plaine du Haouz.

3.2 Introduction

Le type le plus important de dégradation des terres est l'érosion des sols, qui est
affectée par des facteurs naturels et anthropogéniques (Bhattacharya et al. 2020 ; Ganasri et
Ramesh 2016 ; Rosas et Gutierrez 2019 ; Teng et al. 2019 ; Bammou et al. 2023a). Selon
Rozos et al. (2013), l'érosion des sols est un problème environnemental important qui diminue
les services et les fonctions des écosystèmes mondiaux (Al-Quraishi 2003 ; Haregeweyn et al.
2015 ; Mehwish et al. 2024 ; Hossin et al. 2022). En raison de ses effets locaux, l'érosion des
sols a une influence néfaste sur la qualité des sols et la productivité agricole, limitant
l'utilisation durable des terres agricoles (Hurni et al. 2008 ; Molla et Sisheber 2017 ; Bag et al.
2022 ; Kader et al. 2023b). En outre, elle a des effets durables hors site, tels que la destruction
des structures en aval, la perte de terres agricoles, la sédimentation qui augmente le risque
d'inondation et les sources de pollution diffuse qui provoquent l'eutrophisation et la turbidité
(Lal 2001 ; Hurni et al. 2008 ; Bewket et Teferi 2009 ; Kader et al. 2022 ; Sestras et al. 2023).
Les effets de l'érosion des sols causés par l'activité humaine, tels que la déforestation
généralisée, le pâturage excessif, l'intensification de l'agriculture et l'augmentation de la
population, se sont aggravés (Wolka et al. 2015 ; Haregeweyn et al. 2017 ; Neupane et al.
2023).
Les informations quantitatives et géographiques concernant la perte de sol sont
cruciales pour la gestion, la protection et la réduction de l'érosion des sols (Prasannakumar et
al. 2011, 2012 ; Hossini et al. 2022). L'utilisation des terres, la couverture végétale, le terrain,
le climat et les propriétés du sol peuvent influencer l'érosion du sol. Les propriétés du sol
influencent l'érosion du sol. En outre, l'interférence humaine modifie la couverture végétale et
accélère l'érosion des sols (Jinren et Yingkui 2003 ; Benzougagh et al. 2016, 2017 ; Bammou
et al. 2023b). Les systèmes d'information géospatiale (SIG) et la télédétection ont fourni les
meilleures méthodes pour modéliser l'érosion des sols (Demirci et Karaburun 2012 ; Al-
Quraishi et Negm 2020). Les modèles d'érosion des sols peuvent prendre en compte les liens
complexes entre les différentes influences sur l'érosion des sols. Plusieurs chercheurs ont
modélisé l'érosion du sol à l'aide des technologies RS et SIG (Pandey et al. 2007 ; Efe et al.
2008 ; Kouli et al. 2009 ; Benzer 2010 ; Prasannakumar et al. 2012 ; Alexakis et al. 2013 ;
Farhan et Nawaiseh 2015 ; Benzougagh et al. 2020a, b, 2023 ; Kader et al. 2023a).
L'évaluation rapide de l'érosion probable des sols dans une zone particulière est rendue

103
possible par la capacité des RS et des SIG à traiter des ensembles massifs de données spatiales
(Meliho et al. 2016, 2020).

Les études sur l'érosion hydrique au Maroc ont montré que le taux d'érosion annuel du
sol se situe généralement dans une fourchette de 23 à 55%, comme documenté par divers
chercheurs (Merzouki 1992 ; Bonn 1998 ; Damnati et al. 2004 ; Tahiri et al. 2014 ;
Benzougagh et al. 2022). Des valeurs extrêmes d'érosion ont également été enregistrées,
variant de 115 à 524 t/ha/an, en fonction de plusieurs facteurs tels que la topographie, les
conditions climatiques, les caractéristiques géologiques et l'intensification inappropriée de
l'agriculture dans les zones protégées. Ces facteurs ont exacerbé le problème. Selon les
prévisions, 100 millions de tonnes de sol sont perdues chaque année, et plus de 15 millions
d'hectares de terres agricoles sont menacés (Merzouk et al. 1996 ; Benmansour et al. 2013 ;
Markhi et al. 2015). Ce chapitre élargit notre compréhension des causes et de la progression
de l'érosion des sols dans la plaine du Haouz en évaluant les effets de l'utilisation des terres et
des conditions climatiques sur l'érosion des sols. Les décideurs politiques et les planificateurs
devraient utiliser ces résultats pour développer des stratégies efficaces de gestion des terres.

3.3 Matériels et méthodes

3.2.1 Zone d’étude

La plaine du Haouz s'étend sur une superficie de 7215 km2 entre la chaîne de l'Atlas au
sud avec une altitude qui culmine à 4165 m (Toubkal) et la chaîne du Jbilet au nord (avec peu
de relief et un maximum de 1061 m). Il se heurte à l'est aux premières pentes du Moyen Atlas
et est limité à l'ouest par la chaîne de la Mzoudia. Cette dernière individualise à l'ouest du
Haouz, le bassin de Mejjate, qui est limité par le bassin d'Essaouira Chichaoua (Piqué et al.
2007). Le Haouz de Marrakech se présente comme une dépression de 40 km de large,
s'étendant d'est en ouest sur plus de 150 km. Il peut être subdivisé en trois parties : Le Haouz
oriental, d'une superficie de 1657 km2, situé entre l'oued Lakhdar et l'oued R'dat ; le Haouz
central, qui s'étend entre l'oued R'dat et l'oued Nfis sur une superficie de 3180 km2 ; et le
Haouz occidental ou Mejjat, qui s'étend entre l'oued Nfis et le rebord du plateau d'Essaouira
sur une superficie de 2378 km2 (Fig 3.1).

104
Fig 3. 1: Carte de localisation de la plaine du Haouz avec son réseau hydrographique.

Dans le contexte climatique, les stations météorologiques (Marrakech, Tahanaout,

Aghbalou, Sidi Rahal, Tafériat, Imine El Hammam, Barrage Lalla Takerkoust, Sidi Hssain,
Sidi Bouothmane, Chichaoua, et Abadla) réparties sur le Haouz révèlent des éléments
concernant le climat. Dans la plaine du Haouz, le climat est continental aride à semi-aride, la
pluviométrie est faible et marquée par une forte hétérogénéité spatiale et temporelle. De 1962
à 2015, la pluviométrie moyenne enregistrée à la station d'Aghbalou (altitude : 985 m) dans le
Haut Atlas (bassin versant de l'Ourika) a été d'environ 527 mm/an, alors qu'elle a été de 184
mm/an à la station de Marrakech située dans la plaine.

3.2.2 Méthodes

La méthodologie employée dans cette étude pour calculer l'érosion du sol est présentée
dans la figure 2. Elle englobe l'évaluation de l'érosion du sol, en tenant compte de l'influence
des précipitations, de la qualité du sol, des caractéristiques topographiques, des modes
d'utilisation des sols et des pratiques de conservation. La technologie SIG s'est avérée très
efficace pour représenter visuellement ces facteurs dans un contexte spatial. Le logiciel
ArcGIS 10.5.1 a été utilisé pour le traitement, le stockage, l'analyse, la présentation et la
visualisation des données et des résultats de cette recherche. Toutes les composantes ont été
estimées à l'aide d'approches spécifiques ou d'informations tirées de la littérature publiée. Une
carte de probabilité d'érosion a été créée en multipliant les fichiers de données de la couche

105
modèle dans l'environnement SIG. Les sections suivantes expliquent les méthodes utilisées
pour évaluer les différents facteurs inclus dans le modèle.

Fig 3. 2 : Méthodologie d'estimation de l'érosion potentielle à l'aide de l'approche RUSLE

3.2.3 Types et sources de données

L'ensemble de données numériques, comprenant des informations sur les sols, des
données sur l'utilisation des sols et la couverture végétale (LULC), un modèle numérique
d'élévation (MNT) et des données sur les précipitations, a été compilé à partir de diverses
sources, y compris des enquêtes sur le terrain, comme le montre le tableau 1. Des données sur
les précipitations mensuelles de 1992 à 2020 ont été recueillies auprès de neuf stations
météorologiques afin de déterminer les précipitations annuelles totales. Les cartes décrivant
l'occupation des sols et la végétation ont été générées en analysant les images satellite Landsat
acquises en 1992, 2002 et 2020. Les données sur les types de sols proviennent de la base de
données numérique des sols mondiaux (DSMW) de la FAO de 2007.

106
3.2.4 Modèle RUSLE

Plusieurs modèles, dont le PAP/CAR, MUSLE et WEPP, peuvent être utilisés pour
estimer l'érosion du sol. Parmi ceux-ci, le modèle RUSLE, tel que décrit par Renard et al.
(1997), (Tableau 1) est l'un des modèles empiriques les plus couramment utilisés dans ce
contexte.

Tableau 3. 1: Les sources et la description des types de données utilisées dans cette étude.

Type of data Associated Source Description

factor
ASTER DEM LS USGS ([Link] 30 m resolution
[Link]/gdex/)
LULC C Landsat, image from 30 m resolution, WRS_PATH = 202
(1992, 2002 and WRS_ROW = 038 DATE_
2020) ([Link] ACQUIRED = OLI 2019–09–11,
[Link]) ETM + 2002–09–01, and TM-
1992–09–16
Soil data K FAO ([Link] Soil types (FAO-2007)
[Link]/soils-portal/)
Rainfall data R (ABHT) Tensift Rainfall data for the period of
hydraulic basin 1992–2020 from nine stations
agency
Land conservation P Field observation, Existing conservation practices in the
practices literature review, Haouz
Google earth image

Cette popularité est due à ses exigences relativement faibles en matière de données, à
l'accès facile aux ensembles de données nécessaires et à la compatibilité avec les bases de
données SIG, comme l'ont noté Jiang et al. (2015). Au Maroc, le modèle RUSLE a été
largement utilisé pour cartographier et évaluer le risque d'érosion hydrique, comme le
montrent les études d'Anys et al. (1992), Elalaoui et al. (2015), Gourfi et al. (2018), et
Benzougagh et al. (2020a, b). Cependant, il est important de reconnaître que ce modèle ne
prend pas en compte des types de dégradation importants tels que l'expansion des ravines et
les glissements de terrain, comme le soulignent Renard et al. (1997) et Teng et al. (2019).
L'équation principale employée dans le modèle RUSLE est présentée dans l'équation 3.1, a été
utilisée pour prédire la perte annuelle de sol :

A = R ∗ K ∗ LS ∗ C ∗ P Eq 3.1

Où A est la perte annuelle moyenne de sol (t/ha/an), R est le facteur d'érosivité des
précipitations (MJ/ ha. h. an), K est le facteur d'érodabilité du sol (t.h/ha. [Link]) ; LS =
facteur topographique (L en m, Sen%) ; C = facteur de gestion de la couverture (sans
dimension) ; et P = facteur de pratique de conservation (sans dimension).

107
[Link] Estimation du facteur R

L'énergie cinétique de la pluie, qui contribue fortement à l'élimination des particules

solides en fonction de l'intensité des précipitations et dépend de la taille et de la vitesse des
gouttes qui tombent ainsi que de l'intensité moyenne des précipitations pendant 30 minutes, a
été utilisée pour estimer le facteur d'agressivité climatique selon la formule de Wischmeier et
Smith (1978). Les données pluviométriques moyennes mensuelles et annuelles accessibles
aux stations climatiques de référence (Tableau 3.2 et Fig 3.3) ont été utilisées. Ainsi, Rango et
Arnoldus (1987) ont produit l'équation applicable suivante, (Eq 3.2) :

𝑃𝑖 2
𝐿𝑛(𝑅) = 1.74𝑙𝑜𝑔 ∑ + 1.29 (Eq 3.2)
𝑃

Où pi est la pluviométrie mensuelle, p est la pluviométrie annuelle et R est le facteur d'érosion

pluviométrique.

Tableau 3. 2 : Coordonnées des stations pluviométriques de référence

coordinates
ID Stations x y Altitude (m)
S1 Abadla 200 1295 250
S2 Aghbalou 27615 8305 1070
S3 Chichaoua 18153 1112 340
S4 Imin El Hammam 2414 724 770
S5 Nkouris 23835 55 1100
S6 Sidi Hssain 2291 7017 1030
S7 Sidi Rahal 3031 1178 690
S8 Taferiat 29125 1075 760
S9 Tahanaout 2559 804 925

Fig 3. 3 : Carte de localisation des stations météorologiques où les données de précipitations ont été récupérées pour cette
étude et carte de la distribution spatiale du facteur R en a 1992, b 2002, et c 2020.

108
[Link] Estimation du facteur K

La vulnérabilité inhérente du sol à l'érosion, telle qu'indiquée par le facteur

d'érodabilité du sol (K) déterminé à partir des paramètres du profil, a été évaluée à l'aide de la
carte des types de sol obtenue à partir de la Figure 3.4 de la Carte numérique des sols du
monde (DSMW), comme détaillé dans l'équation 3.3. Cette carte a été publiée à l'origine par
l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO) en 2007. En outre,
le facteur K (2000) a été estimé à l'aide de l'équation de Williams (Eq 3.4).

K = 𝑓𝑐𝑠𝑎𝑛𝑑 ∗ 𝑓𝑐𝑙 − 𝑠𝑖 ∗ 𝑓𝑜𝑟𝑔𝑐 ∗ 𝑓ℎ𝑖𝑠𝑎𝑛𝑑 ∗ 0.1317 (Eq 3.3)

Où ƒcs est un facteur qui abaisse l'indicateur K dans les sols à forte teneur en sable grossier et
l'augmente pour les sols à faible teneur en sable, ƒcl-si donne des facteurs d'érodabilité faibles
pour les sols à fort rapport argile-limon, ƒorgC réduit les valeurs K dans les sols à forte teneur
en carbone organique, tandis que ƒhisand abaisse les valeurs K pour les sols à très forte teneur
en sable :
𝑚𝑠𝑖𝑙𝑡
−0.256.𝑚𝑠.(1− )
𝑓𝑐𝑠𝑎𝑛𝑑 = 0.2 + 0.3𝑒 100 (Eq 3.4)
𝑚𝑠𝑖𝑙𝑡
𝑓𝑐𝑙 − 𝑠𝑖 = ( )0.3 (Eq 3.5)
𝑚𝑐 + 𝑚𝑠𝑖𝑙𝑡
0.0256. 𝑜𝑟𝑔𝐶
𝑓𝑜𝑟𝑔𝑐 = 1 − (Eq 3.6)
𝑜𝑟𝑔𝐶 + 𝑒 (3.72−2.95.𝑜𝑟𝑔𝐶)
𝑚𝑠
0.7. (1 − 100)
𝑓ℎ𝑖𝑠𝑎𝑛𝑑 = 1 − 𝑚𝑠 (Eq 3.7)
𝑚𝑠 −5.51+22.9.(1− )
(1 − 100) + 𝑒 100

Où, ms: Pourcentage de sable (particules de 0,05 à 2,0 mm de diamètre) ; msilt : Pourcentage
de teneur en limon (0,002-0,05 mm) ; mc : Pourcentage de teneur en argile (<0,002 m) et
orgC : Pourcentage de teneur en carbone organique de la couche (%).

109
Fig 3. 4 : Carte de la distribution spatiale du facteur K

Le rapport générique d'information sur les unités de sol inclus dans la carte des types
de sol publiée par la FAO est l'endroit où les pourcentages de sable (ms), de limon (msilt),
d'argile (mc) et de carbone organique (orgC) sont tirés du tableau 3, qui fournit des
informations sur les unités de sol et les calculs de csand, cl-si, orgC et hisand pour chaque
type de sol dans la zone de recherche.

Tableau 3. 3 : Types de sols, valeurs K et calcul de ƒcsand, ƒcl-si, ƒorgC et ƒhisand de Williams (2000) dans la zone d'étude

ms
msilt orgC
(sand) mc (clay)
Soil Code (silt) Top oraganic Fcsand F cl-si F orgc F hisand K usle K
Top soil Topsoil)%
soil % carbon %
%

Xk10-2a 48,7 29,9 21,6 0,64 0,20005 0,8495 0,9768 0,9993 0,1659 0,021846

Bk10-2b 81,6 6,8 11,7 0,44 0,20000 0,7406 0,9906 0,7185 0,1054 0,013885

Re5-b 68,3 15,1 16,6 0,5 0,20000 0,8005 0,9874 0,9634 0,1523 0,020059

Xk4-2a 47,7 30,9 22,6 0,65 0,20006 0,8482 0,9758 0,9994 0,1655 0,021795

Jc13-2a 39,6 39,9 20,6 0,65 0,20068 0,8826 0,9758 0,9999 0,1728 0,022760

IL-Re-2c 58,9 16,2 24,9 0,97 0,20000 0,7563 0,9272 0,9942 0,1394 0,018364

110
[Link] Estimation du facteur LS

Le facteur LS illustre l'effet de l'inclinaison et de la longueur de la pente sur l'érosion

du sol (Fig 3.5). Les valeurs relatives de la longueur et de l'inclinaison de la pente, L et S,
montrent la facilité avec laquelle la parcelle unitaire de 22,1 m de long et de 9 % de pente de
Wischmeier et Smith (1978) peut être utilisée. La pente peut être calculée mathématiquement
pour l'USLE originale à l'aide d'un modèle numérique d'élévation;

Fig 3. 5 : Carte du facteur topographique LS sur le périmètre de la plaine du Haouz

Cependant, la longueur de la pente doit être mesurée ou estimée. L'estimation de la

longueur de la pente n'est pas possible en raison de la variabilité, de la taille et de la
topographie de la topographie et des activités d'utilisation des terres. Plusieurs formules
peuvent être utilisées pour déterminer le facteur LS combiné (Wischmeier et Smith 1978).
Cette étude a calculé le facteur LS réparti sur le terrain en utilisant la méthode de l'unité de
surface contributive. A l'aide d'un outil de l'extension de modélisation hydrologique des outils
ArcGIS Spatial Analyst, l'accumulation de flux a été extraite de l'ensemble des données
(MNT) d'une résolution de 30 m. Moore et Burch (1986) et Panagos et al. (2015) ont fourni
des méthodes pour calculer le facteur LS, comme indiqué dans l'équation. (Eq 3.8) :

111
 cell size 0.4 sin(slope) 1.3
LS = (Flow accumulation x ) ∗( ) (Eq 3.8)
22.13 0.0896

[Link] Estimation du facteur C

Le facteur C décrit comment la perte de sol est affectée par la végétation, la gestion et
les techniques de contrôle de l'érosion (Wischmeier et Smith 1978 ; Mengistu et al. 2015). Le
facteur C a été le plus fortement influencé par les changements dans la couverture des sols,
qui ont également entraîné une augmentation significative de la perte de sol. Ses valeurs
varient de 1 pour une terre entièrement nue à 0 pour une eau ou une surface terrestre
entièrement couverte (Mengistu et al. 2015). En raison des changements géographiques et
temporels, de nombreuses études ont classé les unités de couverture terrestre en utilisant des
données de télédétection pour estimer les valeurs du facteur C avec une vérité terrain étendue
Bewket (2009). Dans cette étude, nous avons utilisé l'indice de végétation par différence
normalisée (NDVI) (illustré dans les figures 3.7a-c) et utilisé des techniques de classification
supervisée pour déterminer la distribution de la couverture végétale dans la zone d'étude.
Cette détermination a été faite à l'aide d'une carte d'utilisation des sols (illustrée dans les
figures 3.6a-c) dérivée d'images Landsat capturées à trois dates différentes : OLI le 2020-09-
11, ETM + le 1er septembre 2002 et TM le 16 septembre 1992. Comme indiqué dans le
tableau 3.4, une valeur de facteur C a été attribuée à chaque catégorie d'utilisation des sols sur
la base des informations tirées des sources documentaires disponibles.

Fig 3. 6 : Carte de l'occupation des sols de la zone d'étude en a 1992, b 2002 et c 2020. Et une carte de la distribution spatiale du
facteur C en : a1 1992 ; b1 2002, et c1 2020.

112
Fig 3. 7 : Végétation basée sur le NDVI extraite de la scène Landsat en a date 1992, b date 2002, c date 2020 et Carte de la
distribution spatiale du facteur P en a1 1992 ; b1 2002 et c1 2020

Tableau 3. 4 : Valeur et superficie en (Ha) des facteurs C pour les différents types d'occupation du sol considérés

Area (Ha)
Gride LU/LC 1992 2002 2020 Factor Source
C
1 Hydrographic network + 5125,70 5933,96 6413,02 0,18
Eroded area
2 Build up-land 4452,12 5749,75 8204,63 0,09
Ganasri and Ramesh (2016)
Hurni (1985)
3 Bare soil 636095,20 614697,30 520042,00 0,05 Meshesha et al. (2012)

4 Agricultural land and 75584,27 94046,26 153924,30 0,35

vegetation

113
Tableau 3. 5: Pourcentage de surface (Ha) et valeurs du facteur P suggérées par Wischmeier et Smith (1978)

Area (Ha)

Land-use type Slope 1992 2002 2020 Factor P Source

(percent)
Agricultural land 0-5 62260,7 74556,7 121509 0,10

5 -10 11088,9 15644,9 25552,2 0,12

10 - 20 2025,82 3423,85 6014,92 0,14

20 - 30 156,488 321,99 647,358 0,19 Wischmeier and Smith (1978)

Bewket and Teferi (2009)
Ganasri and Ramesh, 2016)
30 - 50 37,427 72,31 146,564 0,25

50 - 100 0,193088 1,51489 3,84236 0,33

Another land All 645332 626063 534414 1

[Link] Estimation du facteur P

Le facteur P indique la quantité de sol perdue en raison de l'érosion des cultures en

ligne droite du côté de la pente, une fois qu'une technique de conservation a été mise en œuvre
(Wischmeier et Smith 1978 ; Meshesha et al. 2012). En modifiant la quantité, la
configuration, la pente ou la direction du ruissellement de surface, les techniques de
conservation, y compris la culture en courbes de niveau, la culture en bandes et la
construction de terrasses, affectent principalement l'érosion hydrique en réduisant le volume
et le taux de ruissellement (Renard et al. 1997). Le facteur P a une valeur comprise entre 0 et
1. Ganasri et Ramesh (2016). La zone de recherche a été divisée en groupes d'utilisation des
terres agricoles et autres pour calculer les facteurs P recommandés par Wischmeier et Smith
(1978). Comme indiqué dans le tableau 3.5, les terres agricoles ont été divisées en six classes
de pente différentes, chacune recevant une valeur P, tandis que toutes les autres utilisations
des terres ont reçu une valeur de 1 (Fig 3.6).

3.2.5 Validation des résultats

Des observations de terrain sélectionnées ont été effectuées pour évaluer la

consistance et la cohérence des résultats du modèle. La validité des résultats du modèle a été
comparée aux données numériques issues de recherches publiées similaires couvrant
l'ensemble du bassin versant du Tensift, car il n'existait pas d'études de cas antérieures
spécifiques à la région étudiée. Les couches d'entrée ont été conçues pour utiliser les
meilleures données disponibles sur l'utilisation des terres, la topographie, les précipitations et
les sols afin de réduire les erreurs dans les calculs du risque d'érosion des sols.

114
3.3 Résultats et discussion

3.3.1 Distribution spatiale des facteurs de RUSLE

Sous le système de référence WGS 1984 UTM Zone 29N, toutes les couches des
différents facteurs du modèle (R, K, LS, C, et P) ont été disposées dans une grille avec des
cellules de 30 × 30 mètres. En incorporant plusieurs variables dans le modèle RUSLE dans un
contexte SIG, il a été possible d'estimer la perte annuelle de sol dans la plaine du Haouz. La
distribution géographique de la perte de sol dans la plaine du Haouz est montrée dans la Fig
3.8. Les valeurs estimées des pertes de sol sont présentées dans le tableau 3.6. La carte des
pertes de sol pour 1992 (Fig 3.8a), 2002 (Fig 3.8b) et 2020 (Fig 3.8c) a été divisée en quatre
catégories : très faible, modérée, élevée et très élevée. Les résultats montrent que l'érosion
hydrique dans la zone d'étude est faible à moyenne ; ils montrent également une diminution
pour les classes de perte de sol modérée et extrêmement élevée et une augmentation dans la
classe de perte de sol élevée entre 1992 et 2020, en raison des changements dans le facteur C.
tableau 3.4. Avec le facteur de table C de 2020, l'évaluation des pertes de sol indique que
88,63% de la plaine du Haouz subit encore des pertes de sol très faibles et modérées (<26 t/
ha/an), tandis que 11,37% est soumis à des pertes de sol élevées à extrêmement élevées (>35
t/ha/an). La perte annuelle moyenne de sol est faible dans la plaine du Haouz et élevée dans le
Haut Atlas. Les pertes annuelles moyennes de sol étaient de 13,03, 12,30 et 14,90 t/ha/an,
respectivement en 1992, 2002 et 2020, ce qui est cohérent avec les résultats obtenus dans le
bassin versant de Tensift par l'auteur (Meliho et al., 2018). En utilisant l'érosivité des
précipitations, les types de sol, la pente et l'utilisation des terres, le modèle spatial obtenu par
le modèle RUSLE a été utilisé pour évaluer l'érosion du sol par l'eau. L'érosion par l'eau est
accélérée dans les endroits où les pentes nues sont particulièrement abruptes et où l'érosion
due aux précipitations est élevée.

En outre, plusieurs études ont montré que le taux d'érosion du sol est plus sensible aux
précipitations, ce qui confirme les résultats de cette étude. En 1992, la partie sud de la plaine
du Haouz (appelée Haouz central) présentait un taux d'érosion de 36,71 [Link]/[Link], avec
une diminution progressive de l'érosivité au fur et à mesure que l'on se déplace vers le Nord-
Ouest, comme l'indique la figure 3.3a. La valeur R la plus faible enregistrée cette année-là
était de 17,40 [Link]/[Link]. En revanche, l'érosivité dans la plaine orientale du Haouz
(appelée plaine orientale du Haouz) était beaucoup plus élevée en 2002, comme le montre la
figure 3.3b, avec une valeur de 85,97 [Link]/[Link]. Comme pour le Haouz central,

115
l'érosivité tend à diminuer au fur et à mesure que l'on se rapproche de la partie occidentale de
la plaine. Enfin, en 2020, la figure 3.3c montre que la partie ouest de la plaine du Haouz
(Haouz occidental) a une érosivité de 48,70 [Link]/[Link] et tend à diminuer vers la zone
orientale. C'est la valeur R la plus faible mesurée, 30,40 [Link]/[Link]. 5,70
[Link]/[Link] est la plus faible valeur R enregistrée. La valeur R significativement plus
élevée est liée à une plus grande sensibilité à l'érosion et à une plus grande capacité de l'eau de
pluie à éroder le sol en surface.

Fig 3. 8 : Distribution spatiale de l'érosion des sols dans la plaine du Haouz en a 1992 b 2002 c 2020

Tableau 3. 6 : Classes de gravité de l'érosion des sols en fonction de la superficie totale des terres en 1992, 2002 et 2020

yr Soil losst/ha/yr Severity class Area (Ha) Percent %

2020 <12 Very low 383530,00 53,25

12 26 Moderate 199773,00 27,74

26-35 High 128229,31 17,80

>35 Very high 8708,79 1,21

720241,10
yr Soil losst/ha/yr. Severity class Area (Ha) Percent %

2002 <12 Very low 340652,33 47,30

12 26 Moderate 323859,00 44,97

26-35 High 51775,30 7,19

>35 Very high 3954,47 0,55

yr Soil losst/ha/yr. Severity class Area (Ha) Percent %

1992 <12 Very low 527501,00 73,24

12 26 Moderate 171853,00 23,86
26-35 High 16996,80 2,36

>35 Very high 3890,30 0,54

Les valeurs du facteur K varient de 0,013 à 0,23 t.h/ha. [Link] (Fig 3.3). Le sol ayant
la valeur de facteur K la plus élevée est sensible à l'érosion et dominé par le limon et les

116
limons argileux. La partie occidentale de la plaine du Haouz présente des valeurs de facteur K
plus faibles et est donc moins sensible à l'érosion. La carte du facteur LS de la figure 3.4
montre des valeurs allant de 0,01 à 1. Plus de 83 % de la zone de recherche est couverte par
une valeur comprise entre 0,2 et 0,4, qui présente une pente graduelle et favorise une perte de
sol faible à modérée. La partie centrale de la région de recherche présente un terrain élevé qui
est directement relié à la chaîne du Haut Atlas du bassin versant de Tensift, ce qui augmente
la vulnérabilité potentielle de la zone à l'érosion du sol par l'eau. Les valeurs élevées du
facteur LS sont en corrélation avec cette connexion. Le facteur C indique l'impact de la
végétation et d'autres types de couverture de la surface du sol sur l'érosion du sol et donne un
aperçu des questions d'utilisation des terres cruciales pour la planification du développement.
La carte du facteur C a montré des fluctuations régionales et temporelles entre 1992 (Fig.
3.6a1), 2002 (Fig 3.6b1) et 2020 (Fig 3.6c1) ; les valeurs varient généralement de 0,05 à 0,35.
Les zones cultivées, et donc plus sensibles à l'érosion des sols, présentaient le facteur C le
plus élevé. Les fluctuations des valeurs du facteur P entre 1992 (Fig 3.7a1), 2002 (Fig 3.7b1)
et 2020 (Fig 3.7c1) sont représentées (Fig 3.7). Cela montre l'effet de plusieurs techniques de
gestion de l'érosion sur le taux d'érosion. Les terres cultivées sont utilisées sur des classes de
pente supérieures à 50 %, où une sensibilité accrue à l'érosion du sol est perceptible et où des
valeurs élevées du facteur P ont été trouvées.

3.3.2 Évaluation de l'évolution des pertes des sols annuelles

L'équation (Eq 3.1) a été utilisée dans l'environnement ArcGIS 10.5.1 pour générer des
cartes d'érosion potentielle du sol pour 1992, 2002 et 2020. La perte de sol estimée dans la
plaine du Haouz a montré une gamme de variations. En 1992, elle variait de 26 t ha-1 an-1
dans la zone de la plaine à 35 t ha-1 an-1, couvrant 2,90 % de la zone totale. En 2002, elle
variait de 26 t ha-1 an-1 dans la plaine à 35 t ha-1 an-1 pour une superficie englobant 7,74 %.
Cette tendance se maintient en 2020, avec un taux de perte constant de 19 % dans l'ensemble
de la région. Ces résultats soulignent l'hétérogénéité régionale de la perte de sol dans la plaine
du Haouz. Cette hétérogénéité peut être principalement attribuée au changement climatique,
aux variations de l'occupation des sols et aux pratiques sous-optimales de gestion des terres.
Plus précisément, la perte de sol était en moyenne inférieure à 12 t ha-1 an-1 en 1992, alors
qu'elle se situait entre 12 et 26 t ha-1 an-1 entre 2002 et 2020.

117
3.4 Conclusion

Cette recherche donne une vue d'ensemble de l'évolution de l'érosion des sols dans la
plaine du Haouz entre 1992, 2002 et 2020 en raison des changements climatiques et du
développement socio-spatial. Dans la région étudiée, l'érosion du sol causée par l'eau est un
problème important. Les résultats de cette étude montrent que les actions humaines, telles que
le non-respect de la conservation des terres et les variations spatiales des précipitations, sont
les principales causes de l'érosion des sols dans la région. Les résultats indiquent également
des changements de 4,84 et 11,28% entre 1992 et 2002, et 2002 et 2020, respectivement. Il est
clair que la plaine du Haouz ne nécessite pas la mise en œuvre de mesures de conservation
d'après le schéma de distribution géographique de la carte des risques d'érosion pour les
années 1992, 2002 et 2020. Par conséquent, une carte des risques d'érosion hydrique peut
aider à orienter les dépenses vers la prévention des pertes de sol et à établir des priorités pour
des mesures de réparation efficaces. L'évaluation du risque d'érosion des sols a également
indiqué les endroits présentant un risque élevé d'érosion, où les efforts et les ressources
doivent être concentrés pour prévenir l'érosion future. Les approches RUSLE, RS et GIS
adoptées par ce chapitre offrent des approches potentiellement utiles pour identifier les zones
susceptibles d'être les plus sensibles à l'érosion hydrique du sol au fil du temps et pour établir
des priorités pour une planification efficace et durable de la gestion des terres sur la base des
classes de sévérité de l'érosion. Nous recommandons d'utiliser les mêmes approches pour des
cas similaires dans les régions MENA.

118
 CHAPITRE IV
QUANTIFICATION ET ÉVOLUTION DES PERTES DE
SOL ACTUELLES ET FUTURES FACE AUX
CHANGEMENTS CLIMATIQUES

119
 CHAPITRE IV
QUANTIFICATION ET ÉVOLUTION DES PERTES DE SOL ACTUELLES ET
FUTURES FACE AUX CHANGEMENTS CLIMATIQUE

Publication 4 (P4) Article: Youssef Bammou, Bouskri Ismail, Brahim Benzougagh, Abdelkrim
Bensaid, Brahim Igmoullan, M. Fadhil Al-Quraishi (2023) Mapping of current and future soil
erosion risk in a semi-arid context (haouz plain - Marrakech) based on CMIP6 climate
models, the analytical hierarchy process (AHP) and RUSLE.

Cet article est accepté et publié dans la revue Modeling Earth Systems and Environment
([Link]

4.1 Résumé
L'érosion des sols par l'eau est accentuée par le réchauffement climatique et a un effet néfaste
sur les ressources naturelles. La situation est pire dans le Haut Atlas, où une combinaison de
forces naturelles et humaines accélère l'érosion et réduit le revenu des familles locales. Dans
ce travail, nous avons évalué l'érosion existante de la plaine du Haouz et projeté l'érosion
hydrique des sols dans le futur. L'étude a été menée en trois étapes. Dans un premier temps,
nous avons estimé le taux d'érosion annuel de la plaine du Haouz de 1992 à 2020 en utilisant
l'équation universelle révisée des sols (RUSLE), les données publiques disponibles et les
observations foncières les plus récentes. L'efficacité de la méthode d'analyse multicritère, en
tenant compte de la façon dont l'érosion hydrique de la deuxième étape est affectée par les
cinq paramètres de l'équation RUSLE. Le processus de hiérarchie analytique (AHP) a été
utilisé pour déterminer la pondération de chaque critère. En utilisant les nouveaux paramètres
d'érosion et l'érosivité projetée des précipitations de la seizième phase des modèles CMIP6
(Coupled Model Intercomparison Project), la troisième étape a consisté à prédire l'érosion
hydrique des sols en 2040. D'après les résultats, le taux annuel moyen d'érosion du sol de la
plaine du Haouz est actuellement de 3,53 t ha-1 an-1. Selon nos prévisions, la plaine du
Haouz connaîtra une augmentation de l'érosion à 4,41 t ha-1 an-1 et 5,31 t ha-1 an-1 d'ici
2040, respectivement, dans les circonstances indiquées par RCP2.6 et RCP8.5. Les décideurs
politiques qui cherchent à adopter des mesures respectueuses de l'environnement pour stopper
l'épuisement des ressources en sol et en eau dans les environnements semi-arides pourraient
utiliser l'évaluation actuelle et les prévisions futures de l'érosion hydrique des sols dans la
plaine du Haouz comme base de données.

120
Mots clés : Changement climatique - Erosion hydrique - Erosion future - AHP - RULE -
Plaine du Haouz

4.2 Introduction

L'érosion hydrique des sols est un phénomène très complexe qui entraîne des pertes
irréparables et compromet la viabilité à long terme des sols productifs. Les sédiments issus de
l'érosion hydrique en dehors des régions agricoles ont un certain nombre d'effets significatifs
sur les activités humaines (Pimentel, 2006). Par conséquent, c'est toute la société qui est
touchée (Van Zijl, 2019). De ce fait, la question de l'érosion n'est pas seulement une question
d'environnement ou de technologie, mais aussi une question d'infrastructure et de sécurité
humaine, de socio-économie, d'eau potable et d'agriculture

Le sol étant un réservoir important de l'un des gaz à effet de serre, le CO2, l'érosion des
sols est un mécanisme crucial pour comprendre les changements climatiques. Le changement
climatique s'accélère en raison de la détérioration des sols. D'autre part, les conditions
météorologiques extrêmes, telles que les pluies torrentielles et les vagues de chaleur qui
touchent principalement les régions semi-arides, en particulier les zones montagneuses,
accélèrent la détérioration du sol (Simonneaux et al. 2015).

Au niveau mondial, les régions dont le rapport annuel moyen entre les précipitations et
l'évapotranspiration (P/ETP) est compris entre 0,20 et 0,75 sont considérées comme semi-
arides (Dietz, 2004). Bien qu'elles abritent une part importante de la population mondiale, ces
conditions limitent le progrès socio-économique. En outre, plusieurs phénomènes dangereux
se produisent naturellement dans ces régions, mais sont aggravés par l'activité humaine,
comme l'érosion des sols. Les taux d'érosion des sols pour les régions du monde sont les
suivants, selon Benavidez et al. (2018) : En moyenne entre 30 et 40 t ha-1 an-1 en Asie, en
Amérique du Sud et en Afrique, contre 17 t ha-1 an-1 aux États-Unis et en Europe.

En raison d'une combinaison de variables géologiques, humaines et climatiques,

l'érosion hydrique continue d'être la cause la plus importante de la détérioration des sols au
Maroc. Une partie importante des terres marocaines est affectée par ce phénomène, en
particulier dans les régions vallonnées (Elaloui et al. 2015). Le Maroc a récemment entrepris
un programme de mobilisation des eaux de surface par la construction de barrages. Le Maroc
compte aujourd'hui 149 barrages actifs avec une capacité de stockage de 19 milliards de m3,
mais d'ici 2020, le pays devra probablement faire face à une augmentation de la demande en

121
eau de 20 milliards de m3 (Gourfi et al. 2018). Le problème de l'envasement réduit toutefois
la durée de vie et la capacité de stockage des barrages. La situation est bien pire dans le Haut
Atlas central, où la lithologie est fragile, les pentes sont extrêmement raides et les tempêtes
fréquentes augmentent le degré d'érosion. Des évaluations récentes dans cette région ont
révélé des taux considérables d'érosion des sols (Elaloui et al. 2015, El Jazouli et al. 2017).
Dans le bassin versant de Lakhdar, où les activités des petits agriculteurs dépendent de
parcelles agricoles isolées qui sont très sensibles aux causes de dégradation, la situation est
particulièrement désastreuse.

L'évaluation de l'érosion des sols prend en compte les interactions complexes de

plusieurs éléments, notamment le climat, l'occupation des sols, le terrain et l'activité humaine
(Pan & Wen, 2014). La prévision et la cartographie de la sensibilité à l'érosion hydrique dans
les environnements montagneux peuvent bénéficier d'une variété de techniques et de
stratégies. Ces techniques peuvent être divisées en deux catégories : les mesures directes et les
mesures indirectes. Dans la première catégorie, il existe des méthodes expérimentales basées
sur des mesures des caractéristiques de l'érosion du sol et des simulations de précipitations à
l'aide de parcelles expérimentales d'érosion du sol (cf. Sheridan et al. 2008 et Seutloali &
Beckedahl, 2015). Cependant, ces méthodes restent coûteuses et sont limitées dans l'espace,
ce qui rend difficile la généralisation des résultats obtenus (Rahman et al. 2009). Les secondes
approches sont principalement basées sur la modélisation. Ainsi, l'équation universelle de
perte de sol (USLE) est l'une des méthodes les plus utilisées (Bagarello et al. 2017), ainsi que
l'équation universelle de perte de sol modifiée (Chandramohan et al. 2015). Ces techniques
sont néanmoins considérées comme conventionnelles, car elles accordent le même poids à
tous les aspects du phénomène. Par conséquent, l'analyse multicritère peut être une stratégie
puissante qui aide à la prise de décision immédiate et à long terme (Cristóbal, 2011). Ces
approches basées sur le calcul peuvent identifier efficacement les résultats souhaitables en
fonction des besoins des décideurs et les aider à naviguer dans l'incertitude en utilisant un
ensemble de critères pour sélectionner la meilleure solution (Gul et al. 2017). La technique du
processus de hiérarchie analytique (AHP) a été utilisée dans cette étude pour pondérer chaque
élément en fonction de sa contribution à l'érosion du sol. Des études antérieures ont soutenu la
valeur de l'utilisation des technologies SIG en conjonction avec l'analyse multicritère pour
analyser et surveiller la susceptibilité à l'érosion des sols (Haidara et al. 2019 ; Jaiswal et al.
2015 ; Rahman et al. 2009 ; Vulevi & Dragovi, 2017). L'objectif est de localiser les régions où
l'érosion des sols est susceptible de se produire et de comprendre les processus érosifs et les

122
variables qui influencent ce phénomène. Cependant, si les précipitations fluctuent dans le
temps, les endroits sensibles peuvent changer. En analysant l'évolution régionale et temporelle
de la vulnérabilité des sols dans une région semi-aride, cette étude cherche à résoudre ce
problème. Pour reconstruire l'histoire de la vulnérabilité des sols et prévoir son avenir à
l'horizon 2040, diverses techniques sont appliquées, notamment le SIG, la télédétection et la
modélisation.

Les objectifs de l'étude sont les suivants (i) établir une cartographie spatiale de
l'érosion hydrique en utilisant une combinaison de l'équation RUSLE et de la méthode
d'analyse multicritère (MCA) dans un environnement semi-aride sur une période d'environ 28
ans, (ii) comprendre la relation entre le climat, l'érosion hydrique du sol et le changement
climatique dans la plaine du Haouz. Cette étude pourrait servir de ressource pour les
décideurs politiques qui cherchent à mettre en œuvre des thérapies naturelles pour réduire les
pertes de sol et d'eau dans les environnements arides et semi-arides.

4.3 Matériel et méthodes

Les paramètres (LS, K, P, C et R) utilisés dans l'équation RUSLE de cette étude,

combinés à la méthode d'analyse multicritère pour prédire l'érosion hydrique actuelle du sol,
ont été obtenus à partir de plusieurs ensembles de données de télédétection. La valeur actuelle
du facteur R a été modélisée à l'aide d'une régression linéaire simple dans les conditions
climatiques de 1992-2020. Nous avons généralisé ce modèle en utilisant les données
climatiques futures de cinq GCM (CNRM-CM6-1, EC-Earth3-veg, HadGEM-GC3I-LL,
IPSL-CM6A-LR et MPI-ESMI-2-LR) pour prédire le facteur R en 2040. L'érosivité des
précipitations et d'autres paramètres d'érosion de l'équation RUSLE ont ensuite été utilisés
pour prédire la perte potentielle de sol en 2040. Voici comment nous décrivons nos méthodes
(Fig 4.1).

123
Fig 4. 1: Méthodologie d'estimation de l'érosion hydrique actuelle et future à l'aide de l'approche RUSLE.

4.3.1 Modèle RUSLE

RUSLE représente selon l'équation 4.1, un modèle empirique largement appliqué pour
quantifier l'érosion hydrique du sol (Renard et al., 1997), il est approprié pour prédire les taux
d'érosion.

A=R*K*LS*C*P (Eq.1)

Où A = perte annuelle moyenne de sol (t/ha/an) ; R = facteur d'érosivité des précipitations

([Link]/ [Link]) ; K = facteur d'érodabilité du sol (t.h/ha. [Link]) ; LS = facteur
topographique (L en m, S en %) ; C = facteur de gestion de la couverture (sans dimension) et
P = facteur de pratique de conservation (sans dimension).

(Voir chapitre 3)

Le facteur R sert à prédire la probabilité que les précipitations fragmentent et

déplacent les particules du sol. Dans cette recherche, les données pluviométriques mensuelles
observées à travers 9 stations pluviométriques disponibles dans la plaine du Haouz, pour une
période de 28 ans allant de 1992 à 2020, les données de l'Agence du Bassin Hydraulique de
Tensift (ABHT) ont été utilisées dans notre calcul du facteur R. La méthodologie de Rango &
Arnoldus (1987) a été utilisée pour calculer le facteur R. Une méthode de régression linéaire a

124
été utilisée pour voir la corrélation entre les précipitations des stations climatiques et le
facteur R à attendre en 2040.

Fig 4. 2 : Evolution des précipitations par facteur d'érosivité (R) de 1992 à 2020 pour les 9 stations climatiques de la zone d'étude.

125
4.3.2 Poids relatifs des facteurs de l'équation de RUSLE

Les poids des facteurs de l'équation RUSLE appliquée à la plaine du Haouz ont été
déterminés à l'aide de la méthode AHP développée par (Saaty, 1990). Une technique
mathématique appelée méthode AHP est utilisée pour décrire des questions complexes avec
un nombre variable de composantes. Une matrice de comparaison par paire est créée pour
permettre la comparaison des évaluations des facteurs une fois que tous les facteurs ont été
organisés de manière hiérarchique. Une matrice de comparaison par paire est créée pour
permettre de comparer les évaluations des facteurs une fois que tous les facteurs ont été
classés hiérarchiquement. Cinq échelles numériques ont été utilisées pour déterminer
l'importance de chaque facteur, comme le montre le tableau ci-joint (tableau 4.1).

Tableau 4. 1: L'importance relative des facteurs et leur expression numérique sur la base de l'échelle de Saaty (Saaty 1980).

Les grilles individuelles des critères de conditionnement de l'érosion hydrique ont été
classées en cinq classes, la catégorisation en intervalles étant basée sur l'approche quantile,
afin de mieux comparer les critères. Démontrant une susceptibilité à la détérioration (5 : très
élevé, 4 : élevé, 3 : modéré, 2 : faible et 1 : très faible). La reclassification a été effectuée sur
la base des zones érodées du terrain. Les critères de conditionnement de l'érosion hydrique ont
été sélectionnés sur la base de l'équation RUSLE dans une matrice carrée réciproque 5×5
(tableau 4.2).

126
Tableau 4. 2 : Matrice de comparaison par paire et poids normalisés des facteurs dans l'équation RUSLE pour AHP ; λmax, RI et
CR

Le calcul de la cohérence des évaluations appariées a constitué une étape cruciale de

l'étude basée sur la méthode AHP. Il est recommandé de mesurer la cohérence à l'aide d'un
ratio de cohérence (CR), qui définit la probabilité que les évaluations de la matrice soient
générées de manière aléatoire. Saaty (1980) suggère d'examiner les matrices dont le rapport
de cohérence est supérieur à 0,10.
La probabilité d'une évaluation incorrecte des options augmente avec la valeur du taux
de cohérence. L'équation suivante (Eq 4.2) a été utilisée pour déterminer le ratio de cohérence
(CR) :

CI
CR = RI (Eq 4.2)

Où :
- CR : Rapport de cohérence ;
- CI : Indice de cohérence ;
- RI : Indice aléatoire.
L'indice de cohérence (CI) d'une matrice de comparaison par paire générée de l’indice
aléatoire (RI) et dépendant du nombre de facteurs (critères) comparés représente l'indice de
cohérence de la matrice de comparaison (Saaty 1980).
L'équation a été utilisée pour déterminer l'indice de consistance. (Eq 4.3) :

λmax −n
CI = (Eq 4.3)
n−1

Où ?
- n est le nombre de critères (facteurs) ;
- λ est la valeur moyenne du vecteur de cohérence, comme suggéré par Saaty (1980).

127
 Nous avons ensuite calculé l'érosion hydrique actuelle (1992-2020) dans la plaine du
Haouz après avoir calculé toutes les composantes et leurs pondérations appropriées pour
RUSLE (Eq 4.1)

4.3.3 Prévision de l'érosion future des sols à l'aide de la modélisation spatiale

Entre 1992 et 2020, nous avons créé une régression linéaire entre notre valeur R
actuelle et la variable climatique (précipitations), qui a été collectée à partir de la base de
données ABHT (Fig 4.2).

Dans cette étude, les cinq scénarios GCM pour l'année 2040 ont été utilisés pour
produire des estimations de la valeur R future. Les cinq scénarios obtenus à partir du portail
de données WorldClim ([Link] ont été utilisés pour représenter le facteur
climatique futur dans la plaine du Haouz. Les résultats de l'estimation des valeurs du facteur R
selon les deux voies de concentration représentatives extrêmes (RCP) ; RCP8.5 et RCP2.6 de
CMIP6 ont été utilisés. Le facteur R estimé pour 2040 et d'autres paramètres d'érosion (K, LS,
P et C), qui ont été influencés par inadvertance par le changement climatique dans cette étude,
ont été utilisés pour calculer les estimations finales de l'érosion hydrique du sol en 2040
(tableau 4.3).
Tableau 4. 3 : Liste des cinq GCMs CMIP6, des institutions et des pays qui les ont déclarés, et résolutions horizontales des
incréments de la grille.

128
Fig 4. 3 : Cartes de facteurs RUSLE (a) longueur et inclinaison de la pente, facteur LS ; (b) pratique de soutien, facteur P ; (c)
érodabilité du sol, facteur K ; (d) gestion de la couverture, facteur C ; et (e) érosivité des précipitations, facteur R.

4.4 Résultats et discussion

4.4.1 Taux actuel d'érosion hydrique du sol basé sur AHP

Afin d'analyser les facteurs de l'équation de perte de sol RUSLE (Revised Universal
Soil Loss Equation), des comparaisons par paire ont été effectuées à l'aide d'une matrice
carrée réciproque 5 × 5. Les poids normalisés des facteurs, ainsi que les valeurs
correspondantes, sont illustrés dans la figure 4.3. Parmi les facteurs, c'est le facteur R qui a le
poids le plus élevé (wi) avec une valeur de 0,436. Les poids attribués aux autres variables
étaient les suivants : facteur K (wi = 0,233), facteur P (wi = 0,178), facteur C (wi = 0,104) et
facteur LS (wi = 0,047) (voir tableau 4.2).

129
 La cohérence des évaluations matricielles a été assurée en satisfaisant aux critères de
cohérence, ce qui a été confirmé par le ratio de cohérence déterminé dans cette étude, qui
s'élève à 0,092. En utilisant l'équation (Eq 4.4), les facteurs de conditionnement de l'érosion
hydrique reclassés ont été multipliés par leurs poids respectifs pour calculer le total pondéré.
Cette approche basée sur l'AHP (Analytic Hierarchy Process) a été utilisée pour générer une
carte de susceptibilité à l'érosion hydrique.
WE(AHP) = ∑ wi xi (Eq 4.4)
Où :
- WE (AHP) est la susceptibilité à l'érosion hydrique basée sur AHP,
- wi est le poids du facteur i et
- xi est la classe reclassée de chaque facteur i.

La figure 4.3 présente les cartes des facteurs RUSLE dans la plaine du Haouz. La
figure 4.3e montre la carte projetée du facteur R annuel pour la plaine du Haouz à une
résolution spatiale de 30 m. Les valeurs R réduites varient entre 5,70 et 48,70 MJ mm ha-1 h-
1 an-1, avec une moyenne annuelle de 27,21 MJ mm ha-1 h-1 an-1. Les valeurs R les plus
faibles (< 5 MJ mm ha-1 h-1 y-1) ont été observées principalement dans l'ouest et le centre du
Haouz, en particulier dans la partie sud. La valeur R la plus élevée (> 35 MJ mm ha-1 h-1 a-1)
a été observée dans le Haouz oriental dans les zones de l'Ourika à la plaine du Haouz, ce qui
correspond aux fortes précipitations qui sont irrégulières dans les montagnes du Haut Atlas de
Marrakech.

Les valeurs du facteur K présentées par une carte dans la figure 4.3c varient entre
0,0139 et 0,0227 t ha h ha-1 MJ-1 mm-1, avec une valeur moyenne de K dans la plaine du
Haouz de 0,0183 t ha h ha-1 MJ-1 mm-1. Ils montrent que les sols les moins érodables
(valeurs de K < 0,014 t ha ha-1 MJ-1-mm-1) se trouvent principalement dans le sud de la zone
avec des sols schisteux à prédominance paléozoïque et des roches calcaires à prédominance
paléozoïque. Les sols les plus érodables (valeurs K > 0,028 t ha ha-1 MJ-1 mm-1) se trouvent
principalement au nord et à l'ouest, où l'on trouve des dépôts d'âge quaternaire et tertiaire.

La figure 4.3a montre la carte du facteur LS. Dans la plaine du Haouz, le facteur LS a une
valeur moyenne de 0,99. Dans les parties les plus basses de la plaine du Haouz, le facteur LS
avait la valeur la plus faible (>0,2), tandis que la valeur la plus élevée du facteur LS (>1,97)
se produisait dans les contreforts des montagnes du Haut Atlas. La figure 3.4c montre que les
valeurs LS élevées coïncident avec les escarpements et la topographie élevée et accidentée de

130
Lalla Takarkoust et les reliefs d'Ouirgane et d'Aghbalou, ce qui rend ces zones très sensibles à
l'érosion hydrique.

La carte du facteur C est présentée dans la figure 4.3d. Les valeurs C les plus élevées
ont été trouvées dans le centre et l'est du Haouz, dans la partie orientale de la région de
Tassaout, et dans les zones à forte densité de couverture végétale, tandis que les valeurs C les
plus faibles ont été observées dans la partie occidentale de la zone d'étude, dans l'ouest du
Haouz, où l'on trouve un sol nu et une couverture végétale distincte.

Comme le montre la figure 4.3a, la carte du facteur P montre une diminution de l'érosion du
sol liée aux impacts anthropomorphiques. Les activités humaines dans la plaine du Haouz
sont rares et se limitent principalement aux terres agricoles, qui ont été principalement
utilisées pour nettoyer les zones d'oueds de la plaine du Haouz, y compris toutes sortes de
zones de culture.

La carte RUSLE finale du taux annuel d'érosion hydrique du sol de la plaine du Haouz
est présentée dans la figure 4.4. 3,53 t ha-1 an-1 de sol ont été perdues en moyenne. L'érosion
la plus importante était visible à l'est, au nord et au centre de la plaine.

Fig 4. 4 : Carte de l'érosion hydrique annuelle du sol modélisé actuel (1992-2020).

La carte de sensibilité à l'érosion hydrique établie sur la base des données ABHT
incluant les conditions climatiques de précipitations depuis 1992 jusqu'à l'année 2020 actuelle

131
et historique. Elle montre que les zones de degré d'érosion (faible) représentent la plus grande
proportion de la zone d'érosion totale et se trouvent principalement dans la plaine du Haouz,
tandis que les zones de degré d'érosion (élevé à très élevé) représentent la plus petite
proportion de la zone d'érosion totale de la zone d'étude et se trouvent principalement dans les
contreforts du Haut Atlas et autour de l'oued Tensift (Fig 4.4).

A l'échelle nationale au Maroc, d'autres bassins versants ont été étudiés pour le risque
d'érosion hydrique, avec des degrés de perte de sol variables selon les régions. Dans le nord-
ouest de la région du Rif, les bassins versants de Kalaya et de l'Oued Sania présentent des
taux d'érosion moyens de 34,74 t/ha/an (Khali Issa et al. 2016) et 47,18 t/ha/an (Tahiri et al.,
2014, 2017) respectivement. Le bassin versant de l'Oued Boussouab dans le Rif oriental et le
bassin versant de l'Oued Salha dans le Rif central présentent des pertes de sol d'environ 55,53
t/ha/an (Sadiki et al. 2004) et 22 t/ha/an (Sadiki et al. 2009) respectivement.

Dans la région du Gharb, le bassin versant de Sebou, qui couvre plus de 70% de sa
superficie, présente une perte de sol de 10 t/ha/an (Chadli 2016). Dans le Moyen Atlas, le
bassin versant d'Oum Er-Rbia présente des taux d'érosion variables selon les auteurs, allant de
58 t/ha/an (El Jazouli et al. 2019) à 224 t/ha/an (Yjjou et al. 2014). Dans le bassin versant du
N'fis dans le Haut Atlas occidental, le taux d'érosion est estimé à 115 t/ha/an (Markhi et al.,
2015 ; 2019). Enfin, dans le bassin versant de l'Oued Inaouène dans la région du Pré-Rif, le
taux d'érosion est estimé à 36,33 t/ha/an (Benzougagh et al., 2020 ; 2023).

4.4.2 Potentiel de perte de sol dans la plaine du Haouz

Le modèle de régression linéaire prédictif de la valeur du facteur R montre une

précision de 0,80. Les résultats montrent que l'érosion hydrique des sols se produira
principalement dans toute la partie nord (Fig 4.5b), est et centrale de la plaine du Haouz.
Selon cinq GCM et deux PCR, les cartes du facteur R anticipé et de l'érosion hydrique du sol
associée en 2040 révèlent que la valeur R élevée en 2040 se produit principalement dans la
moitié nord de la région d'étude, dans les contreforts du Haut Atlas. C'est dans le Haouz
oriental que les cinq GCM et les deux PCR présentés dans la figure (Fig 4.5a) diffèrent le plus
en termes de facteur R en 2040.

En 2040, le facteur R prévu par le scénario climatique EC-Earth3-veg, a montré une

augmentation dans la plaine orientale du Haouz, tandis que celui prévu par les scénarios
climatiques HadGEM-GC3I-LL, IPSL-CM6A-LR, MPI-ESMI-2-LR, et CNRM-CM6- 1 a

132
montré une tendance à la baisse dans la plupart des zones de la plaine du Haouz (Fig 4.6a).
Selon nos projections, les taux d'érosion globaux de la partie sud du plateau augmenteront en
2040 dans le cadre des scénarios climatiques EC-Earth3-veg et CNRM-CM6-1, alors que les
projections utilisant les scénarios climatiques HadGEM-GC3I-LL, IPSL-CM6A-LR, et MPI-
ESMI-2-LR montrent une diminution dans ces régions en 2040 (Fig 4.6b). Selon les
projections climatiques, il y aurait une augmentation générale des taux d'érosion dans l'ouest
du Haouz d'ici 2040.

Fig 4. 5 : (a) Cartes du facteur d'érosion des précipitations pour 2040 selon plusieurs scénarios climatiques et des trajectoires de
concentration réalistes (RCP). Premièrement : CNRM-CM6-1 (RCP2.6, 8.5). Deuxième ligne : EC-Earth3-veg (RCP2.6, 8.5).
Troisième ligne : HadGEM-GC3I-LL (RCP2.6, 8.5). Quatrième ligne : IPSL CM6A-LR (RCP2.6, 8.5). Cinquième ligne : MPI-ESMI-2-
LR (RCP2.6, 8.5) Unité : [Link]/ [Link]. (b) Cartes des pertes potentielles de sol selon les scénarios climatiques et les
trajectoires de concentration exemplaires pour 2040 (RCP). Première ligne : CNRM-CM6-1 (RCP2.6, 8.5). Deuxième ligne : EC-
Earth3-veg (RCP2.6, 8.5). Troisième ligne : HadGEM-GC3I-LL (RCP2.6, 8.5). Quatrième ligne : IPSL-CM6A-LR (RCP2.6, 8.5).
Cinquième ligne : MPI-ESMI-2-LR (RCP2.6, 8.5). Unité : t/ha/an

133
Fig 4. 6 : (a) Changement du facteur d'érosion des précipitations pour 2040 selon les scénarios climatiques et les voies de
concentration représentatives (RCP). Première ligne : CNRM-CM6-1 (RCP2.6, 8.5). Deuxième ligne : EC-Earth3 veg (RCP2.6, 8.5).
Troisième ligne : HadGEM- GC3I-LL (RCP2.6, 8.5). Quatrième ligne : IPSL-CM6A-LR (RCP2.6, 8.5). Cinquième ligne : MPI-ESMI 2-
LR (RCP2.6, 8.5). Les zones violettes représentent les diminutions et les zones vertes représentent les augmentations de la
valeur de l'érosivité des précipitations par rapport à la valeur actuelle. Unité : ([Link]/ [Link]) (b) Changement dans la perte
potentielle de sol pour 2040 selon les scénarios climatiques et les voies de concentration représentatives (RCP). CNRM-CM6-1
(RCP2.6, 8.5). Deuxième ligne : EC-Earth3-veg (RCP2.6, 8.5). Troisième ligne : HadGEM-GC3I-LL (RCP2.6, 8.5). Quatrième ligne :
IPSL-CM6A-LR (RCP2.6, 8.5). Cinquième ligne : MPI-ESMI-2-LR (RCP2.6, 8.5). Par rapport à la valeur existante, les régions bleues
indiquent des réductions potentielles de la perte de sol, tandis que les régions rouges indiquent des augmentations potentielles de la perte
de sol. Unité : (t/ha/an).

La figure 4.7 montre l'estimation actuelle de la zone érodée en Km2 dans la plaine du
Haouz et nos prévisions pour 2040. Selon RCP2.6 et RCP8.5, la valeur moyenne des cinq
GCM devrait être de 4,41 et 5,31 t ha-1 an-1, respectivement, en 2040. La plaine du Haouz a
présenté une zone de perte annuelle de sol d'environ 1489,51 Km2 et 2186,18 Km2 en 2040
selon RCP2.6 et RCP8.5 respectivement.

Il existe peu de rapports quantitatifs sur l'érosion hydrique dans la plaine du Haouz, et
aucune étude n'a prédit le danger d'une future érosion des sols dans la région étudiée. La
plaine du Haouz pourrait connaître une plus grande dégradation des sols et des terres en
raison de l'évolution des conditions climatiques, ce qui rend opportune la recherche que nous
présentons ici sur l'érosion hydrique actuelle des sols et ses prévisions futures. Dans cette
étude, l'érosion hydrique du sol dans la plaine du Haouz est basée sur l'équation RUSLE en
combinaison avec la méthode AHP. Par rapport aux recherches antérieures, nos estimations

134
de l'érosion hydrique du sol sont plus précises, en intégrant la méthode AHP pour montrer
l'impact de chaque facteur, y compris l'équation RUSLE. Dans cette étude, le facteur R a été
calculé sur la base des données de précipitations mensuelles. Nos résultats ont montré que les
zones de forêts arbustives et de forêts clairsemées présentaient de faibles taux d'érosion. Cette
découverte contredit les résultats d'autres études. Modeste Meliho et al (2020).

En particulier si le scénario RCP8.5 se réalise, ce qui correspond à la trajectoire avec

la plus grande capacité de variation climatique et les plus grandes émissions de gaz à effet de
serre, le Haouz occidental semble être une région plus exposée et plus vulnérable au
changement climatique en 2040. Ceci est basé sur la prédiction de l'érosion hydrique future du
sol dans la plaine du Haouz à l'aide de cinq modèles climatiques régionaux. Les précipitations
élevées et imprévisibles ont un impact significatif sur les sols nus de cette région.

9000

8000

7000

6000 Risk of soil erosion in

2040 (RCP 8.5)
5000
Risk of soil erosion in
4000 2040 (RCP 2.6)
3000 Current soil erosion
2000

1000

0
Very Low Low moderate high very high

Fig 4. 7 : Classes de changements dans les taux d'érosion hydrique actuels et futurs (2040) selon les deux voies climatiques
RCP2.6 et RCP8.5.

L'augmentation des températures et des précipitations est directement liée à l'évolution

du ruissellement dans la plaine du Haouz. Le danger d'érosion future en 2040 est indiqué par
la tendance à la hausse du ruissellement total du sol dans les scénarios RCP2.6 et RCP8.5.
L'augmentation de l'érosion de l'eau du sol pourrait avoir un impact sur les opérations
agricoles dans la région de recherche.

Les prévisions futures ont été établies sur la base de deux scénarios d'émissions qui se
situent dans les fourchettes la plus basse et la plus haute de tous les scénarios de
réchauffement possibles. L'ampleur exacte du réchauffement qui se produira dans la région
étudiée est encore inconnue. Dans diverses zones de la plaine du Haouz, les prévisions des
135
cinq GCM concernant l'érosion des sols présentent des trajectoires divergentes. Les prévisions
des cinq GCM concernant l'érosion hydrique des sols présentent des schémas variables en
divers endroits, ce qui se reflète dans le degré élevé d'incertitude des prévisions relatives à
l'érosion des sols. Nous nous sommes efforcés de minimiser les biais des modèles en utilisant
cinq GCM et deux scénarios. Les modèles de projection et les scénarios que nous avons
utilisés offrent, à notre avis, un seuil adéquat pour l'érosion du sol en 2040.

4.5 Conclusion

Les régions semi-arides sont particulièrement vulnérables aux effets du changement

climatique. Afin d'aider les décideurs et les gestionnaires à élaborer des politiques de
préservation et de protection, il est essentiel de comprendre ses effets et ses conséquences sur
la dégradation des sols dans la plaine du Haouz.

En utilisant une combinaison de l'approche d'analyse multicritère et de RUSLE, cette

étude a développé des estimations de l'érosion hydrique actuelle sur la base d'un
enregistrement des précipitations fourni par ABHT de 1992 à 2020 dans la plaine du Haouz,
sur la base des ensembles de données les plus facilement accessibles et les plus récents. Afin
de prévoir la valeur du facteur d'érosion R et l'érosion hydrique en 2040, la régression linéaire
a été utilisée pour calculer le facteur d'érosion R.

La plaine du Haouz, d'une superficie de 371,28 km2, présente un taux moyen d'érosion
des sols de 3,53 t/ha/an, selon les résultats de l'étude. L'est du Haouz, les oueds de la plaine et
les contreforts du Haut Atlas sont les zones où l'érosion des sols est la plus forte.

Les cinq modèles climatiques futurs et les prévisions des deux RCP concernant
l'érosion hydrique des sols indiquent une augmentation pour l'année 2040. Selon les modèles
RCP2.6 et RCP8.5, l'érosion hydrique moyenne des sols était de 4,41 et 5,31 t/ha/an, avec des
zones de perte de sol projetées de 1489,51 et 2186,18 Km2, respectivement. C'est dans le
Haouz oriental et le Haouz septentrional que les variations des taux d'érosion ont été
constatées, selon les modèles RCP2.6 et RCP8.5.

136
 CHAPITRE V
CARTOGRAPHIE DE LA VULNÉRABILITÉ À
L'ÉROSION PAR RAVINEMENT (ML)

137
 CHAPITRE V
CARTOGRAPHIE DE LA VULNÉRABILITÉ À L'ÉROSION PAR
RAVINEMENT (ML)

Publication 5 (P5) Article: Youssef Bammou, Brahim Benzougagh, Abdessalam Ouallali,

Brahim Igmoullan, Shuraik Kader, Velibor Spalevic, Paul Sestras (2023) Comprehensive
Spatial mapping and machine learning assessment of gully erosion susceptibility: Insights for
Sustainable Watershed Management.

Cet article est accepté et publié dans la revue Journal of African Earth Sciences
([Link]

5.1 Résumé

L'érosion par ravinement est un danger environnemental généralisé qui menace la stabilité
socio-économique et le développement durable à l'échelle mondiale. Cette étude a appliqué
sept modèles d'apprentissage automatique, notamment SVM, KNN, RF, XGBoost, ANN, DT
et LR, et a évalué la susceptibilité à l'érosion des ravines dans le bassin versant de Tensift et
l'a prédite dans la plaine du Haouz, au Maroc. Pour garantir la fiabilité des résultats, l'étude a
utilisé une combinaison solide d'inventaire de l'érosion des ravines, d'images sentinelles et de
modèle de surface numérique. Dix-huit prédicteurs, comprenant des facteurs topographiques,
géomorphologiques, environnementaux et hydrologiques, ont été sélectionnés après des
analyses de multicolinéarité. L'étude de la sensibilité à l'érosion des ravines a révélé
qu'environ 28,18 % du bassin versant de Tensift est exposé à un risque d'érosion très élevé.
En outre, 15,13 % et 31,28 % du bassin versant sont classés respectivement dans les
catégories « faible » et « très faible ». Ces résultats s'étendent à la plaine du Haouz, où 7,84 %
de la surface présentent un risque d'érosion très élevé, tandis que 18,25 % et 55,18 % sont
caractérisés comme des zones à risque faible et très faible. Pour évaluer les performances des
modèles de ML, un ensemble de mesures comprenant la spécificité, la précision, la sensibilité
et l'exactitude ont été utilisées. L'étude montre que XGBoost et KNN sont les modèles les
plus prometteurs, avec des valeurs AUC ROC de 0,96 et 0,93 dans la phase de test. Les autres
modèles, à savoir RF (AUC ROC = 0,89), LR (AUC ROC = 0,80), SVM (AUC ROC = 0,81),
DT (AUC ROC = 0,86) et ANN (AUC ROC = 0,78), ont également affiché des performances
louables. La nouveauté de cette recherche réside dans son approche innovante de la lutte
contre l'érosion des ravines grâce à des modèles ML de pointe, offrant des solutions pratiques
pour la conservation des bassins versants, la gestion durable et la prévention de la dégradation

138
des sols. Ces connaissances sont inestimables pour relever les défis posés par l'érosion par
ravinement dans la région et au-delà de ses frontières géographiques et peuvent être utilisées
pour définir des stratégies d'atténuation appropriées à l'échelle locale et nationale.

Mots clés: Modèles numériques de surface, Sensibilité à l'érosion par ravinement,

Dégradation des terres, Apprentissage automatique, Importance des facteurs, Maroc

5.2 Introduction

L'érosion hydrique, un phénomène naturel courant, est à l'origine de problèmes

environnementaux et socio-économiques considérables (Borrelli et al., 2020 ; Hassen et
Bantider, 2020 ; Mici'c Ponjiger et al., 2021, 2023 ; Wassie, 2020). L'interaction complexe
entre l'eau, la topographie du terrain, l'utilisation des terres et le climat entraîne des érosions
importantes (Bammou et al., 2023 ; Luetzenburg et al., 2020 ; Sestras et al., 2023). La
compréhension et la gestion des conséquences de l'érosion deviennent encore plus critiques
dans les régions semi-arides comme la plaine du Haouz au Maroc central, en raison des
réserves d'eau limitées et des écosystèmes fragiles.

L'érosion peut avoir des répercussions négatives dans les zones d'érosion et de dépôt.
La matière organique et minérale est emportée du sol dans les zones sujettes à l'érosion, ce qui
entraîne une diminution de la rétention d'eau disponible pour les plantes, une mauvaise
infiltration et des conditions de drainage du sol défavorables (Kader et al., 2022 ; Naorem et
al., 2023 ; Xiao et al., 2023). L'épuisement des sols et la détérioration de la fertilité sont
difficiles à réparer à court terme et les résultats de l'érosion et de la perte de qualité des sols
constituent une grave menace pour la sécurité alimentaire (Kader et al., 2023 ; Salhi et al.,
2023 ; Saljnikov et al., 2022). Les conséquences de l'érosion dans les zones de dépôt peuvent
se manifester par des dépôts de sédiments indésirables, une réduction de la capacité de
rétention des structures hydrauliques (Yu et Deng, 2022), des inondations (Kader et al., 2023),
qui entraînent une pollution prolongée de l'eau et, par conséquent, une baisse de sa qualité.

L'étude, l'analyse et la cartographie de la vulnérabilité à l'érosion sont essentielles au-

delà de leur valeur académique. L'érosion influence directement l'approvisionnement en eau,
la fertilité des sols, la sédimentation des réservoirs et l'intégrité générale du paysage. Il est
essentiel de comprendre les schémas d'érosion et les susceptibilités pour protéger les
ressources naturelles essentielles et orienter les méthodes de gestion des terres avec succès
(Ahmed et al., 2024 ; Asempah et al., 2024). De nombreuses méthodes d'étude et de

139
cartographie de l'érosion ont été développées au fil du temps. Dans le contexte marocain, des
exemples notables d'applications ont adhéré à diverses méthodologies telles que l'équation
universelle de perte de sol (Elaloui et al., 2017), l'équation universelle révisée de perte de sol
(RUSLE) (Bammou et al., 2023), l'outil d'évaluation des sols et de l'eau (SWAT) (Briak et
al..., 2016 ; Echogdali et al., 2022 ; Ouallali et al., 2020), les techniques de traçage radio-
isotopique telles que le 137 Cs (M. Meliho et al., 2019) et le 210 Pb (Moustakim et al., 2022), et
la méthode du potentiel d'érosion (EPM) (Elaloui et al., 2022). Ces modèles permettent
d'identifier les zones préoccupantes et de prévoir les taux d'érosion probables, ce qui facilite
l'élaboration de mesures de conservation des sols et de l'eau.

Ces modèles présentent toutefois plusieurs limites. À l'exception de l'EPM, la plupart

de ces approches et modèles produisent des conclusions qui concernent principalement
l'érosion en nappe. Or, l'érosion des ravines est responsable de la plupart des matériaux qui
s'écoulent vers l'aval dans les bassins versants. Ces approches simplifient souvent des
processus érosifs complexes, ce qui peut donner lieu à des approximations. En outre, un
étalonnage précis à l'aide de données locales est nécessaire pour que ces modèles produisent
des prévisions significatives. Ils peuvent également être limités par l'imprévisibilité des dépôts
atmosphériques et les contraintes géographiques telles que les techniques de traçage des
radio-isotopes.

Par conséquent, l'érosion par ravinement constitue une cible d'étude intéressante en
raison de son importante capacité de transport de sédiments par rapport à d'autres types et
formes d'érosion par l'eau. Dans ce contexte, l'érosion par ravinement est un type distinct et
dévastateur qui mérite une attention particulière. Les ravines peuvent transformer les
paysages, ruiner les champs agricoles et perturber les équilibres biologiques (Geng et al.,
2021 ; Mosaffaie et al., 2021 ; Zhang et al., 2021) en raison de leurs incisions profondes et de
leurs capacités substantielles de transport de sédiments. L'érosion par ravinement devient un
facteur critique de la dégradation des terres, étant donné les caractéristiques particulières des
zones semi-arides, caractérisées par de fortes précipitations et la déforestation (Garosi et al.,
2019). Par conséquent, l'utilisation d'outils cartographiques précis pour identifier les zones
vulnérables à l'érosion par ravinement est essentielle pour une gestion proactive de l'érosion et
son atténuation.

Traditionnellement, les procédures indiquées ci-dessus, y compris les approches

qualitatives et quantitatives, ont été utilisées pour évaluer la vulnérabilité à l'érosion.

140
Cependant, ces techniques ne parviennent souvent pas à saisir complètement la dynamique
complexe des processus d'érosion, en particulier dans des paysages et des conditions
climatiques changeants. L'intelligence artificielle, notamment les algorithmes d'apprentissage
automatique, peut contribuer à améliorer la cartographie de la vulnérabilité à l'érosion en
prenant en compte de nombreux aspects et interactions (Arabameri et al., 2021 ; Cimusa
Kulimushi et al., 2023).

La viabilité d'un modèle ML dépend de sa précision, qui est évaluée par sa capacité de
discrimination et sa fiabilité. La discrimination mesure la capacité d'un modèle à différencier
la présence et l'absence de ravinement (Bashir et al., 2024). L'accord entre la probabilité
prédite d'événements tels que le ravinement et les proportions observées de leurs occurrences
est mesuré par la fiabilité (Youssef et al., 2023). Cependant, pour plusieurs études, une
discrimination intense et une bonne fiabilité sont deux composantes essentielles d'un modèle
efficace (Hembram et al., 2021 ; Saha et al., 2021). Dans cet article, sept des algorithmes de
ML les plus importants dans l'état de l'art, à savoir SVM, KNN, RF, XGBoost, ANN, DT et
LR, ont été examinés pour prédire et cartographier les GES dans une région semi-aride du
Maroc qui n'avait pas été étudiée auparavant.

Cette étude vise à combler les lacunes actuelles des méthodologies d'évaluation de
l'érosion en tirant parti des capacités de ML pour générer des cartes de susceptibilité précises
et exploitables. L'objectif principal de la gestion du risque d'érosion par ravinement est
d'identifier et de localiser les zones considérées comme étant à haut risque. Cependant, la
réalisation de cet objectif peut être longue et coûteuse. Par conséquent, l'utilisation de
modèles prédictifs basés sur la ML offre des avantages significatifs pour aborder ce problème
de manière efficace. L'objectif premier de cette étude est double : tout d'abord, démontrer la
capacité des algorithmes de ML à cartographier les GES et comparer les performances
prédictives de chaque modèle de ML implique d'évaluer la spécificité, la précision, la
sensibilité, l'exactitude et la fiabilité du modèle (telles qu'évaluées par RMSE et MAE).
Deuxièmement, il s'agit de donner des indications précieuses sur la sensibilité d'une région
semi-aride à haut risque à l'érosion par ravinement.

Une base solide pour l'analyse prédictive est fournie par l'incorporation dans les
modèles ML de données provenant de 1220 échantillons de terrain uniformément répartis
entre les régions érodées et non érodées. Les résultats de cette étude ne servent pas seulement
à améliorer le contrôle de l'érosion mais aussi à faire progresser l'analyse géospatiale et la

141
modélisation environnementale en général. En d'autres termes, cette étude est la première du
genre dans le contexte de l'Afrique du Nord où les résultats de cette recherche ont un énorme
potentiel pour contribuer au développement de plans d'utilisation des terres durables et
d'initiatives d'atténuation de l'érosion dans les régions semi-arides en étudiant de manière
approfondie l'utilité du ML avec de nouvelles applications grâce à l'intégration systématique
de l'inventaire de l'érosion des ravines, des images sentinelles et du modèle numérique de
surface (DSM).

5.3 Matériels et méthodes

5.3.1 Méthodologie

Cette recherche applique une approche basée sur l'intégration du ML dans un système
et la télédétection, en utilisant 18 facteurs conditionnant l'érosion des ravines, à savoir les
facteurs topographiques, géologiques, géomorphologiques, hydrologiques, climatiques et
anthropogéniques, pour créer des cartes de prédiction. La méthodologie adoptée pour cette
étude est résumée dans l'organigramme de la figure 5.1. Les principales étapes sont les
suivantes 1) La préparation de la base de données fait référence à la création d'une base de
données géographique composée de dix-huit facteurs qui conditionnent les glissements de
terrain et de points d'inventaire qui comprennent des points de glissement et de non-
glissement. Après avoir assemblé les bases de données, nous avons extrait les valeurs des
facteurs de causalité des glissements de terrain pour les lieux concernés, qui correspondent au
code suivant (1,0) Analyse de la multicollinéarité et de l'importance des facteurs à l'aide du
facteur d'inflation de la variance (VIF), de la tolérance (TOL) et de l'information mutuelle
(MI) Application des sept modèles ML sélectionnés et validation des résultats à l'aide de
plusieurs paramètres statistiques.

142
Fig 5. 1: Organigramme de la méthodologie développée.

La carte d'inventaire des sites érodés et non érodés présentée dans la Figure 5.2 a été
établie à partir d'un certain nombre de sources de données, la collecte de points lors de
missions sur le terrain en 2022 à l'aide d'un GPS (Fig 5.2a, 2b, 2c, 2d, 2e et 2f), une analyse
d'images satellites sentinelles (Fig 5.2g) et l'interprétation du modèle numérique de surface
(MNS) fourni par ALOS Global Digital Surface Model « ALOS World 3D - 30m (AW3D30)
» (Fig 5.2h). Ensuite, 620 emplacements de ravines ont été vérifiés et localisés. D'autre part,
pour que le processus d'analyse soit efficace, il est important d'homogénéiser la répartition des
emplacements en ravines et non ravines (Conoscenti et al., 2014 ; Rahmati et al., 2016).

143
Fig 5. 2 : Carte d'inventaire du bassin versant de Tensift et de la plaine du Haouz et exemples de zones d'érosion par ravinement
(a, b, c, d, e, et f) photos de terrain (g) image satellite Sentinel et (h) modèle numérique de surface.

L'application des modèles ML nécessite souvent deux types de données pour une
estimation fiable de la vulnérabilité à l'érosion des ravines (0 non érodé et 1 érodé). Le rapport
d'échantillonnage, érodé/non érodé, doit être proche de 1 pour obtenir un résultat fiable
(Nefeslioglu et al., 2008 ; Schicker et Moon, 2012). Les points non érodés sont sélectionnés à
partir des images hautes résolution de Google Earth Pro et sont situés à une distance logique
des points d'érosion. Lors de l'application de modèles ML, les données sont généralement
séparées en deux ensembles de formation et de test, où 70 % du total ont été utilisés pour
former les sept modèles ML et les 30 % restants ont été utilisés pour tester les sept modèles.

L'étude réalisée sur les fasciés qui composent la zone d'étude montre deux types
d'érosion. Une forte érosion dans les zones où abondent les matériaux friables tels que les
marnes phosphatées du Néogène, les argiles et les dépôts tertiaires, et une faible érosion dans
le Jibelt, caractérisé par des affleurements rocheux très résistants à l'érosion et des pentes
douces.

144
 L'approche de la recherche présente plusieurs limites qu'il convient de prendre en
compte. La dépendance à l'égard de la télédétection et de l'intégration de l'apprentissage
automatique dans un système est l'une de ses limites. Bien que ces méthodes puissent être
efficaces pour prévoir l'érosion des ravines, elles ne sont pas parfaites et sont sujettes à des
erreurs et à des incertitudes. Le choix des dix-huit paramètres conditionnant l'érosion par
ravinement constitue un autre inconvénient. Bien que les facteurs topographiques,
géologiques, géomorphologiques, hydrologiques, climatiques et anthropiques fassent partie
des nombreuses caractéristiques couvertes par ces composantes, il est crucial de reconnaître
que d'autres facteurs susceptibles d'affecter l'érosion des ravines n'ont peut-être pas été pris en
compte dans le cadre de cette étude. Ces omissions pourraient donc avoir un impact sur la
précision des prévisions du modèle.

En outre, la qualité et la résolution des données de télédétection utilisées peuvent avoir

un impact sur la précision des cartes de prévision établies à l'aide de cette méthodologie. La
fiabilité des cartes de prévision peut être affectée par la précision des données ainsi que par
toute erreur ou défaut éventuel dans les méthodes de traitement des données. Il est essentiel de
se rappeler que les projections des modèles sont basées sur des hypothèses et des faits
antérieurs. Les modifications futures de l'utilisation des sols, des conditions
environnementales ou d'autres variables non incluses dans le modèle pourraient avoir un
impact sur la précision et l'utilité des cartes de prédiction. Dans l'ensemble, bien que
l'approche de l'étude ait ses mérites, il est crucial de reconnaître ces contraintes et d'en tenir
compte lors de l'analyse des résultats et de l'utilisation des cartes de prédiction.

[Link] Facteurs conditionnant l'érosion par ravinement

L'élaboration du modèle spatial de l'érosion par ravinement est un processus complet

qui implique de sélectionner soigneusement les facteurs de conditionnement à l'aide de
diverses techniques et d'utiliser des techniques de modélisation spatiale pour comprendre
l'érosion par ravinement (Pourghasemi et al., 2020). Dans cette étude, 18 variables
qualitatives et quantitatives ont été méticuleusement reconstruites, englobant des aspects
cruciaux tels que la topographie, la géomorphologie, l'environnement et l'hydrologie. Ces
variables comprennent l'altitude, la pente, l'aspect, les précipitations, les LULC, les
géomorphons, TPI, la distance aux rivières, la profondeur de la vallée, la courbure, la
lithologie, le NDVI, le TWI, le TRI, le LS, la densité de drainage et le SPI.

145
Tableau 5. 1: Sources, équations et traitement des données utilisées dans cette étude.

Factors Data Layers Equation & Processing Source

Elevation Fill tool for correction in ArcGIS
Slope (◦) Processing in ArcGIS
SPI = As × tanβ
Stream Power Index
As is the upstream drainage area and β is
(SPI)
the slope degree.
Topographic Position
Processing in ArcGIS SRTM-DEM
Index (TPI)
(Digital Elevation Model) were
LS = (m + 1) × [As/22] × [sinβ/0.0896]
Topographic downloaded from the
Slope Length (LS) As is the upstream drainage area and β is
factors website of United
the slope degree
StatesGeological Survey (USGS)
Aspect Processing in ArcGIS
Curvature Processing in ArcGIS [Link]
TWI = In(As/tanβ)
Topographic Wetness
As is the upstream drainage area and β is
Index (TWI)
the slope degree
Topographic
Processing in ArcGIS
Roughness Index (TRI)
Geomorphol Geomorphons
ogical Processing in SAGA GIS
factors Valley Depth
K = fcsand *fcl − si * forgc * fhisand
Where, ƒcsand: fraction of soils with high
coarse sand content, [Link]
ƒcl-si: fraction of soils with high silt/clay portal/data-hub/soil-maps-
K Factor ratio; and-databases/faounesco-soil-
Geological
ƒorgc: fraction of soils with high organic map-of-the-world/en/
factors
carbon content and
ƒhisand: fraction of soils with extremely
high sand content
Geological map of Marrakech
Lithology Mapping
500,000 scale
Climatic Interpolation of monthly rainfall using the Tensift Hydraulic Basin Agency
Rainfall (mm)
factors Kriging method (ABHT)
Normalized Difference 𝑩𝟖−𝑩𝟒
𝑵𝑫𝑽𝑰 = Sentinel-2 Images
Vegetation Index 𝑩𝟖+𝑩𝟒
LAND cover B8 = NIR & B4= RED [Link]
(NDVI)
factors hus/#/home
LandUse-LandCover Supervised classification using the
(LULC) Maximum Likelihood method

La sélection de ces facteurs est le fruit d'une analyse approfondie des données issues
de recherches antérieures et d'un examen minutieux de la multicolinéarité. En particulier, pour
la classification des facteurs quantitatifs, l'étude adopte la technique largement reconnue de la
rupture naturelle, une méthode de classification fréquemment recommandée par des études
importantes telles que (Tiwari et al., 2021). En intégrant ces variables essentielles et des
techniques de modélisation avancées, le modèle spatial de l'érosion par ravinement vise à
offrir des informations précieuses sur les processus complexes de l'érosion par ravinement,
contribuant ainsi de manière significative à la compréhension et à la gestion de ce problème
environnemental critique.

146
 L'altitude de la zone d'étude a été divisée en neuf classes avec une valeur minimale de
moins de 300 m et une valeur maximale de plus de 3100 m (voir figure 5.3c), créées à l'aide
du MNT à résolution de 30 m obtenu auprès de l'USGS. La pente a généralement un effet
remarquable sur la formation des ravines. La carte des pentes extraite du MNT a été divisée
en neuf classes avec des valeurs comprises entre 0 ◦ et 71 ◦, voir la figure 5.3a. De même, la
carte d'aspect a été divisée en neuf classes, comme le montre la figure 5.3b. La carte de
courbure est également extraite du MNT et classée en trois classes : concave représentant les
valeurs négatives des pixels, plate correspondant à des valeurs nulles et positive montrée par
une forme convexe comme le montre la figure 5.3d.

L'énergie d'érosion de l'eau et le potentiel de transport affectent et accélèrent la

susceptibilité à l'érosion par ravinement, représentée par l'indice de puissance sédimentaire
(SPI) qui est calculé à partir de l'équation donnée dans le tableau 5.1 et a été classé en six
sous-classes dans la figure 5.3o. L'indice de puissance sédimentaire (TWI) est l'un des
principaux facteurs de l'érosion par ravinement. Il est calculé à partir de l'équation présentée
dans le tableau 5.1, sur la base des données du MNT. Il est divisé en six classes, comme le
montre la figure 4h. Le facteur LS est l'un des principaux facteurs de l'équation RUSLE. Il a
également été calculé à partir du MNT en utilisant l'équation présentée dans le tableau 5.1 et
ce facteur a été classé en six classes, comme l'illustre la figure 5.3m.

La différence d'altitude entre les pixels d'un MNT est exprimée par le TRI qui, dans
cette étude, a été classé en six catégories, comme le montre la figure 5.3p. TPI est également
calculé à partir du MNT et utilisé pour classer et calculer la différence de hauteur entre
chaque point de données, ou pixel d'un MNT matriciel, et son environnement immédiat. TPI a
été classé en sept catégories (voir figure 5.3f). Les facteurs de densité de drainage ont été
utilisés et classés en cinq catégories (Fig 5.3j). La distance à la rivière a été préparée en
appliquant l'outil de distance euclidienne dans ArcGIS. L'érosion des ravines dépend
fortement de la nature des fasciés lithologiques et des types de sol exposés à la surface, ces
indicateurs jouant un rôle important dans l'accélération de l'érosion des ravines (Rahmati et
al., 2017).

147
Fig 5. 3 : Facteurs conditionnant l'érosion par ravinement dans la zone d'étude (a) Pente en ° , (b) Aspect, (c) Élévation, (d)
Courbure, (e) Profondeur de la vallée, (f) IPT, (g) Précipitations, (h) TWI, (i) NDVI, (j) Densité de drainage (k) Lithologie, (l) LULC,
(m) Facteur LS (n) Distance par rapport aux rivières, (o) SPI, (p) TRI, (q) Géomorphons et (r) Facteur K.

La carte lithologique a été établie sur la base des données géologiques disponibles au
Maroc et a été classée en neuf classes numérotées de 1 à 32, comme le montre la légende de la
(Fig 5. 3k). Pour la carte du facteur K, qui est l'un des facteurs importants de l'équation
RUSLE, l'équation présentée dans le tableau 5.1 est basée sur les données relatives au type de
sol fournies par la FAO- HWSD.

Le NDVI a été calculé à l'aide de l'imagerie Sentinel-2 selon l'équation du tableau 5.1,
classée en cinq classes avec des valeurs allant de 0,91 à 1 (Fig 5.3i). La carte LULC a été
produite à partir de la même scène d'imagerie Sentinel-2 après un processus de classification
supervisé à l'aide du logiciel ArcGIS. Les classes LULC sont l'eau, les arbres, la végétation,
les cultures, les zones bâties, les sols nus et les pâturages (Fig 5.3l). Les facteurs
géomorphologiques et de profondeur de vallée ont été développés à l'aide du logiciel SIG
SAGA. Le premier a été classé en dix classes : plat, sommet, crête, épaulement, éperon, pente,
creux, bas de pente et dépression de la vallée (Fig 5.3q). La seconde a été classée en cinq
classes allant de 249 à 907 (Fig 5.3e). Le dernier facteur abordé concerne la composante
climatique, qui contribue directement à l'érosion des ravines, la pluviométrie annuelle, basée

148
sur l'analyse d'une série temporelle de 1992 à 2020 dans plusieurs stations climatiques du
bassin versant du Tensift. Le résultat de cette carte a été subdivisé en huit classes avec une
variation spatio-temporelle entre moins de 150 mm dans la partie ouest de la zone d'étude et
plus de 390 mm généralement dans le Haut Atlas et dans les zones à l'est de la zone d'étude
(Fig 5.3g).

Fig 5. 3 : (Suite)

5.4 Résultats

5.4.1 Multicollinéarité et sélection des facteurs

Les résultats de la CM présentés à la figure 5.5 représentent l'analyse d'association de

Pearson entre 18 variables d'influence, à savoir la densité de drainage, l'aspect, le facteur K,
TPI, le TWI, les géomorphons, le NDVI, le LULC, les précipitations, la distance par rapport
aux rivières, la courbure, l'élévation, la pente, le SPI, le facteur LS, la lithologie et TRI.
Comme le montrent les résultats, la valeur de corrélation positive la plus élevée (0,69) a été

149
trouvée entre le facteur LS et la pente, et une forte corrélation linéaire a été trouvée entre les
facteurs suivants : Élévation et pente, densité de drainage et profondeur de la vallée, TWI et
géomorphons, SPI et géomorphons, SPI et facteur LS, précipitations et élévation, pente et
TRI. Les résultats de la tolérance et du VIF appliqués pour vérifier la multicolinéarité des
facteurs d'influence de l'alimentation dans cette étude montrent une valeur Tol comprise entre
0,15 et 0,94 pour les géomorphons et le TWI, respectivement, ainsi qu'une valeur VIF
maximale de 6,35 pour les géomorphons et une valeur minimale de 1,05 pour le TWI (Fig
5.4).

Conformément aux exigences de Tol et de VIF parmi les 18 facteurs utilisés dans cette
étude, le facteur Géomorphons a été supprimé dans l'analyse suivante. Ensuite, le MI des 17
autres facteurs (Fig 5.6) montre des valeurs positives allant de 0,261 (Pente) à 0,029 (Aspect).
Par conséquent, la pente est classée comme le facteur le plus important, suivi du facteur LS
(MI = 0,227), de l'IPT (MI = 0,226) et de la lithologie (MI = 0,213).

VIF Tol 1
8
0,8
6 0,6
VIF

Tol
4 0,4
2 0,2
0 0

Factors

Fig 5. 4: Analyse de la multicolinéarité des facteurs de conditionnement par le facteur d'inflation de la variance (VIF) et la
tolérance (TOL).

150
Fig 5. 5 : Analyse de la multicolinéarité des facteurs de conditionnement à l'aide de la matrice de corrélation.

0,4
Mutual information

0,3

0,2

0,1

Factors

Fig 5. 6: Facteurs conditionnant l'érosion par ravinement en relation avec la force de prédiction pour tous les modèles

5.4.2 Cartes de susceptibilité à l'érosion par ravinement

Le modèle GES a été développé en appliquant sept algorithmes différents. Les

résultats ont été présentés sous la forme de prédictions de probabilité, allant de 0 à 1,
indiquant respectivement les valeurs GES les plus faibles et les plus élevées. Pour rendre la
visualisation plus informative, les cartes générées ont été classées en cinq zones distinctes en

151
utilisant la classification des ruptures naturelles de Jenks. Ces zones sont les suivantes : très
faible, faible, modérée, élevée et très élevée.

Une première analyse visuelle des sept cartes produites par les algorithmes SVM (Fig
5.7a), RF (Fig 5.7b), LR (Fig 5.7c), KNN (Fig 5.7d), DT (Fig 5.7e), ANN (Fig 5.7f), et
XGBoost (Fig 5.7g) a permis de mettre en évidence certaines caractéristiques. Plus
précisément, les zones présentant des valeurs GES très élevées se concentrent dans la partie
sud du bassin versant du Tensift, englobant la zone de plaine (Haouz) et les contreforts du
Haut Atlas. En outre, il y avait des occurrences localisées de valeurs GES très élevées dans les
régions occidentales et septentrionales du Jbilet. Inversement, les zones présentant des valeurs
GES très faibles ont été principalement observées dans la partie centrale de la plaine du
Haouz. Cette première analyse visuelle fournit des indications précieuses sur la distribution
spatiale des GES dans le bassin versant du Tensift, en mettant en évidence les régions de forte
et de faible sensibilité. La formation dérivée de ces cartes est cruciale pour comprendre le
risque potentiel et orienter les efforts de gestion dans la zone d'étude.

La distribution géospatiale du degré de GES est assez remarquable avec un degré très
fort dans le Haut Atlas et dans certaines zones de Jbilet. Les modèles SVM, LR et ANN
montrent généralement une sensibilité faible à très faible à Jbilet et dans la plaine du Haouz,
avec une augmentation de la sensibilité dans la région de Talmest. Cependant, le modèle DT
montre également une augmentation de la sensibilité à Jbilet dans la région de Kettara et dans
d'autres régions de la plaine du Haouz telles que Mejjat, Chichaoua, Lataouia et Takarkoust.
Pour les modèles RF, KNN et XGBoost, la sensibilité forte à très forte se remarque dans les
mêmes endroits avec une légère différence dans les zones couvertes. Cette sensibilité est
localisée dans les zones d'Ourika, Ait Ourir, Laataouia, Kettara, Takarkoust, Chichaoua
Talmest, Mejjat et Ijjoukak.

152
Fig 5. 7: Cartes GES du bassin versant de Tensift et de la plaine du Haouz prédites par les modèles (a) SVM, (b) RF, (c) LR, (d)
KNN, (e) DT, (f) ANN et (g) XGBoost.

153
 Selon les résultats présentés dans la Fig 5.8, la distribution spatiale des GES dans le
bassin versant du Tensift pour les sept modèles appliqués montre que le pourcentage de
surface pour une sensibilité très faible varie entre un minimum de 17,11 % et un maximum de
43,99 % pour les modèles DT et SVM respectivement, le pourcentage de surface pour une
sensibilité faible varie entre un minimum de 9,38 % et un maximum de 22,12 % enregistrés
respectivement pour les modèles (RF et KNN) et ANN, pour une sensibilité modérée varie
entre 8,03 % notés pour les modèles (RF et KNN) et 18,99 % notés pour les modèles ANN.
Pour une sensibilité modérée, la surface en pourcentage varie entre 8,03 % pour les modèles
(RF et KNN) et 18,58 % pour DT, la surface en pourcentage la plus faible est de 7,25 % et la
plus élevée de 19,56 % pour les modèles SVM et DT pour les sensibilités fortes, enfin, pour
les sensibilités très fortes, la surface la plus faible est de 15,40 % et la plus élevée de 37,88 %,
respectivement pour les modèles ANN et XGBoost.

ANN

DT

SVM

LR

KNN

RF

XGBoost

0,00 10,00 20,00 30,00 40,00 50,00

XGBoost RF KNN LR SVM DT ANN
Very Low 25,74 28,74 28,74 38,11 43,99 17,46 36,15
Low 14,04 9,38 9,38 19,20 18,24 13,59 22,12
Moderate 10,01 8,03 8,03 13,27 11,62 18,58 16,85
High 12,33 16,18 16,18 10,48 7,25 19,56 9,49
Very High 37,88 37,67 37,67 18,94 18,90 30,81 15,40

% of area

Fig 5. 8: Pourcentage de zones de ravinement érodées dans le bassin versant du Tensift pour les modèles utilisés.

Par contre, les résultats élaborés par la Fig 5.9 dans la plaine du Haouz, où toutes les
caractéristiques, notamment au niveau topographique, présentent une grande différence avec
celles du Haut Atlas. La distribution spatiale des GES dans cette zone, pour les sept modèles
appliqués, montre que le pourcentage de surface pour une sensibilité très faible varie entre le
minimum 33,74% et le maximum 77,26% enregistrés respectivement pour les modèles DT et

154
LR, le pourcentage de surface pour une sensibilité faible varie entre le minimum 13,26% et le
maximum 21,50% enregistrés respectivement pour les deux modèles (RF et KNN) et SVM
enregistrés respectivement pour le modèle XGBoost, pour une sensibilité modérée le
pourcentage de surface varie entre 5. 56 % pour le modèle LR et 17,70 % pour DT, le
pourcentage le plus faible (0,77 %) et le plus élevé (14,86 %) sont représentés respectivement
par le modèle SVM et les deux modèles (RF et KNN) pour les sensibilités fortes, enfin, pour
les sensibilités très fortes, le pourcentage le plus faible (0,12 %) et le plus élevé (18,32 %)
sont enregistrés respectivement pour les modèles LR et DT.

ANN

DT

SVM

LR

KNN

RF

XGBoost

0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 80,00 90,00
XGBoost RF KNN LR SVM DT ANN
Very Low 43,20 48,85 48,85 77,26 73,19 33,74 61,22
Low 21,50 13,26 13,26 16,04 19,86 19,19 24,64
Moderate 11,27 11,48 11,48 5,56 6,00 17,70 12,72
High 11,09 14,86 14,86 1,03 0,77 11,04 1,15
Very High 12,94 11,54 11,54 0,12 0,19 18,32 0,27

Fig 5. 9: Pourcentage de zones de ravinement érodées dans la plaine du Haouz pour les modèles utilisés.

Dans le bassin versant du Tensift, la plupart des zones devraient avoir des valeurs
GES très faibles (31,28 %) et faibles (15,13 %). Les autres régions du bassin versant sont
réparties comme suit : valeurs GES modérées (12,34%), élevées (13,07%) et très élevées
(28,18%) (Fig 5.8). En revanche, la zone de la plaine du Haouz présente un schéma de
distribution différent. Ici, il y a une diminution notable des zones associées à des valeurs GES
très élevées (7,84%) et élevées (7,82%). Au lieu de cela, les catégories dominantes dans cette
région sont les valeurs GES modérées (10,88%), faibles (18,25%) et très faibles (55,18%)
(Fig 5.9).

155
5.4.3 Performance des modèles utilisés

Cette étude a utilisé sept modèles, SVM, RF, KNN, DT, ANN, LR et XGBoost, pour
prédire les GES. L'efficacité de ces modèles a été évaluée en utilisant à la fois des données de
formation (70 %) et des données de test (30 %). Diverses mesures de performance ont été
prises en compte, notamment la précision, la sensibilité, la spécificité, l'exactitude, le rappel,
le score F1, le FPR, le MAE, le RMSE et l'aire sous la courbe de la caractéristique
d'exploitation du récepteur (AUC-ROC).

Les résultats des phases de formation et de validation ont été méticuleusement

enregistrés et résumés dans les tableaux 5.2 et 5.3. En outre, la figure (Fig 5.10) illustre les
résultats des performances des différents modèles. En évaluant ces paramètres et en
comparant les résultats de chaque modèle, cette étude fournit une évaluation complète des
capacités prédictives des algorithmes dans la détermination du GES. Ces résultats contribuent
de manière significative à la compréhension de l'efficacité des modèles et de leur utilité
potentielle dans les applications pratiques liées à la gestion et à la prévention de l'érosion par
ravinement.

Tableau 5. 2:Performance des sept modèles à partir de données d'entraînement.

Model
Performance
XGBoost RF KNN LR SVM DT ANN
Indicators
Precision 0,9924 0,9695 0,9695 0,9695 0,9084 0,8636 0,5758

Sensitivity 0,9489 0,9621 0,9621 0,9338 0,7727 0,9194 0,8837

Specificity 0,9906 0,9640 0,9640 0,9626 0,8652 0,8487 0,6433
Training Data

False positive rate

0,0094 0,0360 0,0360 0,0374 0,1348 0,1513 0,3567
(FPR)
Accuracy 0,9671 0,9630 0,9630 0,9465 0,8066 0,8848 0,7284
recall 0,9489 0,9621 0,9621 0,9338 0,7727 0,9194 0,8837
F1 score 0,9701 0,9658 0,9658 0,9513 0,8351 0,8906 0,6972
MAE 0,0329 0,0370 0,0371 0,1810 0,1934 0,1152 0,2716
RMSE 0,1814 0,1924 0,1924 0,4255 0,4397 0,3394 0,5211
AUC 96.71 94.65 94.65 81.89 80.66 88.48 72.84

156
Tableau 5. 3: Performance des sept modèles utilisant des données de test.

Model
Performance
XGBoost RF KNN LR SVM DT ANN
Indicators
Precision 0,9399 0,9217 0,9520 0,9520 0,9608 0,9054 0,8088
Sensitivity 0,8955 0,8825 0,9240 0,9240 0,7556 0,8416 0,7838
Specificity 0,9294 0,9085 0,9406 0,9406 0,9378 0,8872 0,7885
0,0706 0,0915 0,0594 0,0594 0,0622 0,1128 0,2115

Testing Data
False positive rate (FPR)
Accuracy 0,9107 0,8942 0,9313 0,9313 0,8159 0,8616 0,7860
recall 0,8955 0,8825 0,9240 0,9240 0,7556 0,8416 0,7838

F1 score 0,9172 0,9017 0,9378 0,9378 0,8460 0,8723 0,7961

MAE 0,0329 0,0370 0,0221 0,1810 0,1934 0,1152 0,2716

RMSE 0,1814 0,1924 0,1714 0,4255 0,4397 0,3394 0,5211
AUC 91.07 89.42 93.13 80.25 81.59 86.59 78.60

Dans cette recherche, les modèles XGBoost et KNN ont démontré des performances
exceptionnelles lorsqu'ils ont été évalués sur les données de test. Le modèle XGBoost a
obtenu des résultats impressionnants pour diverses mesures, telles que Précision = 0,93,
Sensibilité = 0,89, Spécificité = 0,95, Précision = 0,91, Rappel = 0,89, Score F1 = 0,91, FPR
= 0,07, MAE = 0,03, et AUC- ROC =91,07%. De même, le modèle KNN a donné d'excellents
résultats avec une précision de 0,95, une sensibilité de 0,92, une spécificité de 0,95, une
exactitude de 0,93, un rappel de 0,92, un score F1 de 0,93, un FPR de 0,05, une MAE de 0,53
et une AUC-ROC de 93,13 %. Les six autres modèles, RF, LR, SVM, DT et ANN, ont
également montré des performances élevées sur les données d'apprentissage. Ces modèles ont
présenté des valeurs de sensibilité, de spécificité, de précision, d'exactitude, d'AUC et de F1
toutes supérieures à 0,78, ainsi que des scores FPR et MAE négligeables.

Fig 5. 10 : Analyse de la courbe ROC de différents modèles d'érosion par ravinement en utilisant (a) des données d'entraînement,
(b) des données de validation.

157
 Lorsqu'ils ont été évalués sur l'ensemble des données d'essai, tous les modèles
appliqués ont affiché des performances élevées ou très élevées, comme l'illustre la figure 11.
Les valeurs de sensibilité varient entre 0,78 pour le modèle ANN et 0,92 pour le modèle LR.
D'autres mesures, telles que la précision, l'exactitude, le score F1, le FPR et le MAE, ont
montré des valeurs allant de 0,80 à 0,95, de 0,78 à 0,93, de 0,79 à 0,93, de 0,09 à 0,21 et de
0,11 à 0,27, respectivement. Les modèles KNN et XGBoost ont obtenu les valeurs AUC-ROC
maximales de 93,13 % et 91,07 % respectivement, tandis que le modèle ANN a obtenu la
valeur AUC-ROC minimale de 78,60 %.

Outre l'évaluation de la sensibilité et de la spécificité, des comparaisons statistiques

ont été effectuées à l'aide de la RMSE, comme le montrent les tableaux 5.2 et 5.3. Les
résultats ont révélé que les valeurs de la RMSE pour les sept modèles utilisés dans cette étude
variaient de 0,18 à 0,52 pendant les phases de formation et de test. La figure (Fig 5.11) illustre
le classement général des valeurs RMSE. Les valeurs RMSE ont montré un alignement étroit
entre les valeurs observées et les valeurs générées, ce qui indique une correspondance
optimale avec la probabilité de susceptibilité attendue. Ce résultat confirme la précision et la
fiabilité des modèles dans la prédiction des GES. Les faibles valeurs RMSE signifient que les
modèles ont capturé et représenté efficacement les modèles sous-jacents dans les données,
validant ainsi leur performance dans les applications pratiques liées à la gestion et à la
prédiction de l'érosion par ravinement.

ANN
DT
SVM
Models

LR
Testing
KNN
Training
RF
XGBoost

0,00 0,10 0,20 0,30 0,40 0,50 0,60

RMSE

Fig 5. 11: La performance des différents modèles d'érosion par ravinement à l'aide des valeurs RMSE.

158
5.5 Discussions

5.5.1 Évaluation de la précision des sept modèles

La performance des sept modèles de sensibilité GES a été évaluée selon la répartition
aléatoire (70/30%) par validation à l'aide de plusieurs mesures statistiques, à savoir AUC,
RMSE et MAE.

Les valeurs de précision indiquent que les modèles XGBoost et KNN ont démontré un
très haut niveau de performance et de robustesse, les autres modèles DT, RF, LR et SVM ont
démontré un haut niveau de performance, et le seul modèle ANN a démontré une performance
moyenne. Cette performance indique qu'elle peut être appliquée à divers domaines d'étude et à
la surveillance des risques naturels tels que l'érosion des sols, les glissements de terrain, les
inondations et autres (Guo et al., 2021 ; Sahour et al., 2020).

Parfois, l'utilisation d'un seul type d'indicateur de précision peut faire varier la marge
d'erreur et conduire à des résultats plus ou moins inexacts (Tehrany et al., 2015). Ainsi, la
performance des sept modèles utilisés dans cette étude est confirmée par d'autres indices
complémentaires tels que le MAE et le RMSE, qui peuvent consolider la fiabilité des modèles
utilisés (Pham et al., 2019). Les valeurs RMSE et MAE sont plus faibles, ce qui indique
qu'une grande partie des inventaires a été reconnue dans les résultats des cartes GES.

5.5.2 L'importance des facteurs de conditionnement

Les variables importantes affectant l'érosion des ravines dans notre zone d'étude,
dérivées en utilisant l'analyse de l'information mutuelle, qui a montré que les facteurs
topographiques à savoir la pente, le facteur LS et l'IPT et les facteurs géologiques représentés
par la lithologie sont plus importants que les autres variables. Ce fait est largement en accord
avec les résultats obtenus dans le sous bassin de Chichaoua par (Baiddah et al., 2023) pour les
facteurs de LS et de lithologie, son étude montre également l'importance d'autres facteurs tels
que la distance aux rivières et l'altitude. Cette différenciation peut être expliquée par le choix
d'une zone mixte qui présente un contraste entre les valeurs d'altitude, mariant une zone de
plaine et de montagne et par la grande superficie de notre zone d'étude.

La combinaison de lithologies très friables comme les marnes phosphatées du

Néogène et les argiles et dépôts tertiaires, et d'altitudes élevées avec peu de végétation, facilite
la création et le développement de ce type d'érosion, en particulier sur les pentes raides et

159
dans les zones où la couverture végétale est endommagée (Arabameri et al., 2020). En
revanche, l'érosion est faible dans une grande partie des zones où l'affleurement rocheux du
socle hercynien, essentiellement constitué de roches schisteuses, de grauwackes, de barres
calcaires et de matrice volcanique d'âge primaire (c'est-à-dire cambro-ordovicien), comprend
des terrains plats avec des pentes très faibles au nord de la zone d'étude, dans le Jibelt et des
terrains protégés par un couvert végétal important.

Le couvert végétal joue généralement un rôle très important dans la protection des sols
et sa dégradation, notamment par les nombreuses activités de la population dans les différents
villages du bassin versant du Tensift, telles que la déforestation et le pâturage, augmente le
risque de formation de ravines (Ara bameri et al., 2020). Par ailleurs, de nombreuses études
dans des contextes arides et semi-arides sur l'importance des facteurs topographiques sur la
formation des ravines ont montré des effets directs sur l'évolution des précipitations, l'énergie
cinétique du ruissellement et le couvert végétal (Beullens et al., 2014 ; Nazari Samani et al.,
2009).

5.5.3 Cartes de susceptibilité à l'érosion par ravinement

Les sept modèles utilisés pour produire les cartes de vulnérabilité révèlent que certains
facteurs ont plus d'influence que d'autres sur la variabilité spatiale de la vulnérabilité. Par
exemple, la variation des proportions de sensibilité au risque de ravinement en altitude vers la
plaine est directement imputable à l'impact topographique. Ceci est cohérent avec le lien
géographique substantiel entre ces sites et les classes TRI supérieures à 0,57 et les pentes
supérieures à 30°.

En comparant les cartes générées par les sept modèles, les modèles KNN, RF et
XGBoost montrent le même pourcentage de surface dans les zones représentant une
vulnérabilité très élevée et une vulnérabilité très faible. Les méthodes de ML peuvent produire
des modèles spatiaux d'érosion par ravinement d'une grande précision. Ces modèles peuvent
être considérés comme un outil fondamental pour aider les planificateurs et les gestionnaires à
assurer une gestion durable et efficace des zones touchées par l'érosion des sols dans les
environnements montagneux et semi-arides.

5.6 Conclusion

Cette étude a montré à quel point il est important de comprendre la propagation spatiale de
l'érosion par ravinement afin de contrôler efficacement le phénomène. SVM, RF, KNN, DT,

160
ANN, LR et XGBoost sont les sept modèles d'apprentissage machine (ML) utilisés dans cette
étude pour examiner l'impact de 17 paramètres sur la formation des ravines dans un paysage
montagneux semi-aride. Parmi les variables significatives trouvées, la lithologie, la pente, le
facteur LS et l'IPT se sont révélés cruciaux pour la création de ravines. Après avoir évalué la
robustesse de ces modèles face à l'évolution des données d'entrée, sept cartes de vulnérabilité
à l'érosion ont été produites, mettant en évidence leur fiabilité et leur résilience dans la
prévision de la vulnérabilité à l'érosion des ravines. La performance des sept modèles de
sensibilité GES a été examinée en appliquant une répartition aléatoire (70/30%) et validée à
l'aide de plusieurs mesures statistiques, notamment l'AUC, la RMSE et la MAE. Les résultats
de précision suggèrent que les modèles XGBoost et KNN ont révélé un degré
exceptionnellement élevé de performance et de robustesse. L'étude a révélé qu'environ 28,18
% du bassin versant de Tensift présente un risque d'érosion très élevé, tandis que 15,13 % et
31,28 % sont classés comme des zones à risque faible ou très faible. L'étude montre que
XGBoost et KNN sont les modèles les plus prometteurs, atteignant des valeurs ROC AUC de
0,96 et 0,93 dans la phase de test.

L'étude sur l'érosion des ravines a mis en évidence l'importance des méthodes
d'apprentissage automatique pour la gérer. Cependant, l'approche méthodologique de cette
étude a ses propres limites qui doivent être prises en compte dans les études futures. Les
modèles d'apprentissage automatique choisis sont sensibles aux changements dans les
données d'entrée spécifiques, ainsi qu'à leur accessibilité et à leur qualité. En outre, les
résultats de l'étude peuvent ne pas être généralisables à d'autres régions présentant des
caractéristiques géologiques ou des conditions environnementales différentes.

À l'avenir, la recherche pourrait être orientée vers un certain nombre de domaines

intéressants. Tout d'abord, afin de déterminer si les résultats sont généralement applicables et
s'ils tiennent compte des différences régionales, l'utilisation des modèles d'apprentissage
automatique pourrait être étendue à diverses zones géographiques. En outre, l'ajout
d'ensembles de données plus importants et l'étude d'algorithmes d'apprentissage automatique
de pointe pourraient améliorer la précision et le pouvoir prédictif des modèles. Les recherches
futures pourraient également porter sur l'évolution à long terme de l'érosion par ravinement et
sur la manière dont elle interagit avec la dynamique du changement climatique. Cela
faciliterait les techniques de gestion adaptative directe et permettrait de mieux comprendre les
effets possibles du changement climatique sur la formation des ravines.

161
 Les cartes de susceptibilité générées par ce travail sont extrêmement utiles pour la
planification des zones touchées par l'érosion par ravinement et pour la gestion durable dans
les régions semi-arides des hauts plateaux. Elles fournissent des informations vitales
nécessaires à la mise en œuvre des plans de conservation et de lutte contre l'érosion. L'étude
souligne à quel point les approches d'apprentissage automatique sont cruciales pour
comprendre la complexité de l'érosion par ravinement et fournit des solutions pratiques à ce
problème urgent. Cette étude a fait progresser les connaissances de la communauté
scientifique sur l'érosion par ravinement et a attiré l'attention sur l'importance des méthodes
d'apprentissage automatique pour la gérer. Les chercheurs peuvent approfondir leurs
connaissances dans ce domaine et créer des techniques plus efficaces pour minimiser l'érosion
des ravines dans divers environnements en tenant compte des orientations recommandées
pour les recherches futures.

162
163
 CHAPITRE VI
CARTOGRAPHIE DE LA VULNÉRABILITÉ AUX
INONDATIONS (ML)

164
 CHAPITRE VI
CARTOGRAPHIE DE LA VULNÉRABILITÉ AUX INONDATIONS (ML)

Publication 4 (P4) Article: Youssef Bammou, Bouskri Ismail, Brahim Benzougagh, Abdelkrim
Bensaid, Brahim Igmoullan, M. Fadhil Al-Quraishi (2023) Mapping of current and future soil
erosion risk in a semi-arid context (haouz plain - Marrakech) based on CMIP6 climate
models, the analytical hierarchy process (AHP) and RUSLE.

Cet article est accepté et publié dans la revue Modeling Earth Systems and Environment
([Link]

6.1 Résumé
Cette étude explore et compare les capacités prédictives de divers algorithmes d'ensemble,
notamment SVM, KNN, RF, XGBoost, ANN, DT et LR, pour évaluer la susceptibilité aux
inondations dans la plaine de Houz du Haut Atlas marocain. La carte d'inventaire des
inondations passées a été préparée en utilisant les données binaires des événements de 2012,
où « 1 » indique une zone inondable et « 0 » une zone non inondable ou extrêmement faible,
avec 762 indiquant des zones inondables. 15 facteurs catégoriels différents ont été déterminés
et sélectionnés sur la base de tests d'importance et de multicolinéarité, notamment la pente,
l'altitude, l'indice de végétation par différence normalisée, l'indice de rugosité du terrain,
l'indice de puissance des cours d'eau, l'utilisation et la couverture des sols, le plan de
courbure, le profil de courbure, l'aspect, l'accumulation du débit, l'indice de position
topographique, le type de sol, le groupe hydrologique des sols, la distance par rapport à la
rivière et la pluviométrie. Les cartes de FS prédites pour le bassin versant de Tensift montrent
que seulement 10,75 % de la surface moyenne a été prédite comme présentant un risque très
élevé, et que 19 % et 38 % ont été estimés comme présentant un risque faible et très faible,
respectivement. De même, la plaine du Haouz présentait une surface moyenne de 21,76 %
pour les zones à risque très élevé, et de 18,88 % et 18,18 % pour les zones à risque faible et
très faible, respectivement. Les algorithmes appliqués ont satisfait aux normes de validation,
avec une aire moyenne sous la courbe de 0,93 et 0,91 pour les étapes d'apprentissage et de
validation, respectivement. L'analyse des performances du modèle a permis d'identifier le
modèle XGBoost comme le meilleur algorithme pour la cartographie des zones inondables.
Cette étude fournit des outils d'aide à la décision efficace pour la planification de l'utilisation

165
des terres et la réduction des risques d'inondation dans les régions semi-arides du monde
entier.
Mots clés: Sensibilité aux inondations - SIG - Apprentissage automatique - Importance des
facteurs - Bassin versant du Tensift

6.2 Introduction

Les avancées technologiques actuelles permettent difficilement de faire face à la

récupération de diverses catastrophes naturelles à travers le monde en raison de leur
imprévisibilité et des dommages considérables qui en résultent. Parmi ces événements
naturels, les inondations se distinguent comme un phénomène destructeur qui a un impact
direct sur environ 200 millions de personnes chaque année en termes d'infrastructures, de
préjudices économiques et de pertes de vies humaines (Abdulrazzak et al. 2019 ; Sivakumar
2005). Au cours du vingtième siècle, plus de 100 000 personnes ont été tuées par des
inondations et plus de 1,4 milliard de personnes ont été touchées en termes d'infrastructures et
de destructions économiques (El Alfy 2016 ; Han et Sharif 2021). Des stratégies
systématiques de réduction des risques avec l'intégration de technologies scientifiques
sophistiquées pour prévoir des scénarios d'inondation à l'avance, qui incorporeraient tous les
paramètres associés dans des régions particulières liées aux caractéristiques climatiques et
géographiques, sont nécessaires pour atténuer les impacts négatifs des inondations.

Contrairement aux idées reçues, les inondations sont plus dommageables dans les
zones semi-arides et désertiques que dans les zones humides. La raison principale de ces
pertes drastiques est l'absence d'un outil de prévision systématique des écoulements dans ces
zones en raison du manque de données hydrométéorologiques et de jaugeage des crues
rapides (Aryal et al. 2020). Après les tremblements de terre, les inondations sont la
catastrophe naturelle la plus fréquente au Maroc en termes de morts et de blessés. Le bassin
versant du Tensift et la plaine du Haouz sont très vulnérables aux inondations. En effet, les
sous-bassins versants du Tensift ont connu des inondations désastreuses dues aux pluies
torrentielles de 1995 et 2002, qui ont causé non seulement la mort de plus de 200 personnes
mais aussi d'énormes dégâts matériels (Youssef et al. 2023a, b).

La plaine du Haouz et le bassin versant du Tensift sont classés comme appartenant à

des zones semi-arides sur la carte climatique mondiale de Kopper-Geiger (Bouramtane et al.
2020), où il est extrêmement difficile et complexe d'étudier ces phénomènes. En raison des
changements climatiques dans les précipitations, de l'urbanisation et des variables relatives

166
aux sous-bassins versants de l'Ourika, R'dat, Zat, Rher aya, Assif El Mal, N'fis et Seksaou, la
catastrophe des inondations dans le bassin versant du Tensift et la plaine du Haouz s'est
aggravée. Par conséquent, des recherches et des enquêtes approfondies sur la susceptibilité
aux inondations sont devenues impératives pour identifier avec précision les zones à haut
risque et mettre en œuvre des mesures préventives efficaces (Echogdali et al. 2022).

Outre les influences liées au climat, divers autres facteurs jouent un rôle crucial dans
la dynamique des inondations et doivent être pris en compte pour une évaluation précise des
risques d'inondation. Parmi ces facteurs, les caractéristiques de la pente affectent directement
les processus hydrologiques, en influençant la direction des précipitations. Une plus grande
perméabilité de la couche supérieure du sol améliore la capacité d'infiltration et réduit le
ruissellement (Bennani et al. 2019 ; Benssaou et al. 2003). En outre, des facteurs tels que les
formations géologiques et les changements d'utilisation des terres, tels que les transitions des
zones forestières aux champs agricoles ou des zones agricoles aux régions urbanisées, jouent
un rôle important dans la gestion des inondations (Kader et al. 2023). En outre, certains
facteurs climatiques affectent le risque d'inondation, notamment le taux et le volume des
précipitations et la fonte des glaces (Anjos et al. 2015 ; Bennani et al. 2019 ; Soulaimani et
Bouabdelli 2005).

Les progrès récents des algorithmes de ML ont été combinés avec les SIG et les
méthodes de télédétection, améliorant considérablement la cartographie du risque
d'inondation et de la variabilité spatiale. Les techniques de ML couramment utilisées pour
prédire le risque d'inondation sont le réseau neuronal artificiel ANN (Dahri et al. 2022), la
machine à vecteurs de support SVM (Choubin et al. 2019a, b), les forêts aléatoires RF (Billah
et al. 2023), la régression logistique LR (Ali et al. 2020), les systèmes d'inférence neuro-floue
adaptatifs (Ahmadlou et al. 2019) et la mémoire à long terme (Apaydin et al. 2020 ; Dazzi et
al. 2021). Afin de prédire la variation spatiale et temporelle du risque d'inondation en reliant
le ruissellement aux précipitations et qui nécessitent des données d'observation sur le terrain,
plusieurs études sur la probabilité d'occurrence des inondations ont été menées en utilisant
divers modèles et techniques, tels que le ruissellement pluvial comme GSSHA (Kirker et
Toran 2023), MIKE DHI (Beden et Ulke Keskin 2021), HEC-HMS (El Alfy 2016), et SWAT
(Tan et al. 2020). Les régions vulnérables aux inondations dans ce modèle sont divisées en
deux catégories (1) non inondable (2) inondable : sur la base de données historique et géo-
environnementales (Benkirane et al. 2020), qui ne prennent pas en compte les données

167
d'observation sur le terrain. Pour prévoir les inondations en incorporant les trois types de
données, y compris les données d'observation sur le terrain, d'autres modèles basés sur le SIG
et la télédétection ont été développés (Costache et al. 2022 ; Mosavi et al. 2018).

Malgré la publication d'études considérables, l'utilisation de techniques d'apprentissage

automatique pour analyser les inondations dans le bassin versant du Tensift et la plaine du
Haouz n'a pas reçu l'attention nécessaire. Ces méthodologies doivent être incorporées pour
cartographier et prévoir les inondations dans ces régions, et il est extrêmement important
d'identifier le meilleur modèle possible qui soit adapté à la zone d'étude en termes de
pertinence et de facilité d'utilisation. Pour combler cette lacune, cette étude a été conçue sur la
base des objectifs principaux suivants : premièrement, évaluer la capacité des méthodes SVM,
KNN, RF, XGBoost, ANN, DT et LR à prédire les zones inondables, deuxièmement, étudier
le rôle que chaque facteur de conditionnement des inondations joue dans le développement
des cartes de susceptibilité aux inondations, troisièmement, créer des cartes de susceptibilité
aux inondations en utilisant une stratégie de modélisation d'ensemble pour chaque modèle et,
enfin, identifier les zones à risque d'inondation dans la plaine du Haouz et le bassin versant du
Tensift.

La nouveauté de cette étude réside dans l'évaluation complète des multiples

algorithmes avancés de prévision des inondations, offrant ainsi une boîte à outils diversifiée
pour aborder ce problème complexe. Contrairement aux sources de recherche publiées
disponibles dans ce domaine dans la littérature scientifique, cette recherche est structurée sur
une comparaison systématique de divers algorithmes assemblés, y compris RF, SVM, k-
nearest neighbor (KNN), et eXtreme Gradient Boosting contraction (XGBoost). Cette étude
est la première du genre dans la région de l'Afrique du Nord, fournissant une évaluation
complète des FS, cruciale pour la gestion des risques dans la région étudiée.

Cette étude propose à la communauté scientifique une méthodologie sophistiquée

d'évaluation des inondations qui intègre une approche d'analyse multifactorielle en intégrant
divers facteurs d'influence, tels que la pente, l'altitude, l'indice de végétation, la rugosité du
terrain, l'utilisation et l'occupation des sols. En analysant les données binaires des inondations
passées, l'étude a habilement produit une carte des FS qui délimite les niveaux de risque dans
le paysage. Cette recherche est particulièrement importante car elle peut fournir des modèles
de prévision des inondations extrêmement précis, qui sont utiles pour réduire la probabilité
d'inondations futures et atténuer leurs effets négatifs. Ces résultats ont des implications

168
précieuses pour la gestion des inondations et les stratégies de réduction des risques et offrent
des perspectives aux décideurs politiques, leur permettant de prendre des décisions éclairées
en matière d'aménagement du territoire et de préparation aux catastrophes. Les résultats de
cette recherche fournissent des outils d'aide à la décision essentielle à l'aménagement du
territoire et aux efforts d'atténuation.

6.3 Matériels et méthodes

6.3.1 Facteurs prédictifs et conditionnant des inondations

Sur la base de la zone de recherche et des données disponibles, les paramètres de

conditionnement des inondations, y compris la topographie, l'élévation, la pente, l'aspect, la
lithologie, l'utilisation des terres, les précipitations et les habitations, ont été pris en
considération. Les quatre catégories de ces éléments de conditionnement des inondations sont
l'hydrologie, la géographie, l'environnement et l'ethnographie. Dans cette étude, les facteurs
suivants ont été pris en compte à partir du modèle numérique d'élévation (MNT) à une
résolution de 30 m, téléchargé du site web de l'United States Geological Survey (USGS) ;
pente, aspect, élévation, accumulation de débit, indice de position topographique (TPI), indice
de rugosité topographique (TRI), indice de puissance du cours d'eau (SPI), courbure du plan,
indice d'humidité topographique (TWI), courbure du profil, distance à la rivière, pour les
précipitations, ce facteur est calculé en interpolant les données de 9 stations climatiques
fournies par l'ABHT à l'aide de la méthode IDW, pour l'utilisation et l'occupation des sols
(LULC), ce facteur est extrait par classification supervisée en utilisant la méthode du
maximum de vraisemblance à partir d'une scène satellite Sentinel 2A fournie par Scihub
Copernicus, le facteur de type de sol a été développé en utilisant la base de données fournie
par la FAO, le facteur de groupe hydrologique des sols (HSG) a été développé en utilisant les
données d'EARTH DATA, illustrées par la Fig. 6.1 et le tableau 6.1.

Les précipitations sont un facteur climatique important qui influe sur la probabilité des
inondations. Par conséquent, il est essentiel de souligner que les précipitations moyennes
annuelles constituent un élément essentiel dans la plupart des études sur la vulnérabilité aux
inondations. L'aspect hydrométéorologique s'est avéré être un prédicteur d'inondation
indispensable en raison de sa relation substantielle avec les changements d'humidité du sol
(Ighile et al. 2022 ; Verma et al. 2022). Les valeurs de la grille d'aspect ont été utilisées pour
construire une région plate unique ainsi que les neuvièmes divisions nord, nord-est, est, sud-
est, sud-ouest, ouest et nord-ouest. TPI, qui permet d'identifier l'une de ces cellules les plus

169
récentes, prend en compte la hauteur des cellules environnantes (Jenness, 2000). Les classes
suivantes ont été définies pour la carte TPI de cette étude : (- 198)-(- 123) ; (- 123)-(- 40) ; (-
40)-(- 10) ; (- 10)-40 ; 40-140 ; et 140-247.
Tableau 6. 1: Sources, équations et traitement des données utilisées dans cette étude.

Factors Layers and units Equation & Processing Source

Elevation (m) Fill tool for correction in ArcGIS
Slope (◦ ) Processing in ArcGIS
SPI = As × tanβ
Stream Power Index
As is the upstream drainage area and β is the
(SPI) SRTM-DEM
slope degree.
(Digital Elevation Model)
Topographic Position
Processing in ArcGIS were
Index (TPI)
downloaded from the
Topographic Aspect Processing in ArcGIS website of United
factors
Plan Curvature Processing in ArcGIS StatesGeological Survey
(USGS)
Profile Curvature Processing in ArcGIS
TWI = In(As/tanβ) [Link]
Topographic Wetness [Link]/
As is the upstream drainage area and β is the
Index (TWI)
slope degree
Topographic
Processing in ArcGIS
Roughness Index (TRI)
Geomorphol Distance to rivers (m)
ogical Processing in SAGA GIS
factors Flow Accumulation
Xk10-2a: (48.7% sand, 29.9% silt, 21.6% caly
and 0.64 orgC)
Bk10-2b: (81.6% sand, 6.8% silt, 11.7% caly
and 0.44 orgC) [Link]
Re5-b: (68.3% sand, 15.1% silt, 16.6% caly and -portal/data-hub/soil-
0.5 orgC) maps-and-
Soil Type
Xk4-2a: (47.7% sand, 30.9% silt, 22.6% caly databases/faounesco-soil-
and 0.65 orgC) map-of-the-world/en/
Jc13-2a: (39.6% sand, 39.9% silt, 20.6% caly
and 0.65 orgC)
IL-Re-2c: (58.9% sand, 16.2% silt, 24.9% caly
Geological and 0.97 orgC)
factors B : moderately low runoff potential (50-90%
sand and 10-20% clay)
C : moderately high runoff potential (<50%
sand and 20-40% clay)
D : high runoff potential (<50% sand and >40%
[Link]
clay)
HSG LS/guides/Global_Hydrolo
B/D : high runoff potential unless drained (50-
gic_Soil_Group.html
90% sand and 10-20% clay)
C/D : high runoff potential unless drained
(<50% sand and 20-40% clay)
D/D : high runoff potential unless drained
(<50% sand and >40% clay)
Climatic Interpolation of monthly rainfall using the IDW Tensift Hydraulic Basin
Rainfall (mm)
factors method Agency (ABHT)
Sentinel-2 Images
LAND cover LandUse-LandCover Supervised classification using the Maximum [Link]
factors (LULC) Likelihood method eu/dhus/#/home

Le SPI est un autre paramètre morphométrique qui sera utilisé pour la prévision des
inondations. La force érosive et la capacité de transport sont incluses dans le calcul des

170
valeurs de l'eau. Les cartes SPI ont été divisées dans les catégories suivantes sur la base d'un
avis professionnel : < 1 ; 1-2 ; 2-6 ; 6-8 et 8-15.

De même, la pente est une caractéristique morphométrique majeure qui a un impact

significatif sur les inondations (Ganie et al. 2022). Il est bien connu qu'une zone à forte pente
qui provoque un ruissellement de surface significatif est plus sujette aux inondations qu'une
zone plate. La pente a été répartie dans les plages suivantes : 0-5 ; 5-12 ; 12-22 ; 22-33 ; et 33-
71 pour créer la carte des pentes. En raison de la perméabilité de la roche, les types de sol
contrôlent principalement la quantité de pénétration de l'eau, qui à son tour affecte
l'occurrence des inondations (Tariq et al. 2022). Huit classes ont été découvertes dans cette
région de recherche : (Bk10-2b ; Bk11-1b ; HI35-2a ; I-L-Re-2c ; Jc13-2a ; Re5-b Xk10-2a et
Xk4-2a). Les inondations étant plus fréquentes dans les zones de faible altitude, l'élévation est
un deuxième élément morphométrique essentiel pour déterminer la vulnérabilité aux
inondations. La carte d'élévation pour l'étude de cas a été créée en utilisant les sept classes
d'élévation suivantes : 11 m, 11-20 m, 20-40 m, 40-1000 m, 1000-1500 m, 1500-2000 m et
2000-4000 m. Le paramètre de contrôle des inondations connu sous le nom de groupe
hydrologique du sol a une grande influence sur la quantité d'eau infiltrée.

La texture du sol a un impact direct sur l'infiltration en raison de son influence sur la
conductivité hydraulique. Il existe six principaux types de sols hydrologiques dans le bassin
versant du Tensift : B, C, D, B/D, C/D et D/D. La direction de la pente dans le plan vertical
influence la courbure du profil du sol. Les nombres positifs indiquent que le ruissellement de
surface diminue, tandis que les valeurs négatives suggèrent que le ruissellement de surface
augmente. Trois classes ont été utilisées pour créer la carte de courbure du profil : - 15 à - 0,1,
- 0,1 à 0,1 et 0,1 à 16. L'UTC, facteur de prévision des inondations, a un impact considérable
sur les processus impliquant le ruissellement de surface et le stockage de l'eau. Il existe sept
principaux types d'utilisation des sols dans le bassin versant du Tensift : les plans d'eau, les
zones forestières, les zones inondées, la végétation, les cultures, les zones bâties, les terres
nues et les pâturages. Les mesures de l'angle de la pente et de la superficie du bassin versant
sont utilisées pour calculer le TWI. Cette mesure met en évidence le rôle que joue la
géographie dans les phénomènes d'accumulation d'eau. Les classes décrites ci-dessous ont été
développées en utilisant l'approche des coupures naturelles pour produire la carte de l'indice
d'humidité topographique : 1-4 ; 4-8 ; 8-12 ; 12-18 et > 18.

171
Fig 6. 1 : Les quinze facteurs d'inondation développés pour la zone d'étude, a: courbure du plan, b: précipitation, c: Aspect, d :
Accumulation de débit, e: TPI, f: SPI, g: TRI, h: Pente, i: Type de sol, j: Élévation, k: Distance de la rivière, l: HSG, m: Courbure du
profil, n: LULC, o: TWI, et p: Inventaire des zones inondées et non inondées). [Source - auteurs de l'étude]

172
6.3.2 Inventaire des zones inondables

Pour que les stratégies de gestion et d'atténuation soient efficaces, il est essentiel de
comprendre et d'analyser l'inventaire des inondations. Les inondations passées servent de
variables d'entrée cruciales pour le calcul des SF. L'origine de l'inventaire des inondations
varie d'une région géographique à l'autre, mais comprend généralement des travaux
scientifiques et d'ingénierie antérieurs, l'agence hydraulique, des enquêtes sur le terrain ou des
technologies récemment développées. Les variables qui affectent la vulnérabilité aux
inondations ont été utilisées comme points de placement des inondations dans plusieurs
études publiées, notamment (Chapi et al. 2017 ; Costache et al. 2022 ; Wang et al. 2018).
L'étude actuelle a créé une carte d'inventaire des inondations à partir d'informations tirées de
revues spécialisées, de données historiques, de Google Earth et de l'analyse d'images
satellites. Ainsi, les inondations qui se sont produites dans le bassin versant du Tensift et dans
la plaine du Haouz ont utilisé un total de 890 sites d'inondation (Fig 6.1p et Fig 6.2). Ces sites
de plaine d'inondation sélectionnés ont été considérés comme pertinents dans la zone d'étude,
car ils mettent en lumière les problèmes complexes associés aux inondations.

Fig 6. 2 : Carte d'inventaire et exemples d'inondations dans le bassin versant du Tensift et la plaine du Haouz [Source - auteurs
de l'étude].

173
6.3.3 Organigramme de la méthodologie

Cette recherche suggère l'utilisation de sept modèles ML différents ainsi que du SIG et
de la télédétection pour surveiller les inondations. Comme notre modèle utilise une
catégorisation binaire (0 : pas d'inondation ; 1 : inondé), la localisation des zones non
inondées est incluse dans le processus de cartographie de la susceptibilité. La stratégie
méthodologique utilisée pour établir les cartes de susceptibilité dans le cadre de cette étude
comprend les principales étapes suivantes, décrites dans la figure 6.3.

La construction de la base de données SIG initiale, qui comprend deux types de

données, à savoir les zones inondées historiques extraites à travers différents et le
développement de différentes cartes des facteurs de conditionnement des inondations.
La transformation de cette base de données en mode numérique a utilisé la méthode FR pour
indiquer les relations entre les facteurs d'influence et le FS. Après avoir appliqué des analyses
de multicolinéarité telles que l'analyse de la matrice de corrélation (CM), les VIF, Tol et le
test d'information mutuelle (MI), les facteurs influençant le FS ont été sélectionnés en
fonction de leur importance. La deuxième étape consiste à évaluer la performance et
l'efficacité des sept algorithmes appliqués, à savoir DT, ANN, LR, KNN, SVM, RF, XGBoost
pour les données d'entraînement et de test, selon des critères de validation tels que la
spécificité, la sensibilité, le taux de faux positifs, la précision, le score F1, l'exactitude, l'erreur
absolue moyenne, l'erreur quadratique moyenne et l'aire sous la courbe de la caractéristique
d'exploitation du récepteur (AUC-ROC). Au stade final, la base de données a été divisée en
données de formation et en données de test, 70 % et 30 % de l'échantillon total de données
étant respectivement inondés et non inondés pour la génération des cartes de FS. La validation
externe de l'échantillon aléatoire pour chaque site a été effectuée à l'aide du logiciel ArcGIS
10.5.1 afin de garantir un processus d'échantillonnage non objectif.

174
Fig 6. 3 : Aperçu du processus méthodologique adopté dans cette étude

6.4 Résultats

6.4.1 Multicollinéarité et sélection des facteurs

Dans la figure 5, la matrice de corrélation (CM) représente l'analyse d'association de

Pearson entre quinze variables d'influence qui sont brièvement décrites dans la figure 6.5.
Comme le montrent les résultats, la valeur de corrélation positive la plus élevée (0,75) a été
trouvée entre l'élévation et la pente, et une forte corrélation linéaire a été trouvée entre les
facteurs suivants : TWI et SPI, précipitations et pente, SPI et pente : TWI et SPI,
précipitations et pente, SPI et courbure du profil, TRI et distance à la rivière, TRI et altitude.

Les résultats de la tolérance et du VIF appliqués pour vérifier la multicolinéarité des

facteurs d'influence de l'alimentation dans cette étude montrent une valeur Tol comprise entre
0,12 et 0,97 pour TWI et HSG, respectivement, ainsi qu'une valeur VIF maximale de 8,02
pour TWI et une valeur minimale de 1,02 pour HSG (Fig 6.4). Conformément aux exigences
de Tol et de VIF parmi les quinze facteurs utilisés dans cette étude, TWI et SPI ont été

175
supprimés dans l'analyse suivante. Ensuite, le MI des treize autres facteurs (Fig 6.6) montre
des valeurs positives allant de 0,382 (distance à la rivière) à 0,013 (HSG). Par conséquent, la
distance par rapport à la rivière est classée comme le facteur le plus important, suivi de
l'altitude (MI = 0,245), du débit d'accumulation (MI = 0,183) et de la pente (MI = 0,159).

VIF Tol
1
8
0,8
6 0,6
VIF

Tol
4 0,4
2 0,2
0 0

Factors

Fig 6. 4 : Multicollinearity analysis of conditioning factors using the correlation matrix

Fig 6. 5 : Analyse de la multicolinéarité des facteurs de conditionnement par le facteur d'inflation de la variance (VIF) et la
tolérance (TOL).

176
 Mutual information 0,4
0,3
0,2
0,1
0

Factors

Fig 6. 6 : Facteurs de conditionnement des inondations en relation avec la force de prédiction pour tous les modèles.

6.4.2 Cartes de vulnérabilité aux inondations

L'élaboration du modèle FS a été basée sur l'application des sept algorithmes. Les
résultats ont été présentés sous la forme d'une prédiction de probabilité allant de 0 à 1,
correspondant respectivement aux valeurs de FS les plus faibles et les plus élevées. Par la
suite, les cartes générées ont été classées dans les cinq zones différentes suivantes en utilisant
la classification des ruptures naturelles de Jenks : très faible, faible, modérée, élevée et très
élevée.

Une première analyse visuelle des sept cartes produites par les modèles SVM (Fig
7.7a), RF (Fig 7.7b), LR (Fig 7.7c), KNN (Fig 7.7d), DT (Fig 7.7e), ANN (Fig 7.7f) et
XGBoost (Fig 7.7g) montre que les valeurs de FS très élevées sont concentrées dans la partie
aval du bassin versant du Ten sift, en particulier dans la zone de plaine (Haouz), et sont
légèrement localisées dans la partie ouest et dans le Jbilet. D'autre part, des valeurs de FS très
faibles sont trouvées dans la partie amont de la chaîne du Haut Atlas.

Pour la plaine du Haouz, le modèle SVM montre 23% de surfaces de très faible
sensibilité dans la zone de Majjat et Ait Ourir et 20% de surfaces de très forte sensibilité
situées au centre de la zone, le modèle RF montre 11% de surfaces de très faible sensibilité
dispersées dans plusieurs zones du Mjjat et Takarkoust et 20% de surfaces de très forte
sensibilité généralement dans la zone de Laataouia, le modèle LR montre 14% de surfaces de
très faible sensibilité dans les altitudes moyennes de certaines zones de Mjjat, Takarkoust, Ait
Ourir et Lataouia et 19% de surfaces de très forte sensibilité situées légèrement au centre de la
zone, le modèle KNN montre 11% de surfaces de très faible sensibilité et 18% de surfaces de
très forte sensibilité, avec la même distribution géospatiale du modèle RF, le modèle DT

177
montre 13% de surface de très faible sensibilité située dans la région d'Ait Ourir, Mejjat et
23% de surface de très forte sensibilité observée sur une large région de Laataouia et la zone
urbaine de Marrakech, le modèle ANN montre 33% de surface de très faible sensibilité sur
une large région de Majjat, Takarkoust et Ait ourir et 23% de surfaces de sensibilité très forte
généralement observées à Marrakech et Ourika et enfin le modèle XGBoost, qui montre 23%
de surfaces de sensibilité très faible sur de grandes zones de Majjat et la région environnante
de Laataouia et 30% de surfaces de sensibilité très forte concentrées à Ourika, Laataouia et
Marrakech.

178
Fig 6. 7 : Cartes de susceptibilité aux inondations du bassin versant de Tensift prédites par les modèles SVM, RF, LR, KNN, DT,
ANN et XGBoost [Source : auteurs de l'étude].

Dans le bassin versant du Tensift, la plupart des zones devraient avoir un FS très faible
(39,89 %) et faible (23,97 %), et les zones restantes sont associées à des valeurs de FS
modérées (15,72 %), élevées (13,86 %) et très élevées (10,75 %), comme le montre la figure
9. Dans la zone de la plaine du Haouz, en revanche, on observe une augmentation des zones
associées à des valeurs élevées (22,14 %) et très élevées (21,76 %) de FS, tandis que les zones

179
restantes affichent des pourcentages modérés (19,02 %), faibles (18,88 %) et très faibles
(18,18 %) (Fig 6.8).

ANN
DT
SVM
LR
KNN
RF
XGBoost
0,00 10,00 20,00 30,00 40,00 50,00
XGBoost RF KNN LR SVM DT ANN
Very Low 50,82 35,88 33,88 34,75 37,92 40,60 45,38
Low 18,01 22,42 20,42 19,88 15,58 19,42 23,97
Moderate 10,16 18,45 20,45 15,28 18,43 15,59 11,71
High 9,66 13,94 15,94 16,33 14,69 12,06 13,15
Very High 11,35 9,31 9,31 13,76 13,37 12,32 5,79

% of area

Fig 6. 8 : Pourcentage de la zone de susceptibilité aux inondations dans le bassin versant de Tensift des modèles utilisés

ANN
DT
SVM
LR
KNN
RF
XGBoost
0,00 5,00 10,00 15,00 20,00 25,00 30,00 35,00
XGBoost RF KNN LR SVM DT ANN
Very Low 22,93 10,83 10,83 13,84 22,40 13,17 33,28
Low 13,87 21,58 21,58 23,19 20,38 17,85 13,71
Moderate 10,61 20,70 22,70 19,16 18,56 27,61 13,81
High 22,86 27,10 27,10 24,73 19,05 18,24 15,97
Very High 29,74 19,79 17,79 19,07 19,61 23,14 23,23

% of area

Fig 6. 9 : Pourcentage de la surface de susceptibilité aux inondations dans la plaine du Haouz des modèles utilisés

Dans l'ensemble, la figure 6.9 montre que les classes de FS faibles et très faibles sont
prédominantes dans le bassin versant du Tensift, englobant plus de 59,85 % de la surface
totale. Inversement, la figure 6.8 montre que les classes de FS élevé et très élevé dominent la
plaine du Haouz, couvrant plus de 43,91 % de la surface totale.

180
6.4.3 Performance des sept modèles ML utilisés

Les résultats de cette étude ont été construits en utilisant sept modèles ML pour
prédire les FS, à savoir SVM, RF, KNN, DT, ANN, LR et XGBoost, et ont évalué l'efficacité
des données de formation (70%) et de test (30%) utilisées, ainsi que les indicateurs de
performance. Précision, sensibilité, spécificité, (FPR) taux de faux positifs, exactitude, rappel,
score F1, MAE, RMSE et AUC ROC. Les résultats des phases de formation et de validation
ont été enregistrés comme indiqué dans les tableaux 6.2, 6.3 et la figure 6.10.

Tableau 6. 2 : Performance des sept modèles à partir de données d'entraînement

Models

Performance Indicators XGBoost RF KNN LR SVM DT ANN

Precision 0.95 0.92 0.88 0.88 0.86 0.92 0.84

Sensitivity 0.97 0.96 0.96 0.95 0.94 0.95 0.98

Specificity 0.95 0.92 0.92 0.88 0.86 0.90 0.84

False positive rate (FPR) 0.05 0.08 0.08 0.12 0.14 0.10 0.16

Training Data
Accuracy 0.97 0.94 0.94 0.92 0.91 0.93 0.91

recall 0.96 0.93 0.88 0.92 0.90 0.90 0.97

F1 score 0.95 0.93 0.92 0.90 0.88 0.92 0.90

MAE 0.04 0.06 0.06 0.08 0.09 0.07 0.09

RMSE 0.19 0.23 0.24 0.28 0.31 0.26 0.30

AUC-ROC 96.21 94.48 94.31 91.96 90.69 93.38 91.01

Dans cette recherche, pour l'ensemble de données d'apprentissage, le modèle XGBoost

montre d'excellentes performances, présentées par les scores (précision = 0,95), (sensibilité =
0,97), (spécificité = 0,95), (exactitude = 0,97), (rappel = 0,96), (score F1 = 0,95), (FPR =
0,05), (MAE = 0,04) et AUC-ROC (valeurs = 96,21%). Les six autres modèles RF, KNN, LR,
SVM, DT et ANN présentent des performances élevées, indiquées par des valeurs de
sensibilité, de spécificité, de précision, d'exactitude, d'AUC-ROC et de score F1 supérieures à
0,88 et des scores FPR et MAE négligeables. Pour l'ensemble de données de test, tous les
modèles appliqués affichent des performances élevées à très élevées. Les valeurs de
sensibilité varient entre un minimum de 0,90 et un maximum de 0,98 pour DT et ANN
respectivement, les valeurs des paramètres de précision, d'exactitude, de score F1, de FPR et
de MAE varient entre 0,78 et 0,93, 0,88 et 0. 94, 0,87 et 0,92, 0,07 et 0,22, 0,06 et 0,12

181
respectivement, les valeurs maximales de l'AUC-ROC étaient toutes marquées pour le modèle
XGBoost (0,9378), et les valeurs minimales étaient toutes marquées pour le modèle ANN
(0,8756).

Tableau 6. 3 : Performance des sept modèles sur la base de données de test

Models

Performance Indicators XGBoost RF KNN LR SVM DT ANN

Precision 0.93 0.93 0.89 0.90 0.91 0.91 0.78

Sensitivity 0.94 0.94 0.94 0.94 0.93 0.90 0.98

False positive rate (FPR) 0.07 0.07 0.14 0.10 0.09 0.09 0.22

Specificity 0.93 0.93 0.86 0.90 0.91 0.91 0.78

Testing Data
Accuracy 0.94 0.94 0.91 0.92 0.92 0.91 0.88

recall 0.92 0.91 0.93 0.91 0.89 0.86 0.98

F1 score 0.92 0.92 0.91 0.91 0.90 0.88 0.87

MAE 0.06 0.06 0.09 0.08 0.08 0.08 0.12

RMSE 0.25 0.25 0.31 0.28 0.28 0.31 0.38

AUC-ROC 93.78 93.71 90.53 92.29 92.02 90.67 87.56

Néanmoins, XGBoost surpasse les quatre autres modèles en termes de précision,

principalement en raison de l'intégration des résultats des prédictions de tous les apprenants
de base, ce qui augmente le taux de reconnaissance et la capacité de généralisation du modèle.
Pour traiter les valeurs manquantes sur différents nœuds, des techniques distinctes seront
appliquées lors de la détermination et du stockage du meilleur plan d'action. Dans le même
temps, XGBoost augmente le taux d'apprentissage en ajoutant un terme régulier à la fonction
objective et en prenant en charge des fonctions de perte personnalisées, ce qui permet d'éviter
le surajustement et de simplifier le modèle d'apprentissage. Par conséquent, le modèle
XGBoost produit éventuellement de meilleurs résultats de simulation, et l'approche de
cartographie de la susceptibilité aux inondations basée sur XGBoost est efficace et réalisable.

182
Fig 6. 10 : Analyse de la courbe ROC de différents modèles d'inondation en utilisant (a) des données d'entraînement, (b) des
données de validation

Outre les critères de sensibilité et de spécificité, des évaluations statistiques ont été
réalisées pour effectuer la comparaison à l'aide de la RMSE, comme le montrent les tableaux
6.2 et 6.3. Le classement RMSE global est illustré à la figure 6.11. Les valeurs RMSE pour
XGBoost indiquent une correspondance optimale avec les valeurs observées et générées ; la
probabilité de susceptibilité attendue a donc été atteinte.

ANN
DT
SVM
Models

LR
Testing
KNN
RF Training
XGBoost

0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40

RMSE

Fig 6. 11 : La performance des différents modèles d'inondation à l'aide des valeurs RMSE

6.4.4 Hiérarchisation des sept modèles utilisés

Les performances de chaque modèle dans cette étude suggèrent que les modèles
XGBoost et RF ont la plus grande précision dans la prédiction de FS pour les ensembles de
données de formation et de test. Pour l'ensemble de données de formation, ils sont suivis par
LR, SVM, DT, KNN et ANN. Les algorithmes suivants ont été classés pour l'ensemble de
données de test : KNN, DT, LR, ANN et SVM, comme le montre la figure 6.12.

183
Fig 6. 12 : Priorité donnée aux modèles en phase d'entrainement et de test

6.5 Discussion

Dans une zone semi-aride sujette aux inondations comme le bassin versant du Tensift
et la plaine du Haouz, il est important de catégoriser et de développer des cartes de FS pour
les taux de réussite et d'échec afin d'assurer la planification et la gestion des risques
d'inondation. Dans la plupart des recherches et des études, des ensembles de données de test
ont été utilisés pour construire la performance de fiabilité des modèles d'inondation. Selon
(Janizadeh et al.2021 ; Sestras et al. 2023), la prédiction spatiale des zones à risque
d'inondation a été attribuée à la probabilité de différentes cartes thématiques de risque
d'inondation. En outre, des recherches et des études ont examiné l'impact des facteurs géo-
environnementaux influents et les avantages de plusieurs algorithmes ML dans la
cartographie des FS dans différentes régions du monde touchées par ce phénomène.

L'utilisation de la technique de modélisation d'ensemble, qui combine les sept modèles

pour fournir des prévisions plus précises que chacun d'entre eux pris isolément, a permis
d'accroître la précision des résultats. En conséquence, les modèles d'ensemble ont gagné en
importance et ont été en mesure d'anticiper les événements futurs avec plus de précision que
les modèles individuels.

L'importance des variables affectant la vulnérabilité aux inondations, l'efficacité et la

périodicité des modèles utilisés, ainsi que la fiabilité de la technique choisie, sont discutées
dans cette section.

184
6.5.1 Facteurs influençant la vulnérabilité aux inondations

Après la préparation des cartes d'inventaire par des enquêtes sur le terrain, la collecte
de données à partir du traitement de scènes satellitaires et l'analyse de la base de données
historiques sur les inondations de l'ABHT, la première étape de la prédiction spatiale des FS a
été la préparation de l'ensemble des facteurs d'influence. Sur les quinze facteurs préparés,
TWI et SPI ont été éliminés en raison de leur colinéarité avec d'autres facteurs, ce qui limite la
performance de la prédiction. De plus, selon MI, le facteur le plus important est la distance à
la rivière, ce qui n'est pas cohérent avec les résultats de (Meliho et al. 2022), appliqués dans le
bassin versant de l'Ourika qui est une zone totalement manganèse. Mais ils sont cohérents
avec les résultats de (Al-Areeq et al. 2022), appliqués dans une zone mixte entre basse et
haute altitude, suivis par l'altitude. Le facteur le moins important dans notre étude est le HSG.
En outre, l'accumulation de flux, la pente, TPI, TRI, les précipitations, le LULC, le plan de
courbure, le profil de courbure, l'aspect et le type de sol ont eu un impact considérable sur le
FS, respectivement.

Les résultats indiquent que les sites les plus importants à distance de la rivière, en
particulier ceux de Tensift et d'Ourika le long de la plaine du Haouz à basse altitude, sont très
sensibles aux inondations avec une forte densité. Les résultats obtenus indiquent que la
susceptibilité élevée est associée à l'altitude, à la pente, TPI et TRI le long des routes et des
sous-bassins versants de Tensift, des sous-bassins versants d'Ourika, de Zat et de Rheraya.
Cette évaluation est confirmée par nos résultats. Les résultats et les actions des prédicteurs
d'inondation démontrent également que des inondations fréquentes sont attendues en raison de
la morphologie du bassin versant du Tensift. Au Royaume du Maroc, de nombreuses
recherches ont été menées pour cartographier les régions et les zones vulnérables aux
inondations afin de prendre des mesures ciblées pour réduire l'incidence de ces risques à
l'avenir. Les informations sur les caractéristiques et les impacts des inondations sont
importantes pour les administrations et les décideurs afin de les aider à formuler des
politiques, ainsi que des stratégies de gestion des inondations, telles que la construction de
structures résistantes aux inondations afin d'améliorer les plans d'intervention d'urgence en cas
d'inondation.

6.5.2 Performance des modèles et efficacité de la méthodologie

La répartition 70/30 % de la figure 6.3 utilisée dans cette étude pour le choix des
ensembles de données de formation et de validation montre des performances élevées. Les

185
sept algorithmes appliqués dans cette étude ont une efficacité élevée à très élevée pour la
prédiction du FS après l'évaluation des modèles, malgré une légère faiblesse de l'ANN qui
montre un (AUC-ROC = 87,56% dans la phase de test), ce qui a été rapporté par des études
précédentes sur le même thème (Mia et al. 2023 ; Towfiqul Islam et al. 2021 ; Youssef et al.
2023a, b).

D'après les résultats, le modèle XGBoost a obtenu d'excellents résultats dans les deux
phases, comme c'est le cas dans d'autres études. La méthodologie adoptée dans cette
recherche et les résultats sont cohérents avec les études récentes de Parvin et al. (2022), Seydi
et al. (2022), qui ont mis en évidence l'efficacité élevée et rapide de ML-DL, RS et GIS dans
la prédiction géo-spatiale dans les zones semi-arides et arides caractérisées par des périodes
d'inondation irrégulières et dangereuses. Elle est basée sur un ensemble de facteurs géo-
environnementaux.

L'algorithme XGBoost prédit efficacement la carte FS, ce qui en fait une alternative
viable pour la gestion des risques d'inondation dans le bassin versant du Tensift et dans la
plaine du Haouz. Il peut aider spécifiquement à détecter et à classer les régions à haut risque
d'inondation, permettant ainsi la mise en place d'un système de surveillance.

Le résultat efficace de cette méthode se reflète dans le choix ciblé du maximum de

données spatiales disponibles de la zone d'étude, également dans l'ensemble des données
d'entrée, ainsi que dans l'application et la validation de l'algorithme. Enfin, grâce à une
enquête approfondie sur le terrain, à la base de données historique de l'ABHT et aux scènes
satellites de l'inventaire, l'application et l'évaluation de sept modèles appliqués sur la base du
même ensemble de données et paramétrés ont permis une hiérarchisation plus logique des
modèles. L'optimisation des performances des sept modèles est un objectif essentiel qui peut
être atteint de deux manières significatives. La première approche consiste à enrichir tous ces
modèles en les soumettant à un entraînement intensif avec une masse considérable de données
observées. La seconde approche repose sur la puissance de la synergie générée par la
combinaison de ces modèles.

6.6 Conclusion

Cette recherche a examiné certains modèles ML RF, SVM, KNN, DT, ANN, LR et
XGBoost pour cartographier et prédire les FS dans le bassin versant du Tensift et la plaine du
Haouz. À cette fin, l'analyse de l'information mutuelle (IM) a été utilisée pour la sélection et

186
la classification des facteurs. Parmi ces facteurs, la distance à la rivière et l'élévation ont été
identifiés comme les principaux facteurs influençant la FS, tandis que TWI et SPI ont été
éliminés de l'analyse sur la base du test de multicolinéarité et de l'importance de l'IM. En
outre, les mesures de performance (précision, sensibilité, spécificité, FPR, exactitude, rappel,
score F1, MAE, RMSE et AUC-ROC) ont été testées simultanément à l'évaluation du modèle
pour valider les cartes de SF. Les résultats des tests de formation et de validation de la
prédiction du FS ont montré que tous les modèles appliqués répondaient aux normes de
validation. Les résultats de l'analyse des priorités des modèles pour la prédiction des
phénomènes de risque d'inondation ont démontré la supériorité du modèle XGBoost (AUC-
ROC entraînement = 96,21%, AUC-ROC test = 93,78%) et, par conséquent, l'efficacité de la
carte FS telle que prédite par ce modèle. L'approche suivie dans cette recherche a généré un
outil essentiel basé sur le ML-RS-SIG pour la cartographie de la vulnérabilité aux
inondations, conçu pour mettre en œuvre des plans de prévention et de protection dans un
contexte semi-aride.

Il est inévitable de mentionner certaines limites rencontrées tout au long de cette étude.
La recherche utilise des données binaires sur les inondations de 2012 pour créer la carte
d'inventaire des inondations passées. Ces données proviennent d'une seule année, ce qui peut
ne pas refléter l'ensemble des modèles d'inondation. Les études futures devraient envisager
d'utiliser des séries de données plus longues pour mieux comprendre les inondations, en
particulier dans les régions où les conditions climatiques sont variables. En ce qui concerne le
contenu de la recherche, l'une des principales préoccupations est que le FS peut changer au fil
du temps en raison de facteurs tels que l'urbanisation, le changement climatique et les
modifications de l'utilisation des terres. La prise en compte de ces limitations améliorera la
précision et l'applicabilité des modèles de FS, ce qui permettra d'améliorer la planification de
l'utilisation des terres et les efforts en matière de risques.

Cette étude et sa méthodologie ont été conçues et développées de manière à être plus
applicables et généralisables à travers le monde. Les résultats de cette recherche mettent en
évidence le rôle des algorithmes avancés dans l'amélioration de la précision des évaluations
des risques d'inondation, applicables à l'échelle mondiale. La méthodologie et les idées
peuvent influencer les politiques et les pratiques dans les régions confrontées à des défis
environnementaux similaires. Les conclusions sur l'efficacité de XGBoost par rapport à
d'autres algorithmes de ML

187
Les futurs travaux de recherche devraient étendre l'étude avec des données temporelles pour
saisir les changements dans les modèles de FS au fil du temps. En outre, l'intégration de
facteurs dynamiques tels que les tendances de l'urbanisation, les facteurs socio-économiques
et les données de télédétection en temps réel permettrait une évaluation plus holistique pour la
surveillance en temps réel et une compréhension plus large des impacts des inondations sur
les communautés et les infrastructures. Il serait plus complet que les travaux futurs soient
menés sur la base d'études comparatives dans différentes régions afin de valider l'efficacité de
l'algorithme développé dans des contextes variés.

188
189
 CHAPITRE VII
CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX
RISQUES MULTIPLES (ML)

190
 CHAPITRE VII
CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX RISQUES MULTIPLES
(ML)

Publication 7 (P7) Article: Youssef Bammou, Brahim Benzougagh, Brahim Igmoullan,

Shuraik Kader, Abdessalam Ouallali, Velibor Spalevic, Paul Sestras (2023) Spatial mapping
of multiple hazards using machine learning algorithms in the Tensift watershed and Haouz
plain, Morocco.

Cet article est accepté et publié dans la revue Environmental Earth Sciences
([Link]

7.1 Résumé

Cette étude innove en développant une carte de vulnérabilité multirisque pour le bassin
versant du Tensift et la plaine du Haouz dans la région du Haut Atlas marocain. La
juxtaposition unique de terrains plats et montagneux dans cette région accroît la sensibilité
aux risques naturels, ce qui en fait un lieu idéal pour cette recherche. Les événements
extrêmes survenus dans cette région ont mis en évidence le besoin urgent de stratégies
d'atténuation proactives, d'autant plus que ces risques sont de plus en plus liés aux activités
humaines, notamment l'agriculture et le développement d'infrastructures. Dans cette étude, six
modèles avancés d'apprentissage automatique ont été utilisés pour évaluer de manière
exhaustive la probabilité combinée de trois risques naturels importants : les inondations,
l'érosion des ravines et les glissements de terrain. Ces modèles s'appuient sur des facteurs de
causalité dérivés de sources fiables, notamment la géologie, la topographie, la météorologie,
les activités humaines et l'hydrologie. Le processus de validation rigoureux de la recherche,
qui comprend des mesures telles que la spécificité, la précision, la sensibilité et l'exactitude,
souligne les performances solides des six modèles. Le processus de validation a consisté à
comparer les prévisions du modèle avec les aléas réels survenus au cours d'une période
donnée. Selon les résultats en termes d'aire sous la courbe (AUC), le modèle XGBoost est
apparu comme le plus prédictif, avec des valeurs AUC remarquables de 93,41% pour les
glissements de terrain, 91,07% pour l'érosion des ravines et 93,78% pour les inondations. Sur
la base des résultats globaux de cette étude, une carte des risques multirisques a été créée en
utilisant la relation entre le risque d'inondation, l'érosion des ravines et les glissements de
terrain dans une architecture de système d'information géographique (SIG). L'approche

191
innovante présentée dans ce travail, qui combine des algorithmes de ML avec des données
géographiques, démontre la puissance de ces outils dans la gestion durable des terres et la
protection des communautés et de leurs biens dans le Haut Atlas marocain et les régions
présentant des conditions topographiques, géologiques et météorologiques similaires qui sont
vulnérables aux risques susmentionnés.

Mots clés: Risques naturels - Système d'information géographique (SIG) - Évaluation de la

susceptibilité aux aléas - Apprentissage automatique (AA) - Surface sous la courbe (AUC)

7.2 Introduction

De nombreux projets de recherche ont mis en évidence l'augmentation indéniable de la

fréquence des catastrophes naturelles dans le monde, principalement causée par les
changements climatiques (Pei et al. 2023 ; Zhang et al. 2023). Par conséquent, la protection
contre les catastrophes naturelles est devenue une priorité absolue, et les mesures de prévision
et de prévention font encore partie des étapes à franchir pour parvenir à une bonne
planification (Bashir et al. 2024a, b ; Yousefi et al. 2020). La création de données thématiques
pour cartographier la susceptibilité au catastrophe reste l'une des méthodes les plus cruciales
pour prévoir et gérer les risques naturels (Khan et al. 2020 ; Youssef et al. 2023). Ces cartes
sont essentielles dans la gestion des risques naturels et le développement de stratégies de
réduction des risques. Elles permettent de visualiser et de classer les zones à risque,
d'identifier les populations et les infrastructures vulnérables et de mieux comprendre les
facteurs de risque propres à chaque région.

Cependant, la plupart des recherches actuelles sur les risques naturels se limitent à
l'analyse de risques individuels (Bammou et al. 2024b ; Razavi-Termeh et al. 2023). Ces
études, qui se concentrent sur des menaces particulières, considèrent généralement les risques
comme des phénomènes indépendants sans tenir compte du degré combiné de vulnérabilité
des relations entre plusieurs risques (Panahi et al. 2020 ; Yousefi et al. 2020). Il est donc
fondamental d'évaluer et d'examiner les interactions entre les différents risques. Les études sur
les différents dangers sont cruciales, car elles nous permettent de trouver des concentrations
de dommages et de risques bien plus importantes que les études se concentrant sur un seul
type de danger (Hillier et al. 2020). Pour ce type de recherche, la distribution géographique
des risques naturels dans la région doit être réévaluée. Cette stratégie permet de réduire la
probabilité d'occurrence et la possibilité de risques cumulatifs provoqués par l'interaction de
plusieurs aléas, tels que les glissements de terrain, les pertes financières et les décès (Bammou

192
et al. 2024d ; Sestras et al. 2023 ; Stalhandske et al. 2024). En cartographiant la vulnérabilité
de manière holistique et en tenant compte des interactions complexes entre les aléas naturels,
il est possible de prévoir, de prévenir et de gérer de manière proactive les menaces qui pèsent
sur les communautés et l'environnement.

La cartographie de la vulnérabilité multirisque est une méthode qui vise à prendre en

compte simultanément plusieurs types de menaces à chaque endroit. Elle permet d'évaluer les
relations spatiales complexes entre différents événements à haut risque, y compris la
possibilité pour ces événements de se produire simultanément ou cumulativement, ainsi que
les interactions potentielles entre eux (Aksha et al. 2020 ; Ming et al. 2022). Selon Bammou
et al. (2024a, b, c, d), le bassin versant du Tensift se compose de zones de risque bien
corrélées avec certains facteurs de conditionnements communs, tels que le risque accru
d'érosion hydrique dû aux inondations provoquées par le ruissellement et les glissements de
terrain dus aux fortes pluies et aux inondations. La cartographie multirisque est un outil
puissant pour mieux comprendre et gérer les risques complexes qui menacent les
communautés (Lombardo et al. 2020 ; Saunders et Kilvington 2016).

Diverses techniques ont été utilisées pour modéliser les risques multiples, comme
l'utilisation de deux aides à la décision, à savoir la technique de Monte Carlo séquentielle et
une aide à la décision (Guo et al. 2020 ; Zhao et al. 2024). Une autre méthode combine des
données empiriques avec des découvertes déterministes basées sur des équations (c'est-à-dire
théoriques) (Bout et al. 2018 ; Mondini et al. 2023). En outre, une méthode intégrant l'analyse
multicritère et les systèmes d'information géographique (SIG) a été appliquée pour produire
des résultats fructueux, comme l'ont démontré Lyu et Yin (2023), Sestras et al. (2023).
Récemment, de nombreuses recherches ont utilisé l'intégration de méthodes d'apprentissage
automatique, notamment l'arbre de régression boostée (BRT), le modèle additif généralisé
(GAM), la forêt aléatoire (RF) et la machine à vecteurs de support (SVM) pour la prédiction
des risques (Bammou et al. 2024a ; Kohansarbaz et al. 2022 ; Ye et al. 2020).

Le développement d'une carte multi-aléas à l'aide de modèles ML est basé sur l'étude
des principaux risques naturels dans la zone d'étude, à savoir le ravinement, les glissements de
terrain et les inondations (Bammou et al. 2023). La production d'une telle carte est essentielle
pour une bonne compréhension de l'association de ces risques. Cette étude a donc comparé
l'efficacité et la précision de différents modèles d'apprentissage automatique, tels que SVM,

193
RF, ANN, KNN, DT et XGBoost, dans la production de cartes de risques pour le bassin
versant du Tensift et la plaine du Haouz.

Il s'agit d'une étude pionnière dans la littérature scientifique qui combine trois risques
naturels: les glissements de terrain, l'érosion des ravines et les risques d'inondation. Ce travail
utilise des modèles ML de pointe pour développer une nouvelle stratégie d'évaluation
multirisque afin de comprendre les interrelations et d'évaluer les dangers des glissements de
terrain, de l'érosion des ravines et des inondations. Cette étude vise à répondre aux questions
de recherche suivantes Pourquoi une évaluation multirisque est-elle nécessaire plutôt qu'une
approche à risque unique, et quels en sont les avantages ? Les résultats de cette étude sont
utiles pour les chercheurs, les autorités, les développeurs et les décideurs impliqués dans la
gestion des terres et les stratégies d'atténuation des risques dans le Haut Atlas marocain et
dans les régions du monde présentant des conditions topographiques, géologiques et
météorologiques similaires.

7.3 Matériels et méthodes

7.3.1 Inventaire multirisques

L'établissement d'un inventaire est une étape cruciale dans l'évaluation des risques.
Basé sur des enquêtes de terrain par GPS, des statistiques régionales et nationales provenant
de nombreuses sources, y compris l'Agence du bassin hydraulique du Tensift (ABHT) et
l'analyse de l'imagerie Google Earth des zones vulnérables dans les régions montagneuses,
l'inventaire complet des ravinements, des inondations et des glissements de terrain dans le
bassin hydrographique du Tensift est disponible (Fig 7.2). Les cartes d'inventaire ont été
créées à partir de ces informations et de 620 sites d'érosion par ravinement, 1291 sites de
glissement de terrain et 762 sites d'inondation (Fig 7.1).

194
Fig 7. 1: Zone d'étude du bassin versant du Tensift et de la plaine du Haouz.

Les sites d'entraînement et de validation pour chaque classe de danger dans la carte
d'inventaire ont été choisis au hasard. Dans la littérature, le rapport de pourcentage de 70/30%
est fréquemment utilisé pour les ensembles de données de formation et de validation
(Bammou et al. 2024a ; Hong et al. 2016 ; Pourgha semi et Rahmati 2018) et il est également
utilisé dans la présente étude. Cette étude applique ce ratio de pourcentage en intégrant des
codages binaires (0, 1), c'est-à-dire des valeurs associées aux pixels pertinents et non
pertinents pour les glissements de terrain. La carte d'inventaire des glissements de terrain a
ensuite été convertie en données matricielles à une résolution de trente mètres (30 m).

195
Fig 7. 2 : Photographies des trois risques dans le bassin versant de Tensift collectées sur le terrain. 1a, 1b et 1c Inondations ; 2a,
2b et 2c Erosion par Ravinement ; 3a et 3b Glissements de terrain. NB : leurs emplacements sont indiqués sur la Fig7. 1.

7.3.2 Collecte de données

La création des grilles de susceptibilité aux glissements de terrain s'est appuyée sur
différentes sources de données. Le tableau 7.1 présente une description des autres supports
utilisés.

196
Tableau 7. 1: Données et sources utilisées.

Database and source Scale/Resolution Acquisition date

SRTM-DEM (Digital Elevation Model)
Were downloaded from the website of United States Geological
30m 2018
Survey (USGS)
[Link]
Soil Type
1:5 000 000 scale
[Link] 1981
databases/faounesco-soil-map-of-the-world/en/
Sentinel-2 Images (B02—B03—B04—B08) 01-01-2022
[Link] 10m to
30-01-2022
Geological map of Marrakech 1: 500 000 scale
Rainfall data Tensift Hydraulic Basin Agency (ABHT) 14 stations 1992 to 2020
Global Hydrologic Soil Groups (HYSOGs)
[Link] 250m 2017-11-28
ORNL_CLOUD.html

7.3.3 Facteurs de conditionnement multirisques (MCFs)

Des facteurs de conditionnement multirisques (MCF) ont également été étudiés afin de
déterminer les critères les plus pertinents pour chaque catégorie de risque. Le tableau 7.2 et la
figure 7.3 donnent un aperçu rapide des matrices et des couches de données relatives à la
topographie, au climat, à l'hydrologie, à la végétation, à l'utilisation des sols et à la géologie,
qui ont été construites à l'aide d'un logiciel SIG.

Ils comprennent 25 facteurs de conditionnement, à savoir la pente (Fig 7.3a), l'aspect

(Fig 7.3b), l'altitude (Fig 7.3c) et les précipitations (Fig 7.3d), qui ont été générés à partir des
données de 14 stations de précipitations fournies par l'ABHT pour la période allant de 1992 à
2020. L'indice d'humidité topographique (TWI) illustré à la figure 7.3e a été calculé à l'aide de
l'équation (Eq 7.1). L'indice différentiel normalisé de végétation (NDVI) illustré par la figure
7.3f a été déterminé à l'aide de l'équation (Eq 7.3).

D'autres paramètres tels que la densité de drainage (Fig 7.3g), la lithologie (Fig 7.3h)
qui comprend 32 faciès ont été dérivés d'une carte géologique de Marrakech à l'échelle 1:500
000, LULC (Fig 7.3i), qui a été généré à partir d'images Sentinel-2 avec une résolution de 10
m à partir de 2022, le facteur LS (Eq 7.4) et Fig 7.3j) est l'un des éléments critiques de
l'équation RUSLE, avec les distances aux failles (Fig 7.3u) et aux rivières (Fig 7.3k),
développées à l'aide de l'outil de distance euclidienne de l'analyste spatial, SPI illustré par la
(Fig 7.3l) a été calculé à l'aide de l'Equation (Eq 7.3), TRI illustré par la (Fig 7.3m) a été
calculé à l'aide de l'équation (Eq 7.2), géomorphons (Fig 7.3n), le facteur K illustré par la (Fig
7.3o) a été calculé à l'aide de l'équation (Eq 7.5), HSG (Fig 7.3p), distance aux routes (Fig

197
7.3q), type de sol (Fig 7.3r), accumulation de rivières (Fig 7.3s), courbure du profil (Fig 7.3t),
courbure (Fig 7.3v), profondeur de la vallée (Fig 7.3w), TPI (Fig 7.3x) et courbure du plan
(Fig 7.3y). À une résolution de trente (30) mètres, les variables topographiques ont été
extraites à l'aide du modèle numérique d'élévation (MNT).

Tableau 7. 2 : Facteurs de conditionnement testés et utilisés pour cartographier la vulnérabilité à des risques multiples

Hazard- Description Hazard type

indicator
factors Type Range Units Flood Landslide Gully Erosion
Valley Depth Grid (-249.95) - 907.68 m
LS Factor Grid 0 - 5350.66 L in m, S in %
Aspect Grid 9 directions + Flat -
LULC Grid 7 classes -
Precipitation point 154.90 - 406.10 mm
Curvature Grid (-27.22) - 21.22 -
NDVI Grid (-0.91) - 10 -
TPI Grid (-198.12) - 247.74 -
Distance to
Polyline 0 - 7597.17 m
rivers
TWI Grid 2.37 - 27.24 - 
SPI Grid (-13.82) - 15.24 - 
Slope Grid 0 - 71.02 degree
Elevation Grid 11 - 4129 m
Lithology Polygone 32 Facies -
Geomorphons Grid 10 Classes - 
Drainage 2
Grid 0 - 0.86 Km/Km
density
TRI Grid 0.0009 - 0.99 -
Flow
Grid 0 - 22498869 -
accumulation
t.
K Factor Grid 0.0135 - 0.0228
ha.h/[Link]
Soil type Grid 8 classes -
HSG Grid 6 Groupes -
Distance to
Polyline 0 – 48835.9 m
faults
Profile
Grid (-15.72) - 16.11 -
Curvature
Distance to
Polyline 0 – 12322.7 m
roads
Plan Curvature Grid (-12.27) - 10.17 -

Factor Used Factor not used  Eliminated after multicollinearity analysis

Chaque couche présentée dans la figure 3 a été normalisée à une résolution en pixels
de 30 m*30 m à l'aide d'un logiciel SIG dans le système de projection WGS 84/UTM zone
29N. De nombreux ensembles de facteurs ont été utilisés pour générer les cartes de sensibilité

198
aux aléas, comme l'indique le tableau 7.1 : après suppression de deux composantes, il y a 13
facteurs pour les inondations, 17 pour l'érosion des ravines et 14 pour les glissements de
terrain.
TWI = In (As/tanβ) (Eq.7.1)

Où :

- As: est la zone de drainage en amont et

- Β : est le degré de pente (Nellemann & Reynolds, 1997).
𝟏
𝐓𝐑𝐈 = 𝐘[∑(𝐗 𝐢𝐣 − 𝐗 𝟎𝟎 )𝟐 ]𝟐 (Eq 7.2)

Où:

xii: est la hauteur de chaque pixel adjacent au pixel (0, 0). Les zones avec une pente de 0 ont
une valeur TRI de zéro, tandis que les zones rugueuses avec des élévations abruptes ont des
valeurs TRI positives (Jones et Vaughan. 2010).
𝐁𝟖−𝐁𝟒
𝐍𝐃𝐕𝐈 = (Eq 7.3)
𝐁𝟖+𝐁𝟒

Où :

B8 = NIR & B4= ROUGE.

LS = (m + 1) × [As/22] × [sinβ/0.0896] (Eq 7.4)

Où:

- As: est la zone de drainage en amont et

- β: est le degré de pente.
K = fcsand *fcl − si * forgc * fhisand (Eq 7.5)

Où:

- ƒcsand : fraction des sols à forte teneur en sable grossier ;

- ƒcl-si : fraction des sols présentant un rapport limon/argile élevé ;
- ƒorgc : fraction des sols à forte teneur en carbone organique et ;
- ƒhisand : fraction des sols à teneur en sable extrêmement élevée.
SPI = As × tanβ (Eq 7.6)

Où:

- As: est la zone de drainage en amont et ;

- β : est le degré de pente.

199
Fig 7. 3 : a Pente en °, b aspect, c altitude, d précipitations, e TWI, f NDVI, g densité de drainage, h lithologie, i LULC, j facteur LS,
k distance aux rivières, l SPI, m TRI, n géomorphons, o facteur K, p HSG, q distance aux routes, r type de sol, s accumulation de
flux, t courbure du profil, u distance aux failles, v courbure, w profondeur de la vallée, x TPI et y courbure du plan.

200
Fig 7. 2 : (Suite).

7.3.4 Organigramme de la méthodologie

L'étude actuelle a été réalisée en cinq phases différentes. La phase 1 a consisté à
identifier les trois aléas naturels traités dans cette étude afin de collecter des données
exhaustives sur divers événements provenant d'autres sources ; la phase 2 a consisté à
différencier les différents événements sur la base d'une analyse approfondie de la littérature
publiée ; la phase 3 a porté sur la modélisation des différents types d'aléas à l'aide de six
modèles ML ; la phase 4 a consisté à valider les modèles et à sélectionner le modèle le plus
approprié pour chaque aléa. Enfin, dans la phase 5, une carte de susceptibilité multi-aléa
(MHSM) a été créée en intégrant le modèle ayant la meilleure aire sous la courbe pour chaque
type d'aléa. La figure 7.4 illustre la méthodologie globale de cette recherche.

201
 La méthodologie employée dans cette recherche est solide, multidimensionnelle et
basée sur plusieurs éléments clés. Tout d'abord, elle commence par la conservation minutieuse
de données de haute qualité afin de garantir leur fiabilité et leur pertinence par rapport aux
objectifs de l'étude. Ensuite, des techniques de validation rigoureuses sont appliquées pour
évaluer l'exactitude et l'intégrité des données collectées, ce qui renforce la crédibilité des
analyses ultérieures. En outre, la méthodologie reconnaît l'importance de sélectionner
soigneusement et de hiérarchiser les facteurs de conditionnement et d'utiliser divers
inventaires provenant de sources réputées en intégrant de multiples ensembles de données de
dimensions spatiales et temporelles variables. Enfin, la comparaison systématique de
différents modèles d'apprentissage automatique fait partie intégrante de la méthodologie,
garantissant une évaluation rigoureuse pour sélectionner le modèle le plus performant.

202
Fig 7. 4:Organigramme de la méthodologie développée dans le cadre de cette étude.

7.4 Résultats

7.4.1 Cartes multirisques

La carte multi-risques a été créée en développant et en analysant trois cartes
indépendantes de susceptibilité aux risques, chacune correspondant à un type de risque

203
différent (FS, GES et LS). En utilisant le modèle XGBoost, ce développement a été basé sur
le lien entre les facteurs indépendants, c'est-à-dire les indicateurs d'aléas, et les variables
dépendantes, c'est-à-dire les lieux à risque d'inondation, d'érosion par ravinement et de
glissement de terrain. Les trois cartes de vulnérabilité (inondations, érosion par ravinement et
glissements de terrain) ont ensuite été intégrées dans ArcGIS 10.5.1 pour produire une carte
globale des risques multirisques (Fig 7.5).

Fig 7. 5: Une carte des risques multirisques a été élaborée à l'aide du modèle XGBoost le plus puissant.

Comme le montre la figure 7.6, les résultats indiquent que la région étudiée est divisée
en sept groupes de vulnérabilité. La région est exposée à divers risques dans une proportion
d'environ 71,03 %, avec la répartition en pourcentage suivante : 36,05 % de la superficie
totale est constituée d'érosion par ravinement (GES), 16,92 % d'inondations (FS), 10,59 % de
glissements de terrain et d'érosion par ravinement (GES LS), 6,54 % d'inondations et
d'érosion par ravinement (FS-GES), 0,56 % de glissements de terrain (LS), 0,33 %
d'inondations et de glissements de terrain (FS-LS), et 0,31 % d'inondations, d'érosion par
ravinement et de glissements de terrain (FS-GES-LS).

204
 Area %

FS-GES-LS
40
35

36,05 30
GES 25 FS-LS
20
15
10
0,31
5 0,33
0
0,56
16,92
FS LS
6,54
10,59

GES-LS FS -GES

Fig 7. 6: Pourcentage des différents types de risques dans la région étudiée.

7.5 Discussion

Une série de techniques de modélisation peut améliorer de manière significative la

compréhension de la gestion des risques. Dans une région semi-aride sujette à de nombreux
risques tels que les inondations, l'érosion par ravinement, les glissements de terrain et, plus
récemment, les tremblements de terre, comme le tremblement de terre catastrophique du 8
septembre 2023 dans la région de recherche, il y a eu une accélération de la création de zones
de risque de glissement de terrain.

Cette étude a porté sur trois risques naturels dans le bassin versant du Tensift, une
région du Haut Atlas marocain présentant des caractéristiques de montagne et de plaine.
L'objectif était d'effectuer une modélisation multirisque pour comprendre les relations et
évaluer la susceptibilité aux glissements de terrain, aux érosions de ravines et aux risques
d'inondation dans la zone d'étude. À cette fin, six modèles ML ont été utilisés pour étudier les
inondations, l'érosion des ravines et les glissements de terrain : DT, RF, SVM, KNN, ANN et
XGBoost. L'analyse de (CM), (TOL), (VIF) et (MI) a permis de conclure que les facteurs
sélectionnés peuvent influencer les inondations, l'érosion des ravines et les glissements de
terrain dans le bassin versant de Tensift. Pour évaluer le succès des modèles, des ensembles
de données d'entraînement, de validation et des mesures d'évaluation ont été utilisés pour

205
évaluer les performances des modèles ML. L'exactitude, la précision, le rappel, le score F1,
l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et l'aire sous la
courbe caractéristique du récepteur (AUC-ROC) sont des exemples de mesure standard. Le
modèle XGBoost pour les trois risques a montré une précision moyenne de (AUC = 95,83 %)
et (AUC = 92,75 %) dans les phases de formation et de test, respectivement.

La prédiction spatiale du FS dépend de plusieurs variables d'influence. En raison de

leur colinéarité avec d'autres facteurs, qui réduit l'efficacité de la prédiction, TWI et SPI ont
été éliminés de l'ensemble initial de quinze composantes de cette étude. En outre, l'IM affirme
que l'élément le plus crucial est la distance par rapport à la rivière. Selon les résultats des
prédictions spatiales de (Al-Areeq et al. 2022 ; Meliho et al. 2022) concernant la FS, les zones
les plus critiques à une distance donnée de la rivière ont été considérées comme très
vulnérables aux inondations de forte densité. La plaine du Haouz étant située à faible altitude,
les résultats de la présente étude sont validés par la littérature scientifique antérieure,
notamment (Meliho et al. 2022), qui montre qu'une susceptibilité élevée est liée à l'altitude, à
la pente, à TPI et à TRI dans les rivières et les sous-bassins versants du Tensift, en particulier
les sous-bassins versants de l'Ourika, du Zat et de la Rheraya.

Les variables clés influençant l'érosion par ravinement dans la région de recherche
pour la prédiction spatiale des GES indiquent que les facteurs géologiques, représentés par la
lithologie et les facteurs topographiques, tels que la pente, le facteur LS et TPI, sont plus
significatifs que d'autres variables. Ce fait est principalement en accord avec les résultats de
(Baiddah et al. 2023) pour la lithologie et les variables LS dans le sous bassin de Chichaoua ;
son travail souligne également l'importance d'éléments supplémentaires tels que l'altitude et la
proximité des rivières. Le choix d'une zone mixte, qui compare les valeurs d'altitude en
combinant une zone de plaine, une zone de montagne et la zone large de la zone d'étude, peut
aider à comprendre cette divergence.

La combinaison de lithologies exceptionnellement très friables, telles que les argiles et

sédiments tertiaires et les marnes phosphatées néogènes, avec des altitudes élevées et peu de
végétation, en particulier sur les pentes raides et dans les zones où le couvert végétal est
endommagé, favorise l'apparition et le développement de ce type d'érosion (Arabameri et al.
2020 ; Bammou et al. 2024c). Enfin, la prédiction spatiale des résultats du LS démontre que
les cinq facteurs suivants - gradient de pente, hauteur, lithologie, proximité d'autoroutes et
proximité de rivières - sont critiques dans la détermination de la probabilité de glissements de

206
terrain. Les sols instables migrent le long des pentes sous l'action constante de la gravité et
des variables que sont l'inclinaison de la pente et l'altitude. Les collines plus pentues sont plus
susceptibles de provoquer des glissements de terrain. En plus d'affecter la stabilité des pentes,
les activités d'excavation liées à la construction ou à l'extension des réseaux routiers peuvent
augmenter le risque de glissements de terrain à proximité des autoroutes. La proximité des
cours d'eau est un autre facteur déterminant pour les glissements de terrain. La stabilité des
pentes à proximité des rivières est menacée par l'érosion des berges et des ravins, ce qui
augmente le risque de glissements de terrain dans ces endroits.

Comparé aux six autres modèles, le modèle XGBoost est plus précis, principalement
parce qu'il utilise tous les résultats des prédictions des apprenants de base, ce qui améliore son
taux de reconnaissance et sa capacité de généralisation. Lors de la détermination et de la
préservation du chemin d'action optimal, plusieurs techniques seront employées pour traiter
les valeurs manquantes qui peuvent s'être produites sur d'autres nœuds. XGBoost ajoute un
terme régulier à la fonction objective et autorise des fonctions de perte personnalisées, mais il
minimise également le modèle d'apprentissage et évite le surajustement, ce qui accélère
l'apprentissage. C'est pourquoi le modèle XGBoost produit en fin de compte de meilleurs
résultats de simulation, et la méthode basée sur XGBoost est pratique et efficace pour
cartographier la susceptibilité des glissements de terrain, des inondations et de l'érosion des
ravins.

L'utilisation de l'algorithme XGBoost, qui a montré d'excellentes capacités de

prédiction dans cette étude, présente de nombreux avantages. L'un d'entre eux est sa simplicité
de mise en œuvre, qui ne nécessite pas de prétraitement des données, et ses mécanismes
intégrés de traitement des données manquantes. En outre, l'algorithme utilise des techniques
de réduction des biais en combinant séquentiellement plusieurs apprenants faibles pour
améliorer la qualité des prédictions de manière itérative (Bashir et al. 2024a, b ; Benzougagh
et al. 2024 ; Zounemat-Kermani et al. 2021). Cette approche permet d'atténuer efficacement
les biais importants qui se produisent souvent dans les modèles ML. En outre, XGBoost
donne la priorité aux caractéristiques de la phase d'apprentissage qui contribuent à améliorer
la précision de la prédiction afin d'accroître l'efficacité des calculs. Cette caractéristique peut
être utile pour réduire les attributs des données et gérer efficacement les grands ensembles de
données.

207
Il est essentiel de savoir que la présence d'un danger peut entraîner l'apparition d'un autre.
Ainsi, la connaissance des aléas multiples, de leurs interrelations, de leurs liens et de leurs
effets en cascade peut accroître la prise de conscience de leurs processus et des meilleures
méthodes pour prévenir et réduire les pertes catastrophiques tout en favorisant une bonne
gestion des terres (Godschall et al. 2020 ; Msabi et Makonyo 2021 ; Ouallali et al. 2024). Les
cartes qui en résultent fournissent des informations essentielles pour préparer et surveiller les
activités anthropiques existantes et futures.

7.5 Conclusion

La recherche a largement contribué à la connaissance de la vulnérabilité des régions

du Nord et du Haut Atlas du Maroc face à différentes menaces. En raison de leur géographie
distincte et de leur population dense, ces régions montagneuses sont confrontées à un réseau
complexe de menaces naturelles. L'objectif principal était de fournir aux décideurs les
informations nécessaires pour identifier et délimiter les zones à haut risque. Cette recherche a
permis d'établir une carte de vulnérabilité multirisque complète intégrant les trois principaux
risques naturels.

Cette carte divise la zone de recherche en six zones de danger, représentant 71,03% de
la zone. Trois zones sont liées à des aléas spécifiques : la zone de risque de glissement de
terrain (0,56%), située dans les sous-bassins de Tensift escarpés et de haute altitude ; la zone
de risque d'érosion (36,05%), concentrée le long des grandes rivières comme le R'dat, le Zat et
l'Ourika ; et la zone de risque d'inondation (16,92%), qui affecte principalement les plaines du
Haouz et certains affluents du Haut-Atlas.

En outre, l'étude a montré qu'il existe trois zones - la zone de risque d'inondation et de
glissement de terrain (0,33 %), la zone de risque d'inondation et de ravinement (6,54 %) et la
zone de risque de glissement de terrain et de ravinement (10,59 %) - où deux types de risques
se chevauchent. Il est surprenant de constater que le Haut Atlas possède des zones
multirisques, notamment dans les bassins versants de l'Ourika et des N'fis, qui représentent
0,31% de la zone d'étude et qui sont affectés par les trois types de risques : glissements de
terrain, érosion par ravinement et inondations.

Le modèle d'apprentissage automatique XGBoost a fait preuve d'une fiabilité

exceptionnelle et a produit des prévisions précises pour plusieurs catégories de dangers. Notre
carte multirisque en est le résultat et a obtenu une moyenne impressionnante de (AUC =

208
95,83%) pendant la phase d'apprentissage et de (AUC = 92,75%) pendant la phase de test.
L'analyse multirisque est essentielle pour assurer une croissance durable dans ces régions
vallonnées et sujettes aux inondations, à mesure que les infrastructures et le développement
urbain et rural se développent. Sur la base de la carte des risques multirisques, des
recommandations politiques pour la gestion durable des terres et l'atténuation des risques
pourraient être proposées dans le contexte du paysage du Haut Atlas. L'élaboration de
stratégies visant à sensibiliser et à éduquer le public sur ces risques et sur l'importance d'une
gestion durable des terres pourrait également contribuer à une meilleure compréhension des
évaluations des risques multiples et à une gestion plus efficace des terres et de l'atténuation
des risques.

Bien qu'il s'agisse d'une étude pionnière dans le domaine de l'évaluation multirisque,
cette étude présente quelques limitations identifiées qui pourraient être rectifiées dans de
futures études de recherche. Tout d'abord, l'orientation géographique de l'étude pourrait
limiter l'applicabilité des résultats à d'autres régions présentant des conditions topographiques,
géologiques et météorologiques différentes. La réalisation d'études similaires dans diverses
zones géographiques pourrait valider l'applicabilité des modèles et permettre de comparer les
résultats. Les modèles de ML utilisés dans cette étude s'appuient sur des facteurs de causalité
dérivés de sources réputées et fiables. De futures études pourraient intégrer des données
dynamiques ou en temps réel dans les modèles de ML afin d'étudier le reflet des conditions
changeantes et d'améliorer la précision des prédictions. Enfin, cette étude ne tient pas compte
de la manière dont les changements dans les activités anthropogéniques pourraient avoir un
impact sur les trois dangers susmentionnés. Il est fortement encouragé d'intégrer dans les
modèles ML des études approfondies sur la manière dont les changements dans les activités
anthropiques telles que l'urbanisation, la déforestation et la dynamique de l'utilisation des
terres pourraient avoir un impact sur les glissements de terrain, l'érosion des sols et les risques
d'inondation.

209
 CHAPITRE VIII
SYNTHESE ET DISCUSSIONS

210
7.4 Résultats et discussions

Cette section met l'accent sur les approches utilisées et les résultats de ces méthodes
pour estimer l'évolution et quantifier les pertes de sol actuelles et futures, ainsi que pour
établir les cartes de susceptibilité aux inondations, à l'érosion par ravinement, aux glissements
de terrain et aux risques multiples dans le Haut Atlas marocain (bassin de Tensift et plaine de
Haouz).

7.4.1 Pertes de sol et érosion par ravinement

La quantification de l’évolution des pertes de sol dans la plaine du Haouz a été réalisée
en utilisant une approche basée sur l'Équation Universelle Révisée des Pertes en Sol (RUSLE)
pour les années 1990, 2002 et 2020. Cette étude visait à identifier les caractéristiques et les
variations de l'érosion des sols sous les effets combinés des facteurs climatiques et des
changements d'utilisation des terres. Le taux d'érosion du sol dans la zone d'étude a évolué à
différents niveaux, estimé à 9,84 %, 13,76 % et 14,32 % en 1990, 2002 et 2020,
respectivement. Des informations détaillées sur la méthodologie, la zone d'étude, les
ensembles de données d'entrée et les résultats peuvent être consultées dans la publication 3 en
annexes.

La projection future de l’érosion hydrique en 2040, selon les scénarios (RCP 2.6 et
RCP 8.5) et les cinq modèles de circulation générale (GCM), à savoir CNRM-CM6-1, EC-
Earth3-veg, HadGEM-GC3I-LL, IPSL-CM6A-LR et MPI-ESMI-2-LR, montre un impact
négatif de la composante climatique, utilisant l’approche d'analyse multicritère hiérarchique
(AHP) basée sur des experts. L’AHP a été utilisé pour dériver les poids et obtenir les cartes de
susceptibilité.

Le modèle de régression linéaire prédictif du facteur R montre une précision de 0,80.

Selon les cinq GCM et les deux RCP, les cartes du facteur R prévu et de l'érosion hydrique
associée en 2040 révèlent que la valeur R élevée se situe principalement dans la moitié nord
de la région d'étude, dans les contreforts du Haut Atlas. C'est dans le Haouz oriental que les
cinq GCM et les deux RCP diffèrent le plus en termes de facteur R en 2040.

Les cinq modèles climatiques futurs et les prévisions des deux RCP concernant
l'érosion hydrique des sols indiquent une augmentation pour l'année 2040. Selon les modèles

211
RCP2.6 et RCP8.5, l'érosion hydrique moyenne des sols est estimée à 4,41 et 5,31 t/ha/an,
avec des zones de perte de sol projetées de 1489,51 et 2186,18 km², respectivement. Des
informations détaillées sur la méthodologie, la zone d'étude, les ensembles de données
d'entrée et les résultats peuvent être consultées dans la publication 4 en annexes.

Les techniques d'apprentissage automatique (ML) ont été employées pour évaluer la
susceptibilité à l'érosion de ravinement dans le bassin versant de Tensift et la plaine du Haouz,
afin de déterminer une approche globale et d'obtenir une carte de susceptibilité à l'érosion de
ravinement pour la région. Sept algorithmes d'apprentissage automatique ont été choisis et
testés, à savoir RF, SVM, LR, ANN, KNN, DT et XGBoost. Les cartes de susceptibilité ont
été standardisées pour simplifier les évaluations en utilisant un schéma de classification
général de cinq catégories de susceptibilité. Cette méthode produit des cartes de susceptibilité
à l'érosion de ravinement présentant un schéma spatial général similaire. La configuration de
modélisation de chaque modèle entraîne également des différences dans l'aspect spatial d'un
modèle à l'autre.

Comparativement, tous les modèles ont montré des performances élevées, avec des
précisions variant entre (AUC-ROC = 78,60 % et 93,13 %). Les variables importantes
affectant l'érosion par ravinement dans notre zone d'étude, dérivées de l'analyse de
l'information mutuelle, montrent que les facteurs topographiques, tels que la pente, le facteur
LS et TPI, ainsi que les facteurs géologiques représentés par la lithologie, sont plus importants
que les autres variables. Ce constat est largement en accord avec les résultats obtenus dans le
sous-bassin de Chichaoua par Baiddah et al. (2023) concernant les facteurs de LS et de
lithologie. Cette étude montre également l'importance d'autres facteurs, tels que la distance
aux rivières et l'altitude. Cette différenciation peut être expliquée par le choix d'une zone
mixte présentant un contraste entre les valeurs d'altitude, mariant une zone de plaine et de
montagne, et par la grande superficie de notre zone d'étude.

Pour chaque région sensible, l'effet de chaque facteur de conditionnement diffère et

dépend de la catégorie de susceptibilité. Comprendre l'influence de chaque facteur de
conditionnement sur la carte de susceptibilité dérivée est crucial et aide les décideurs à
planifier des mesures d'atténuation.

212
7.4.2 Inondations

La susceptibilité aux inondations pour le bassin versant de Tensift et la plaine du

Haouz a été évaluée en utilisant des techniques d'apprentissage automatique (ML) afin de
développer une approche d'ensemble pour obtenir une carte de susceptibilité aux inondations
pour la région. Sept algorithmes d'apprentissage automatique, à savoir RF, SVM, LR, ANN,
KNN, DT et XGBoost, ont été sélectionnés et testés. Les cartes de susceptibilité résultantes
ont été normalisées pour faciliter les évaluations selon un schéma de classification général de
cinq catégories de susceptibilité. Les cartes de susceptibilité aux inondations générées par
cette approche présentent un schéma spatial général similaire. Cependant, en raison des
configurations de modélisation propres à chaque algorithme, l'aspect spatial diffère d'un
modèle à l'autre.

Comparativement, les modèles basés sur les algorithmes XGBoost et RF se sont

révélés plus performants, avec un AUC-ROC de 93 %, tandis que les cinq autres modèles ont
montré une précision légèrement inférieure, variant entre 87,56 % et 92,29 %.

Dans la plupart des recherches et des études, des ensembles de données de test ont été
utilisés pour évaluer la fiabilité des modèles d'inondation. Selon Janizadeh et al. (2021) et
Sestras et al. (2023), la prédiction spatiale des zones à risque d'inondation est liée à la
probabilité de différentes cartes thématiques de risque d'inondation. De plus, d'autres
recherches ont examiné l'impact des facteurs géoenvironnementaux et les avantages des
différents algorithmes d'apprentissage automatique dans la cartographie de la susceptibilité
aux inondations dans diverses régions du monde touchées par ce phénomène.

L'impact de chaque facteur de conditionnement varie selon chaque région sensible et

dépend de la catégorisation de la susceptibilité. Comprendre l'influence de chaque facteur sur
la carte de susceptibilité dérivée est crucial et aide les décideurs à planifier des mesures
d'atténuation.

7.4.3 Glissement de terrain

La cartographie de la susceptibilité aux glissements de terrain a été réalisée pour les

sous-bassins versants de Tensift et la route nationale numéro 9 de Tizi N’tichka en utilisant
des approches par pixel, notamment le rapport de fréquence (FR) et des algorithmes
d'apprentissage automatique (ML) basés sur des données. L'approche FR a été utilisée pour

213
déterminer les poids de 13 facteurs de conditionnement sélectionnés pour cette étude et pour
obtenir les cartes de susceptibilité. Dans l'approche combinant le modèle de rapport de
fréquence (FR) et le taux de prédiction (PR) basé sur des objets, les poids dérivés du FR ont
été agrégés pour produire la carte de susceptibilité pour la route nationale numéro 9 de Tizi
N’tichka. D'après les résultats, cette approche axée sur les données centrées sur chaque pixel a
donné une précision de 92,30 % (AUC-ROC).

En outre, sept algorithmes d'apprentissage automatique, à savoir RF, SVM, LR, ANN,
KNN, DT et XGBoost, ont été sélectionnés et utilisés pour cartographier la susceptibilité aux
glissements de terrain dans les sous-bassins de Tensift. Le modèle basé sur l'algorithme
XGBoost a montré la meilleure performance, avec une AUC-ROC de 93,41 %, tandis que les
six autres modèles ont présenté des précisions moins performantes et similaires, variant entre
70,59 % et 91,09 % (AUC-ROC).

Les résultats de cette recherche démontrent qu'une carte de susceptibilité au niveau des
sous-bassins peut être dérivée avec une meilleure précision, ce qui peut être bénéfique pour
les fonctionnaires et les gestionnaires de catastrophes. Cela peut également soutenir une
meilleure planification pour mettre en œuvre des mesures d'atténuation en se concentrant sur
des régions spécifiques.

7.4.4 Evaluation des risques multiples (Multirisques)

Le Maroc central a été confronté à plusieurs risques naturels majeurs, tels que les
inondations, l’érosion hydrique et les glissements de terrain, qui ont entraîné des pertes
considérables. En réponse, une carte de susceptibilité multirisque a été établie pour la région
en utilisant des approches d'apprentissage automatique centrées sur ces trois géorisques. Les
cartes de susceptibilité, basées sur l’algorithme XGBoost, qui a montré les meilleures
performances, ont été normalisées pour créer un schéma de catégorisation à des fins
d'évaluation.

Les cartes de susceptibilité pour les risques d'inondation, d’érosion de ravinement et

de glissement de terrain ont été dérivées en tenant compte des facteurs de conditionnement
influents pour le bassin versant de Tensift et la plaine du Haouz, avec les cinq catégories
habituelles de susceptibilité. Les résultats montrent que l’approche XGBoost a produit des
résultats similaires pour les trois types de risques, avec des précisions comparables.
Cependant, le modèle XGBoost s'est avéré plus précis que les six autres modèles,
214
principalement parce qu'il intègre les résultats de prédiction de tous les apprenants de base,
augmentant ainsi son taux de reconnaissance et sa capacité de généralisation.

Lors de l'apprentissage et de la modélisation, différentes méthodes seront utilisées

pour traiter les valeurs manquantes sur les divers nœuds. De plus, XGBoost prend en charge
la fonction de perte personnalisée et ajoute un terme de régularisation à la fonction objective,
ce qui évite le surajustement et simplifie le modèle, améliorant ainsi son efficacité
d'apprentissage. Par conséquent, le modèle XGBoost produit des résultats de simulation
supérieurs, et son utilisation pour cartographier la susceptibilité aux inondations, aux
glissements de terrain et à l'érosion des ravines s'est révélée efficace.

Pour établir les cartes de susceptibilité aux risques multiples, la carte résultante de
XGBoost a été classée en trois catégories : faible, modérée et élevée. Ensuite, ces cartes de
susceptibilité ont été superposées et croisées pour visualiser et catégoriser les zones de
susceptibilité aux multirisques. Ainsi, on peut conclure que, dans cette zone spécifique, le
modèle XGBoost a donné de meilleurs résultats que les modèles RF, SVM, LR, ANN, KNN
et DT.

Le choix du nombre de facteurs de conditionnement a un impact significatif sur la

carte de susceptibilité dérivée ; un plus grand nombre de facteurs peut augmenter la précision
du modèle, bien que cela dépende de la zone sélectionnée, de la disponibilité des données sur
ces facteurs et des configurations du modèle utilisées. En outre, une résolution plus élevée des
ensembles de données d'entrée pourrait également influencer les résultats de la carte de
susceptibilité.

Cette carte de susceptibilité multirisque constituera un outil précieux pour les autorités
locales, leur permettant de mieux planifier et mettre en œuvre des mesures de gestion et
d'atténuation adaptées à la région. Des informations détaillées sur la méthodologie, la zone
d'étude, les ensembles de données d'entrée et les résultats peuvent être consultées dans les
parties I, II et III.

215
CONCLUSION GENERALE

216
6. Conclusions générales

Les travaux de recherche menés dans le cadre de cette thèse de doctorat ont permis
d'apporter des réponses approfondies aux questions de recherche énoncées dans la section 2.2.

Les principales découvertes sont : Réponse à la question de recherche 1 : Pourquoi est-

il nécessaire de procéder à une évaluation actuelle et future des pertes des sols ? Les résultats
présentés dans les publications P3 et P4 ont mis en évidence une variabilité spatio-temporelle
importante des taux d'érosion des sols dans la zone d’étude. Cette variabilité est
principalement liée aux variations climatiques et aux changements d'occupation des terres.
L'étude a également permis d'évaluer l'impact potentiel du changement climatique sur
l'érosion des sols à l'horizon 2040, selon deux scénarios RCP (RCP 2.6 et RCP 5.8).
Cette analyse prospective, basée sur la modélisation avec l'équation universelle des pertes des
sols (RUSLE) et complétée par une analyse multicritère de type processus analytique
hiérarchique (AHP), permet d'anticiper les tendances futures de l'érosion. Ces résultats sont
essentiels pour aider les décideurs et les gestionnaires à mieux comprendre les défis potentiels
en termes de dégradation des sols auxquels la région sera confrontée. Cela facilitera la
planification et la mise en œuvre de stratégies d'adaptation et d'atténuation appropriées, telles
que des pratiques de conservation des sols, des programmes de reboisement, des politiques de
gestion des eaux de pluie et des mesures de régulation de l'utilisation des terres.
Par ailleurs, cette évaluation approfondie des pertes actuelles et futures des sols fournit une
base solide pour sensibiliser le public et mobiliser les parties prenantes autour de la nécessité
de protéger cette ressource naturelle vitale. En mettant en lumière les impacts potentiels de
l'érosion des sols sur l'agriculture, l'environnement et la société, cette thèse contribue ainsi à
renforcer l'engagement en faveur de pratiques de gestion durable des terres.
Au-delà de ces résultats, les travaux de recherche réalisés dans le cadre de cette thèse ouvrent
également de nouvelles perspectives pour approfondir la compréhension des processus
d'érosion des sols et développer des outils d'aide aux décisions plus performantes pour une
gestion efficace de cette problématique. En somme, l'évaluation actuelle et future des pertes
des sols est essentielle pour informer les décisions politiques, guider les actions de
conservation des terres et mobiliser les efforts collectifs visant à protéger les sols et à assurer
la durabilité des systèmes naturels et agricoles dans la région et au-delà.
Pour la question de recherche 3 : Quels sont les facteurs de causalité et de déclenchement des
phénomènes étudiés et quelle importance relative doit être accordée à chacun de ces facteurs ?

217
Les résultats présentés dans les sections P1, P2, P5, P6 et P7 démontrent l'importance et
l'impact de plusieurs facteurs de causalité et de déclenchement qui doivent être pris en compte
pour la cartographie de la susceptibilité aux glissements de terrain, aux inondations et à
l'érosion des ravins. L'importance relative de chaque facteur dépendra de la région spécifique
étudiée et de ses caractéristiques géographiques, géologiques, climatiques et anthropiques.
Les approches intégrées utilisées dans cette étude ont permis d'évaluer le poids relatif de ces
différents facteurs, afin de mieux prévenir et atténuer les risques naturels dans cette région.
Des pistes de recherche complémentaires sont envisageables, en explorant d'autres domaines
connexes ou en intégrant des variables additionnelles pertinentes, telles que l'activité sismique
et les caractéristiques piézométriques de la région d'étude. Cette approche élargie permettrait
d'obtenir une compréhension plus holistique des interactions entre les différents facteurs
influençant les phénomènes étudiés, offrant ainsi une perspective plus complète sur la
vulnérabilité de la région aux risques géologiques. La prise en compte de ces variables
supplémentaires pourrait permettre d'affiner les modèles et d'accroître la robustesse des
résultats, renforçant ainsi l'applicabilité des conclusions au-delà du contexte initial de la thèse.
Question de recherche 4 : Pourquoi est-il nécessaire de procéder à une évaluation multirisque
plutôt qu'à une approche mono-risque et quels en sont les avantages ?
Les résultats présentés dans la section P7 démontrent que l'évaluation multirisque fournit une
analyse plus complète que l'évaluation d'un seul aléa lorsqu'il y a plus d'un aléa naturel dans
un endroit particulier. L'approche de classification intégrée employée a permis d'établir des
cartes de susceptibilité multirisques pour les inondations, l'érosion des ravins et les
glissements de terrain dans le bassin versant de Tensift et la plaine du Haouz. Cette
méthodologie offre de meilleures mesures d'atténuation et de prévention que l'approche
mono-risque.
Les cartes de susceptibilité aux aléas multiples fournissent aux gestionnaires, aux autorités de
gestion des catastrophes et aux autorités régionales une méthodologie améliorée qui peut être
utilisée pour élaborer des mesures d'atténuation des inondations, de l'érosion des ravins, des
glissements de terrain et des risques multiples dans la région. Cette méthode est très utile pour
formuler des actions globales, en se concentrant spécifiquement sur les zones les plus
sensibles aux risques multiples, plutôt que de prévoir des actions pour un risque naturel
spécifique. Se concentrer sur un seul risque naturel est bénéfique si la région ne présente
qu'un seul risque, mais si la région présente plusieurs risques naturels, l'approche multirisque
offre de meilleures mesures de gestion, permettant de réduire les dommages et les pertes dans
la région.

218
En ce qui concerne la question de recherche n°5 : Comment évaluer la nature
multidimensionnelle des risques naturels, en particulier pour la cartographie de la
vulnérabilité ?
Les cartes de susceptibilité jouent un rôle essentiel dans l'évaluation des risques liés aux aléas
naturels. Pour mieux comprendre le risque lié à chaque aléa naturel et développer des
méthodologies d'évaluation appropriées, il est important d'adopter une approche adéquate et
d'identifier les principaux facteurs d'influence. Les études P1, P4, P5 et P6 décrivent
l'utilisation de l'apprentissage automatique ainsi que l'analyse par forêts aléatoires (RF) et
régression logistique (PR) afin d'optimiser la précision de la cartographie de la susceptibilité
aux glissements de terrain, aux inondations et à l'érosion des ravins. De plus, P4, P5 et P6
démontrent l'introduction de nouvelles approches basées sur la comparaison d'algorithmes
d'apprentissage automatique pour l'évaluation des risques naturels, en particulier pour la
cartographie de la susceptibilité aux glissements de terrain, aux inondations et à l'érosion des
ravins. Ces études ont révélé que les approches basées sur ces algorithmes donnaient de
meilleurs résultats, avec des valeurs d'AUC-ROC variant entre 70,59% et 93,41% pour les
glissements de terrain, 87,56% et 93% pour les inondations, et 78,60% et 93,13% pour
l'érosion des ravins. De plus, l'approche basée sur le rapport de fréquence (FR) appliquée dans
la région de Tizi N'Tichka a également donné une bonne précision avec un AUC-ROC de
l'ordre de 92,30%.
Pour la question de recherche n° 6 : Comment la vulnérabilité aux différents risques naturels
peut-elle être prise en compte au moyen d'une méthodologie générique ?
La cartographie de la susceptibilité a été abordée pour divers risques naturels à l'aide de
différentes méthodologies basées principalement sur l'apprentissage automatique. La
configuration du modèle, la sélection des facteurs d'influence et des variables ont un impact
sur le fonctionnement et la précision du modèle ainsi que sur les résultats. Diverses
approches, telles que les forêts aléatoires (RF) et la régression logistique (PR), ont été
utilisées dans différentes régions. Les approches RF et PR basées sur les objets, utilisées dans
P1 pour la cartographie de la susceptibilité aux glissements de terrain dans une région
géographique montagneuse, ont montré que cette méthodologie pouvait être utilisée comme
technique standard pour la cartographie de la susceptibilité. Il n'existe pas de recherches
significatives sur la cartographie de la susceptibilité pour un aléa spécifique ou un aléa
multiple à grande échelle au Maroc et plus particulièrement dans le Haut Atlas de Marrakech.
Les principaux risques naturels fréquemment observés dans le bassin versant du Tensift et la
plaine du Haouz sont les glissements de terrain, l'érosion des ravins et les inondations. Les

219
modèles d'apprentissage automatique ont été utilisés pour établir les premières cartes de
susceptibilité aux glissements de terrain, à l'érosion des ravins et aux inondations à l'échelle
du bassin versant, en incluant tous les facteurs d'influence pertinents et disponibles.
En conclusion, cette thèse fournit une cartographie de la susceptibilité aux risques naturels et
la quantification de l'évolution des pertes de sol face aux changements climatiques, pour le
bassin versant du Tensift et la plaine du Haouz, au Maroc central, en se concentrant sur les
inondations, l'érosion des ravins et les glissements de terrain. Plus précisément, elle présente
plusieurs approches basées sur l'apprentissage automatique pour la cartographie de la
susceptibilité, qui peuvent être appliquées pour produire des cartes de susceptibilité à un seul
risque (inondation, érosion des ravins et glissement de terrain) ou à plusieurs risques. De plus,
l'approche basée sur le rapport de fréquence (FR) et la régression logistique (PR) pour la
cartographie de la susceptibilité aux glissements de terrain, adoptée au niveau de Tizi
N'Tichka, ainsi que l'approche AHP adoptée au niveau de la plaine du Haouz pour quantifier
les pertes en intégrant les données sur les changements climatiques, sont également
présentées.
Cette recherche avait pour objectif global d'évaluer l'utilisation de l'expertise de la
géoinformatique pour les évaluations multirisques. Elle a présenté plusieurs approches qui
peuvent être utilisées pour diverses évaluations des risques naturels, en se concentrant sur la
cartographie de la susceptibilité.
Les principaux résultats de cette thèse sont les suivants : (i) Cartographie de la susceptibilité
aux glissements de terrain, à l'érosion du ravinement, aux inondations et aux risques multiples
au niveau du bassin versant Tensift et de la plaine du Haouz. Ces cartes de susceptibilité
spécifiques à la région permettront d'améliorer les mesures de gestion des risques. (ii)
Évaluation de l'évolution des pertes de sols face aux changements climatiques, avec une
bonne précision. Ces résultats pourront être utilisés par les planificateurs et les décideurs pour
mettre en place des mesures d'atténuation dans les zones sensibles.
Cependant, la sélection et la performance d'un modèle d'apprentissage automatique dépendent
de plusieurs facteurs, tels que la disponibilité des données, les échantillons d'entraînement et
la sélection des variables. Il n'est donc pas possible de dire qu'un certain modèle ML est
approprié pour une région particulière, car cela dépend de nombreux éléments.
Contrairement aux méthodes décisionnelles multicritères, les modèles d'apprentissage
automatique ne nécessitent pas d'expertise de domaine ni d'experts pour dériver les
pondérations.

220
Enfin, le cadre présenté dans cette thèse indique la nécessité de poursuivre des recherches, en
se concentrant notamment sur la cartographie de la vulnérabilité et les évaluations intégrées
des risques combinant les dangers, l'exposition et la vulnérabilité pour les dangers simples et
multiples.

Annexe

1. Carte de susceptibilité aux glissements de terrain.

2. Carte de la susceptibilité à l'érosion par ravinement.

3. Carte de susceptibilité aux inondations.

4. Carte de susceptibilité aux risques multiples.

5. Cartes des pertes de sol actuelles et futures (2040).

221
Références

* Aarab & Beauchamp, 1987. Le magmatisme carbonifere pré-orogénique des Jebilet centrales
(Maroc).Précisions pétrographiques et sédimentaires. Implications géodynamiques." C. R. [Link]. Paris. II,
* Abdelfattah, A., Demehati, A., El Qandil, M., 2019. Landslide Susceptibility Assessment Using Evidence Belief
Function and Frequency Ratio Models in Taounate city (North of Morocco). Geotech. Geol. Eng. 37, 5457-5471.
[Link] 019-00992-0.
* 2020 Global Natural Disaster Assessment Report-China. [Link] china/0-global-natural-
disaster-assessment-report / (Accessed 20 April 3).
* 2021. Detailed analysis of spatial-temporal variability of rainfall erosivity and erosivity density in the central and
southern Pannonian basin. Sustainability 13 (23), 13355. [Link]
* 2023. The contribution of the frequency ratio model and the prediction rate for the analysis of landslide risk in
the Tizi N'tichka area on the national road (RN9) linking Marrakech and Ouarzazate. Catena 232, 107464.
[Link] catena.2023.107464.
* A spatially explicit deep learning neural network model for the prediction of landslide susceptibility. Catena 188,
104451. [Link] catena.2019.104451.
* Abdulrazzak M, Elfeki A, Kamis A, Kassab M, Alamri N, Chaabani A, Noor K (2019) Flash flood risk assessment
in urban arid environment: case study of Taibah and Islamic universities' campuses, Medina, Kingdom of Saudi
Arabia. Geomat Nat Hazards Risk 10(1):780-796. [Link] 19475705.2018.1545705
* Ageenko, A., Hansen, L., Lyng, K., Bodum, L., & Jokar Arsanjani, J. (2022). Landslide Susceptibility Mapping
Using Machine Learning: A Danish Case Study. ISPRS International Journal of Geo-Information, 11, 324.
[Link]
* Ahmadlou M, Karimi M, Alizadeh S, Shirzadi A, Parvinnejhad D, Shahabi H, Panahi M (2019) Flood
susceptibility assessment using integration of adaptive network-based fuzzy inference system (ANFIS) and
biogeography-based optimization (BBO) and BAT algorithms (BA). Geocarto Int 34(11):1252-1272.
[Link]
* Ahmed, I.A., Talukdar, S., Baig, M.R.I., Shahfahad, Ramana G.V., Rahman, A., 2024. Quantifying soil erosion
and influential factors in Guwahati's urban watershed using statistical analysis, machine and deep learning.
Remote Sens. Appl.: Society and Environment 33, 101088. [Link]
* Al-Areeq AM, Abba S, Yassin MA, Benaafi M, Ghaleb M, Aljundi IH (2022) Computational machine learning
approach for flood susceptibility assessment integrated with remote sensing and GIS tech- niques from Jeddah.
Saudi Arabia Remote Sens 14(21):5515. [Link]
* Alexakis D, Hadjimitsis D, Agapiou A (2013) Integrated use of remote sensing, GIS and precip- itation data for
the assessment of soil erosion rate in the catchment area of Yialias in Cyprus. Atmos Res 131:108-124.
[Link]
* Alkhasawneh, M. (2014). Landslide Hazard Mapping of Penang Island Using Poisson Distribution with Dominant
Factors. Journal of Civil Engineering Research. [Link]

222
* Almeida, W. S. de, Seitz, S., Oliveira, L. F. C. de, & Carvalho, D. F. de. (2021). Duration and intensity of rainfall
events with the same erosivity change sediment yield and runoff rates. International Soil and Water Conservation
Research, 9, 69-75. [Link]
* Al-Najjar H. A. H., & Pradhan B. (2021). Spatial landslide susceptibility assessment using machine learning
techniques assisted by additional data created with generative adversarial networks. Geoscience Frontiers, 12(2),
625-637. [Link]
* Al-Quraishi AMF (2003) Soil erosion risk prediction with RS and GIS for the Northwestern Part of Hebei
Province, China. Pakistan J Appl Sci 3(10-12):659-669
* Al-Quraishi AMF, Negm AM (2020) Environmental remote sensing and GIS in Iraq. Springer Water, Springer,
Cham. ISBN: 978-3-030-21343-5
* Althuwaynee, O. F., Pradhan, B., & Lee, S. (2016). A novel integrated model for assessing landslide
susceptibility mapping using CHAID and AHP pair-wise comparison. International Journal of Remote Sensing,
37(5), 1190-1209. [Link]
* Althuwaynee, O. F., Pradhan, B., Park, H.-J., & Lee, J. H. (2014). A novel ensemble bivariate statistical
evidential belief function with knowledge-based analytical hierarchy process and multivariate statistical logistic
regression for landslide susceptibility mapping. CATENA, 114, 21-36.
[Link]
* Al-Zuhairi, M., Pradhan, B., & Bui, D. (2019). Systematic sample subdividing strategy for training landslide
susceptibility models. CATENA, 187, 104358. [Link]
* Amare, S., Langendoen, E., Keesstra, S., Ploeg, M. van der, Gelagay, H., Lemma, H., & Zee, S. E. A. T. M. van
der. (2021). Susceptibility to Gully Erosion?: Applying Random Forest (RF) and Frequency Ratio (FR)
Approaches to a Small Catchment in Ethiopia. Water, 13(2), Article 2. [Link]
* Anjos L, Gaistardo CC, Deckers J, Dondeyne S, Eberhardt E, Gerasimova M et al (2015) World refer- ence
base for soil resources 2014 International soil classification system for naming soils and creat- ing legends for soil
maps.
* Aouragh, M.H., Ijlil, S., Essahlaoui, N., Essahlaoui, A., El Hmaidi, A., El Ouali, A., Mridekh, A., 2023. Remote
sensing and GIS-based machine learning models for spatial gully erosion prediction: a case study of Rdat
watershed in Sebou basin, Morocco. Remote Sens. Appl.: Society and Environment 30, 100939. [Link]
org/10.1016/[Link].2023.100939.
* Apaydin H, Feizi H, Sattari MT, Colak MS, Shamshirband S, Chau K-W (2020) Comparative analysis of
recurrent neural network architectures for reservoir inflow forecasting. Water 12(5):1500. https://
[Link]/10.3390/w12051500
* Arabameri, A., Chandra Pal, S., Costache, R., Saha, A., Rezaie, F., Seyed Danesh, A., Hoang, N.-D., 2021.
Prediction of gully erosion susceptibility mapping using novel ensemble machine learning algorithms. Geomatics,
Nat. Hazards Risk 12 (1), 469-498. [Link]
* Arabameri, A., Tiefenbacher, J.P., Blaschke, T., Pradhan, B., Tien Bui, D., [Link] analysis for soil

223
erosion susceptibility mapping using novel GIS-based ensemble model. Rem. Sens. 12 (5), 874.
[Link]
* Arakawa, Y., et al., 2021. Kyushu and Okinawa Regions. In: Hatano, R., Shinjo, H., Takata, Y. (Eds.), The Soils
of Japan. World Soils Book Series. Springer, Singapore. [Link]
* Aryal SK, Silberstein RP, Fu G, Hodgson G, Charles SP, McFarlane D (2020) Understanding spatio- temporal
rainfall-runoff changes in a semi-arid region. Hydrol Process 34(11):2510-2530. https://
[Link]/10.1002/hyp.13744
* Asenso-Okyere, K., & Jemaneh, S. (2012). Increasing Agricultural Productivity and Enhancing Food Security in
Africa: New Challenges and Opportunities. Intl Food Policy Res Inst.
* Avand, M., Janizadeh, S., Naghibi, S.A., Pourghasemi, H.R., Khosrobeigi Bozchaloei, S., Blaschke, T., 2019. A
comparative assessment of random forest and k-nearest neighbor classifiers for gully erosion susceptibility
mapping. Water 11 (10), 2076. [Link]
* Ayalew, L., Yamagishi, H., 2005. The application of GIS-based logistic regression for landslide susceptibility
mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology 65 (1), 15-31.
[Link]
* Bag R, Mondal I, Dehbozorgi M, Rakhohori BSP, Das DN, Bandyopadhyay J, Pham QB, Al- Quraishi AMF,
Nguyen XC (2022) Modelling and mapping of soil erosion susceptibility using machine learning in a tropical hot
sub-humid environment. J Clean Prod 364:132428. https:// [Link]/10.1016/[Link].2022.132428
* Bagarello V, Stefano C, Di, Ferro V, Pampalone V (2017) Catena Pre- dicting maximum annual values of event
soil loss by USLE-type models. CATENA 155:10-19. [Link] catena.2017.03.002
* Baiddah, A., Krimissa, S., Hajji, S., Ismaili, M., Abdelrahman, K., El Bouzekraoui, M., Eloudi, H., Elaloui, A.,
Khouz, A., Badreldin, N., & Namous, M. (2023). Head-cut gully erosion susceptibility mapping in semi-arid region
using machine learning methods: Insight from the high atlas, Morocco. Frontiers in Earth Science, 11.
[Link]
* Bammou Y, Benzougagh B, Bensaid A, Igmoullan B, Al-Quraishi AMF (2023a) Mapping of current and future
soil erosion risk in a semi-arid context (Haouz plain-Marrakech) based on CMIP6 climate models, the analytical
hierarchy process (AHP) and RUSLE. Model Earth Syst Environ 1-14. [Link]
9
* Bammou Y, Bouskri I, Brahim B, Kader S, Brahim I, Abdelkrim B, Spalevic V (2023b) The contribution of the
frequency ratio model and the prediction rate for the analysis of landslide risk in the Tizi N'tichka area on the
national road (RN9) linking Marrakech and Ouarzazate. CATENA 232:107464.
[Link]
* Bammou, Y., Benzougagh, B., Igmoullan, B., Ouallali, A., Kader, S., Spalevic, V., Sestras, P., Billi, P., &
Markovic, S. B. (2024). Optimizing flood susceptibility assessment in semi-arid regions using ensemble
algorithms: A case study of Moroccan High Atlas. Natural Hazards, 120(8), 7787-7816.
[Link]

224
* Bammou, Y., Brahim, B., Ouallali, A., Brahim, I., Kader, S., Spalevic, V., Sestras, P., & Ercisli, S. (2024).
Machine learning models for gully erosion susceptibility assessment in the Tensift catchment, Haouz Plain,
Morocco for sustainable development. Journal of African Earth Sciences, 213, 105229.
[Link]
* Barakat, A., Rafai, M., Mosaid, H., Islam, M.S., Saeed, S., 2023. Mapping of water- induced soil erosion using
machine learning models: a case study of Oum Er Rbia Basin (Morocco). Earth Systems and Environment 7 (1),
151-170. [Link] 10.1007/s41748-022-00317-X.
* Bashir, O., Bangroo, S.A., Shafai, S.S., Senesi, N., Kader, S., Alamri, S., [Link] modeling
approach for studying total soil nitrogen and phosphorus under various land uses of North-Western Himalayas.
Ecol. Inf. 80, 102520. [Link]
* Baumhardt, R. L., Stewart, B., & Sainju, U. (2015). North American Soil Degradation: Processes, Practices, and
Mitigating Strategies. Sustainability, 7, 2936-2960. [Link]
* Beauchamp, J., and Petit, J.P., 1981. Sédimentation et déformations synsédimentaires au Carbonifère inférieur
dans le Haut Atlas de Marrakech; généralité des glissements intraviséens dans le domaine atlas-Mésétien: Paris,
Académie des Sciences, Comptes Rendus, v. 293, II, p.707-7r0.
* Beden N, Ulke Keskin A (2021) Flood map production and evaluation of flood risks in situations of insufficient
flow data. Nat Hazards 105(3):2381-2408. [Link]
* Benkirane M, Laftouhi N-E, El Mansouri B, Salik I, Snineh M, El Ghazali FE et al (2020) An approach for flood
assessment by numerical modeling of extreme hydrological events in the Zat watershed (High Atlas, Morocco).
Urban Water J 17(5):381-389. [Link]
* Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing?: A review of applications and future
directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31.
[Link]
* Benavidez R, Jackson B, Maxwell D, Norton K (2018) A review of the (revised) Universal Soil loss equation ((R)
USLE): with a view to increasing its global applicability and improving soil loss estimates. Hydrol Earth Syst Sci
22(11):6059-6086. [Link] org/10.5194/hess-22-6059-2018
* Benmansour M, Mabit L, Nouira A, Moussadek R, Bouksirate H, Duchemin M, Benkdad A (2013) Assessment
of soil erosion and deposition rates in a Moroccan agricultural feld using fallout 137Cs and 210Pbex. J Environ
Radioact 115:97-106. [Link] 07.013
* Bennani O, Druon E, Leone F, Tramblay Y, Saidi MEM (2019) A spatial and integrated flood risk diagnosis:
relevance for disaster prevention at Ourika valley (High Atlas-Morocco). Disaster Prev Manag Int J 28(5):548-564.
[Link]
* Benzer N (2010) Using the geographical information system and remote sensing techniques for soil erosion
assessment. Pol J of Environ Stud 19(5):881-886
* Benzougagh B, Boudad Larbi P, Dridri Abdallah P, Driss S (2016) Utilization of GIS in morpho- metric analysis
and prioritization of sub-watersheds of Oued Inaouene (Northeast Morocco). Europ Sci J 12(6).

225
[Link]
* Benzougagh B, Dridri A, Boudad L, Kodad O, Sdkaoui D, Bouikbane H (2017) Evaluation of natural hazard of
Inaouene watershed river in Northeast of Morocco: application of morphometric and geographic information
system approaches. Int J Innov Appl Stud 19(1):85
* Benzougagh B, Meshram SG, Fellah BE, Mastere M, El Basri M, Ouchen I, Turyasingura B (2023) Mapping of
land degradation using SAM approach: the case of Inaouene watershed (Northeast Morocco). Model Earth Syst
Environ [Link]
* Benzougagh, B., Meshram, S. G., Abdallah, D., Larbi, B., Drisss, S., Khalid, M., & Khedher, K. M.
(2020).Mapping of soil sensitivity to water erosion by RUSLE model: case of the Inaouene water- shed
(NortheastMorocco). Arabian Journal of Geosciences, 13, 1-15. [Link]
* Benzougagh, B., Meshram, S.G., Baamar, B. et al. (2020).. Relationship between landslide and morpho-
structural analysis: a case study in Northeast of Morocco. Appl Water Sci 10, 175 (2020).
[Link]
* Beroho, M., Briak, H., Cherif, E., Boulahfa, I., Ouallali, A., Mrabet, R., Kebede, F., Bernardino, A., & Aboumaria,
K. (2023). Future Scenarios of Land Use/Land Cover (LULC) Based on a CA-Markov Simulation Model: Case of
a Mediterranean Watershed in Morocco. Remote Sensing, 15, 1162. [Link]
* Betela, B., & Kebede, W. (2021). Evaluating soil erosion and factors determining farmers' adoption and
management of physical soil and water conservation measures in Bachire watershed, southwest Ethiopia.
Environmental Challenges, 5, 100348. [Link]
* Beullens, J., Van de Velde, D., Nyssen, J., 2014. Impact of slope aspect on hydrological rainfall and on the
magnitude of rill erosion in Belgium and northern France. Catena 114, 129-139.
[Link]
* Beven, K.J., Kirkby, M.J., 1979. A physically based, variable contributing area model of basin hydrology / Un
mod`ele `a base physique de zone d'appel variable de l'hydrologie du bassin versant. Hydrol. Sci. Bull. 24 (1), 43-
69. [Link] 10.1080/02626667909491834.
* Bewket, W., & Teferi, E. (2009). Assessment of soil erosion hazard and prioritization for treatment at the
watershed level: case study in the Chemoga watershed, Blue Nile basin, Ethiopia. Land deg- radation &
development, 20(6),609-622. [Link] ldr.944
* Bhattacharya RK, Bhattacharya ND, Chatterjee K (2020) Das Sub-basin prioritization for assess- ment of soil
erosion susceptibility in Kangsabati, a plateau basin: a comparison between MCDM and SWAT models. Sci Total
Environ 734:139474. [Link] 139474
* Bilasco, S., Ro?ca, S., Vescan, I., Fodorean, I., Dohotar, V., Sestras, P., 2021. A GIS-based spatial analysis
model approach for identification of optimal hydrotechnical solutions for gully erosion stabilization. Case Study.
Appl. Sci. 11 (11), 4847. [Link]
* Billah M, Islam AKMS, Mamoon WB, Rahman MR (2023) Random forest classifications for landuse mapping to
assess rapid flood damage using Sentinel-1 and Sentinel-2 data. Remote Sens Appl Soc Environ 30:100947.

226
[Link]
* Biswas, B., Rahaman, A., & Barman, J. (2023). Comparative Assessment of FR and AHP Models for Landslide
Susceptibility Mapping for Sikkim, India and Preparation of Suitable Mitigation Techniques. Journal of the
Geological Society of India, 99. [Link]
* Bonham-Carter, G. F. (Ed.). (1994). COMPUTER METHODS IN THE GEOSCIENCES. In
* Bonn F (1998) Spatialization of soil erosion models using remote sensing and GIS: possibilities, errors and
limitations. Drought 9(3):185-192
* Borrelli, P., Robinson, D.A., Panagos, P., Lugato, E., Yang, J.E., Alewell, C., Ballabio, C., 2020. Land use and
climate change impacts on global soil erosion by water (2015- 2070). Proc. Natl. Acad. Sci. USA 117 (36), 21994-
22001. [Link] pnas.2001403117.
* Bottou L, Vapnik V (1992) Local learning algorithms. Neural Comput 4(6):888-900.
[Link]
* Bouramtane T, Yameogo S, Touzani M, Tiouiouine A, Elanati MH, Ouardi J et al (2020) Statistical approach of
factors controlling drainage network patterns in arid areas (Morocco). Application to the Eastern Anti Atlas
Morocco. J Afr Earth Sci 162:103707. [Link] 2019.103707
* Bragagnolo, L., Silva, R., & Grzybowski, J. M. V. (2019). Artificial neural network ensembles applied to the
mapping of landslide susceptibility. Catena, 184. [Link]
* Brahim B, Meshram SG, Abdallah D, Larbi B, Drisss S, Khalid M, Khedher KM (2020) Mapping of soil sensitivity
to water ero- sion by RUSLE model: case of the Inaouene watershed (North- east Morocco). Arab J Geosci 13:1-
15. [Link] s12517-020-06079-y
* Breiman, L., 2001. Random forests. Mach. Learn. 45, 5-32. [Link] 1010933404324.
* Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (2017). Classification and Regression Trees. Chapman
and Hall/CRC. [Link]
* Briak, H., Moussadek, R., Aboumaria, K., Mrabet, R., 2016. Assessing sediment yield in Kalaya gauged
watershed (Northern Morocco) using GIS and SWAT [Link] Soil and Water Conservation Research
4 (3), 177-185. [Link] 10.1016/[Link].2016.08.002.
* Bui, D.T., Lofman, O., Revhaug, I., Dick, O., 2011. Landslide susceptibility analysis in the Hoa Binh province of
Vietnam using statistical index and logistic regression. Nat. Hazards 59 (3), 1413-1444.
[Link]
* Can, R., Kocaman, S., & Gokceoglu, C. (2021). A Comprehensive Assessment of XGBoost Algorithm for
Landslide Susceptibility Mapping in the Upper Basin of Ataturk Dam, Turkey. Applied Sciences, 11(11), 4993.
[Link]
* Capparelli, G., & Tiranti, D. (2010). Application of the MoniFLaIR early warning system for rainfall- induced
landslides in Piedmont region (Italy). Landslides, 7, 401-410. [Link]
* Carrara, A., Guzzetti, F., Cardinali, M., & Reichenbach, P. (1999). Use of GIS Technology in the Prediction and
Monitoring of Landslide Hazard. Natural Hazards: Journal of the International Society for the Prevention and

227
Mitigation of Natural Hazards, 20(2), 117-135. [Link]
* Chadli K (2016) Estimation of soil loss using RUSLE model for Sebou watershed (Morocco). Model Earth Syst
Environ 2:1-10. https:// [Link]/10.1007/s40808-016-0105-y
* Chandramohan T, Venkatesh B, Balchand AN (2015) Evalua- tion of three soil Erosion models for small
watersheds. Aquat Procedia 4(Icwrcoe):1227-1234. [Link] aqpro.2015.02.156
* Chapi, K., Singh, V.P., Shirzadi, A., Shahabi, H., Bui, D.T., Pham, B.T., Khosravi, K., 2017. A novel hybrid
artificial intelligence approach for flood susceptibility assessment. Environ. Model. Software 95, 229-245.
[Link] envsoft.2017.06.012.
* Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM
SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.
[Link]
* Chen, T., Niu, R., & Jia, X. (2016). A comparison of information value and logistic regression models in landslide
susceptibility mapping by using GIS. Environmental Earth Sciences, 75. [Link]
5317-y
* Chen, W., Chai, H., Sun, X., Wang, Q., Ding, X., & Hong, H. (2016). A GIS-based comparative study of
frequency ratio, statistical index and weights-of-evidence models in landslide susceptibility mapping. Arabian
Journal of Geosciences, 9. [Link]
* Chen, W., Panahi, M., Tsangaratos, P., Shahabi, H., Ilia, I., Panahi, S., Li, S., Jaafari, A., Ahmad, B.B., 2019.
Applying population-based evolutionary algorithms and a neuro- fuzzy system for modeling landslide
susceptibility. Catena 172 (Complete), 212-231. [Link]
* Chen, W., Shahabi, H., Shirzadi, A., Li, T., Guo, C., Hong, H., Li, W., Pan, D., Hui, J., Ma, M., Xi, M., & Bin
Ahmad, B. (2018). A novel ensemble approach of bivariate statistical-based logistic model tree classifier for
landslide susceptibility assessment. Geocarto International, 33(12), 1398-1420.
[Link]
* Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D.T., Duan, Z., Ma, J., 2017. A comparative study of
logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide
susceptibility. Catena 151, 147-160. [Link]
* Cheng, G., Guo, L., Zhao, T., Han, J., Li, H., & Fang, J. (2013). Automatic landslide detection from remote-
sensing imagery using a scene classification method based on BoVW and pLSA. International Journal of Remote
Sensing, 34(1), 45-59. [Link]
* Choi, J., Oh, H.-J., Lee, H.-J., Lee, C., Lee, S., 2012. Combining landslide susceptibility maps obtained from
frequency ratio, logistic regression, and artificial neural network models using ASTER images and GIS. Eng.
Geol. 124, 12-23. [Link] 10.1016/[Link].2011.09.011.
* Choi, S.-K., Ramirez, R. A., Lim, H.-H., & Kwon, T.-H. (2024). Multi-source remote sensing-based landslide
investigation: The case of the August 7, 2020, Gokseong landslide in South Korea. Scientific Reports, 14(1),
12048. [Link]

228
* Choubin B, Moradi E, Golshan M, Adamowski J, Sajedi-Hosseini F, Mosavi A (2019a) An ensemble prediction
of flood susceptibility using multivariate discriminant analysis, classification and regres- sion trees, and support
vector machines. Sci Total Environ 651:2087-2096. [Link] 1016/[Link].2018.10.064
* Choubin, B., Rahmati, O., Soleimani, F., Alilou, H., Moradi, E., Alamdari, N., [Link] groundwater
potential analysis using classification and regression trees. In: Spatial Modeling in GIS and R for Earth and
Environmental Sciences. Elsevier,pp. 485-498.
* Cimusa Kulimushi, L., Bigabwa Bashagaluke, J., Prasad, P., Heri-Kazi, A.B., Lal Kushwaha, N., Masroor, M.,
Mohammed, S., 2023. Soil erosion susceptibility mapping using ensemble machine learning models: a case
study of upper Congo river sub-basin. Catena 222, 106858. [Link]
* Conoscenti, C., Rotigliano, E., Cama, M., Caraballo-Arias, N.A., Lombardo, L., Agnesi, V., 2016. Exploring the
effect of absence selection on landslide susceptibility models: A case study in Sicily, Italy. Geomorphology 261,
222-235. [Link] geomorph.2016.03.006.
* Cortes, C., Vapnik, V., 1995. Support-vector networks. Mach. Learn. 20, 273-297.
[Link]
* Costache R (2019a) Flash-Flood Potential assessment in the upper and middle sector of Prahova river
catchment (Romania). A comparative approach between four hybrid models. Sci Total Environ 659:1115-1134.
[Link]
* Costache R, Pham QB, Arabameri A, Diaconu DC, Costache I, Craciun A et al (2022) Flash-flood propaga- tion
susceptibility estimation using weights of evidence and their novel ensembles with multicriteria decision making
and machine learning. Geocarto Int 37(25):8361-8393. [Link] 049.2021.2001580
* Costache, R., Bui, D.T., 2020. Identification of areas prone to flash-flood phenomena using multiple-criteria
decision-making, bivariate statistics, machine learning and their ensembles. Sci. Total Environ. 712, 136492
[Link] scitotenv.2019.136492.
* Costanzo, D., Cappadonia, C., Conoscenti, C., Rotigliano, E., 2012. Exporting a Google EarthTM aided earth-
flow susceptibility model: A test in central Sicily. Nat. Hazards 61 (1), 103-114. [Link]
011-9870-0.
* Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory,
13(1), 21-27. [Link]
* Cox, D. R. (1958). The Regression Analysis of Binary Sequences. Journal of the Royal Statistical Society.
Series B (Methodological), 20(2), 215-242.
* Dahal, R., Hasegawa, S., Masuda, T., & Yamanaka, M. (2006). Roadside Slope Failures in Nepal during
Torrential Rainfall and their Mitigation. Disaster Mitigation of Debris Flow, Slope Failures and Landslides,
(Interpraevent 2007), 2.
* Dahri N, Yousfi R, Bouamrane A, Abida H, Pham QB, Derdous O (2022) Comparison of analytic network
process and artificial neural network models for flash flood susceptibility assessment. J Afr Earth Sc 193:104576.
[Link]

229
* Damnati B, Radakovitch O, Ibrahimi S (2004) Use of cesium-137 for estimating erosion rates in a watershed in
northern Morocco. Drought 15(2):195-199
* Dao, D.V., Jaafari, A., Bayat, M., Mafi-Gholami, D., Qi, C., Moayedi, H., Phong, T.V.,
* Das, G., & Lepcha, K. (2019). Application of logistic regression (LR) and frequency ratio (FR) models for
landslide susceptibility mapping in Relli Khola river basin of Darjeeling Himalaya, India. SN Applied Sciences,
1(11), 1453. [Link]
* Dazzi S, Vacondio R, Mignosa P (2021) Flood stage forecasting using machine-learning methods: a case study
on the Parma River (Italy). Water 13(12):1612. [Link]
* Demirci A, Karaburun A (2012) Estimation of soil erosion using RUSLE in a GIS framework: a case study in the
Buyukcekmece lake watershed, northwest Turkey. Environ Earth Sci 66:903-913. [Link]
011-1300-9
* Dietz T, Millar D, Dittoh S, Obeng F, Ofori-Sarpong E (2004) Cli- mate and livelihood change in North East
Ghana. The Impact of Climate Change on Drylands January 2004. [Link] org/10.1007/1-4020-2158-5
* Dikshit, A., Pradhan, B., & Alamri, A. M. (2021). Pathways and challenges of the application of artificial
intelligence to geohazards modelling. Gondwana Research, 100, 290-301.
[Link]
* Dou, J., Yamagishi, H., Zhu, Z., Yunus, A. P., & Chen, C. (2018). TXT-tool 1.081-6.1 A Comparative Study of
the Binary Logistic Regression (BLR) and Artificial Neural Network (ANN) Models for GIS-Based Spatial
Predicting Landslides at a Regional Scale. In Landslide Dynamics: ISDR-ICL Landslide Interactive Teaching
Tools: Volume 1: Fundamentals, Mapping and Monitoring (p. 139-151). [Link]
6_10
* Du, P., Samat, A., Waske, B., Liu, S., & Li, Z. (2015). Random Forest and Rotation Forest for fully polarized
SAR image classification using polarimetric and spatial features. ISPRS Journal of Photogrammetry and Remote
Sensing, 105, 38-53. [Link]
* Duleba, S., & Moslem, S. (2019). Examining Pareto optimality in Analytic Hierarchy Process on Real Data: An
Application in Public Transport Service Development. Expert Systems with Applications, 116.
[Link]
* Duy Quynh, B., Luu, C., Mai, S., Ha, H., Ta, H., & Phm, T. (2022). Flood risk mapping and analysis using an
integrated framework of machine learning models and analytic hierarchy process. Risk Analysis, 43.
[Link]
* Echogdali FZ, Kpan RB, Ouchchen M, Id-Belqas M, Dadi B, Ikirri M et al (2022) Spatial prediction of flood
frequency analysis in a semi-arid zone: a case study from the Seyad Basin (Guelmim Region, Morocco).
Geospatial Technol Landsc Environ Manag Sustain Assess Plann. [Link] 978-981-16-7373-3_3
* EEA. (2017). Climate change adaptation and disaster risk reduction in Europe: Enhancing coherence of the
knowledge base, policies and practices. Publications Office. [Link]
* Efe R, Ekinci D, Curebal I (2008) Erosion analysis of Sahin Creek watershed (NW of Turkey) using GIS based

230
on Rusle (3d) method. J Appl Sci 8:49-58. [Link]
* El Alfy M (2016) Assessing the impact of arid area urbanization on flash floods using GIS, remote sens- ing, and
HEC-HMS rainfall-runoff modeling. Hydrol Res 47(6):1142-1160. [Link] nh.2016.133
* El Jazouli A, Barakat A, Ghafiri A, El Moutaki S, Ettaqy A, Khellouk R (2017) Soil erosion modeled with USLE,
GIS, and remote sens- ing: a case study of Ikkour watershed in Middle Atlas (Morocco). Geoscience Lett 4(1):1-
12
* El Jazouli A, Barakat A, Khellouk R, Rais J, Baghdadi E, M (2019) Remote sensing and GIS techniques for
prediction of land use land cover change effects on soil erosion in the high basin of the Oum Er Rbia River
(Morocco). Remote Sens Applications: Soc Environ 13:361-374. [Link]
* El kochri, A. et Chorowicz, J., (1996). Oblique extension in the Jurassic trough of the central and eastern High
Atlas (Morocco). Canadian Journal of Earth Sciences, 33, pp.84–92.
* Elalaoui A, Marrakchi C, Fekri A, Maimouni S, Aradi M (2015) Implementation of a qualitative model for mapping
areas at risk of water erosion in the Atlas Range: the case of the upstream Tessaoute watershed. Software (High
Atlas, Central, Morocco, USA). Eur Sci J 11(29):106-121 Farhan Y, Nawaiseh S (2015) Spatial assessment of
soil erosion risk using RUSLE and GIS techniques. Environ Earth Sci 74:4649-4669.
[Link]
* Elaloui, A., Khalki, E.M.E., Namous, M., Ziadi, K., Eloudi, H., Faouzi, E., Boudhar, A., 2022. Soil erosion under
future climate change scenarios in a semi-arid region. Water 15 (1), 146. [Link]
* Elaloui, A., Marrakchi, C., Fekri, A., Maimouni, S., Aradi, M., 2017. USLE-based assessment of soil erosion by
water in the watershed upstream Tessaoute (Central High Atlas, Morocco). Modeling Earth Systems and
Environment 3, 873-885. [Link]
* Elmoulat, M., AIT Brahim, L., Mastere, M., & Jemmah, A. (2015). Mapping of Mass Movements Susceptibility in
the Zoumi Region Using Satellite Image and GIS Technology (Moroccan Rif). International Journal of Scientific
and Engineering Research, 6, 210-217.
* Eloudi, H., Hssaisoune, M., Reddad, H., Namous, M., Ismaili, M., Krimissa, S., Ouayah, M., & Bouchaou, L.
(2023). Robustness of Optimized Decision Tree-Based Machine Learning Models to Map Gully Erosion
Vulnerability. Soil Systems, 7(2), Article 2. [Link]
* Fallah-Zazuli, M., Vafaeinejad, A., Alesheykh, A.A., Modiri, M., Aghamohammadi, H., 2019. Mapping landslide
susceptibility in the Zagros Mountains, Iran: A comparative study of different data mining models. Earth Sci. Inf.
12 (4), 615-628.
* Fang, Z., Wang, Y., Peng, L., & Hong, H. (2021). A comparative study of heterogeneous ensemble-learning
techniques for landslide susceptibility mapping. International Journal of Geographical Information Science, 35(2),
321-347. [Link]
* Feizizadeh, B., & Blaschke, T. (2012). Comparing GIS-Multicriteria Decision Analysis for landslide susceptibility
mapping for the lake basin, Iran. 2012 IEEE International Geoscience and Remote Sensing Symposium, 5390-
5393. [Link]

231
* Fell, R., Corominas, J., Bonnard, C., Cascini, L., Leroi, E., & Savage, W. Z. (2008). Guidelines for landslide
susceptibility, hazard and risk zoning for land use planning. Engineering Geology, 102(3), 85-98.
[Link]
* Fix E, Hodges JL (1952) Discriminatory analysis: nonparametric discrimination: Small sample performance
Ganie PA, Posti R, Kunal K, Kunal G, Sarma D, Pandey PK (2022) Insights into the morphometric charac-
teristics of the Himalayan River using remote sensing and GIS techniques: a case study of Saryu
basin,Uttarakhand, India. Appl Geomat 14(4):707-730. [Link]
* FiX, E., Hodges, J.L., 1952. Discriminatory Analysis: Nonparametric Discrimination: Small Sample Performance.
* Friedman, J. (2002). Stochastic Gradient Boosting. Computational Statistics & Data Analysis, 38, 367-378.
[Link]
* Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics,
29(5), 1189-1232. [Link]
* Froitzheim, N., Stets, J., Wurster, P., 1988. Aspects of Western High Atlas tectonics, in: Jacobshagen, V.H.
(Ed.), The Atlas System of Morocco, Lecture Notes in Earth Sciences. Springer-Verlag, Berlin/Heidelberg, pp.
219–246. [Link]
* Froude, M. J., & Petley, D. N. (2018). Global fatal landslide occurrence from 2004 to 2016. Natural Hazards and
Earth System Sciences, 18(8), 2161-2181. [Link] 2018
* Frizon De Lamotte, D., Saint Bezar, B., Bracène, R., Mercier, E., 2000. The two main steps of the Atlas
building and geodynamics of the western Mediterranean. Tectonics 19, 740–761.
[Link]
* Gameiro, S., Riffel, E. S., de Oliveira, G. G., & Guasselli, L. A. (2021). Artificial neural networks applied to
landslide susceptibility: The effect of sampling areas on model capacity for generalization and extrapolation.
Applied Geography, 137, 102598. [Link]
* Ganasri, B. P., Ramesh, H. (2016). Assessment of soil erosion by RUSLE model using remote sensing and
GISA case study of Nethravathi Basin. Geoscience Frontiers, 7(6), 953-961. https://
[Link]/10.1016/[Link].2015.10.007
* Garosi, Y., Sheklabadi, M., Conoscenti, C., Pourghasemi, H.R., Van Oost, K., 2019. Assessing the performance
of GIS- based machine learning models with different accuracy measures for determining susceptibility to gully
erosion. Sci. Total Environ. 664, 1117-1132. [Link]
* Geng, R., Zhang, G.-H., Hong, D.-L., Ma, Q.-H., Jin, Q., Shi, Y.-Z., 2021. Response of soil detachment capacity
to landscape positions in hilly and gully regions of the Loess Plateau. Catena 196, 104852.
[Link]
* Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., Feizizadeh, B., 2017. Evaluation of
different machine learning models for predicting and mapping the susceptibility of gully erosion. Geomorphology
298, 118-137. [Link] 10.1016/[Link].2017.09.006.
* Gessesse, G. D., Mansberger, R., & Klik, A. (2015). Assessment of Rill Erosion Development during Erosive
Storms at Angereb Watershed, Lake Tana Sub-basin in Ethiopia. Journal of Mountain Science, 12, 49-59.

232
[Link]
* Ghimire, M., Timalsina, N., 2020. Landslide Distribution and Processes in the Hills of Central Nepal:
Geomorphic and Statistical Approach to Susceptibility Assessment.
* Ghorbanzadeh, O., & Blaschke, T. (2019). Optimizing Sample Patches Selection of CNN to Improve the mIOU
on Landslide Detection (p. 40). [Link] 0007675300330040.
* Ghorbanzadeh, O., Blaschke, T., Aryal, J., & Gholamnia, K. (2018). A new GIS-based technique using an
adaptive neuro-fuzzy inference system for land subsidence susceptibility mapping. Journal of Spatial Science, 65.
[Link]
* Ghorbanzadeh, O., Moslem, S., Blaschke, T., & Duleba, S. (2019). Sustainable Urban Transport Planning
Considering Different Stakeholder Groups by an Interval-AHP Decision Support Model. Sustainability, 11, 9.
[Link]
* Godschall, S., Smith, V., Hubler, J., & Kremer, P. (2020). A Decision Process for Optimizing Multi-Hazard
Shelter Location Using Global Data. Sustainability, 12(15), 6252. [Link]
* Gourfi A, Daoudi L, Shi Z (2018) The assessment of soil erosion risk, sediment yield and their controlling factors
on a large scale: Example of Morocco. J Afr Earth Sc 147:281-299. [Link]
org/10.1016/[Link].2018.06.028
* Grelle, G., Soriano, M., Revellino, P., Guerriero, L., Anderson, M., Diambra, A., Fiorillo, F., Esposito, L.,
Diodato, N., & Guadagno, F. (2013). Space-time prediction of rainfall-induced shallow landslides through a
combined probabilistic/deterministic approach, optimized for initial water table conditions. Bulletin of Engineering
Geology and the Environment, 73. [Link]
* Gul M, Celik E, Gumus AT, Guneri AF (2017) A fuzzy logic based pro- methee method for material selection
problems. Beni-Suef Univ J Basic Appl Sci. [Link]
* Guo, Z., Shi, Y., Huang, F., Fan, X., Huang, J., 2021. Landslide susceptibility zonation method based on C5.0
decision tree and K-means cluster algorithms to improve the efficiency of risk management. Geosci. Front. 12 (6),
101249 [Link] 10.1016/[Link].2021.101249.
* Guzzetti, F., Carrara, A., Cardinali, M., Reichenbach, P., 1999. Landslide hazard evaluation: A review of current
techniques and their application in a multi-scale study, Central Italy. Geomorphology 31 (1), 181-216.
[Link] S0169-555X(99)00078-1.
* Hadji, R., Boumazbeur, A. errahmane, Limani, Y., Baghem, M., Chouabi, A. el M., & Demdoum, A. (2013).
Geologic, topographic and climatic controls in landslide hazard assessment using GIS modeling: A case study of
Souk Ahras region, NE Algeria. Quaternary International, 302, 224-237.
[Link]
* Haidara I, Tahri M, Maanan M, Hakdaoui M (2019) Efficiency of fuzzy Analytic Hierarchy process to detect soil
erosion vul- nerability. Geoderma 354:113853. [Link] geoderma.2019.07.011
* Hamdouni, I. E., Brahim, L. A., Mahsani, A. E., & Abdelouafi, A. (2022). The Prevention of Landslides Using the
Analytic Hierarchy Process (AHP) in a Geographic Information System (GIS) Environment in the Province of

233
Larache, Morocco. Geomatics and Environmental Engineering, 16(2), Article 2.
[Link]
* Han Z, Sharif HO (2021) Analysis of flood fatalities in the United States, 1959-2019. Water 13(13):1871.
[Link]
* Haregeweyn N, Atsushi T, Jean P, Mitsuru T, Dereg TM, Ayele AF, Jean N, Enyew A (2017) Comprehensive
assessment of soil erosion risk for better land use planning in river basins: a case study of the Upper Blue Nile
River Sci. Total Environ 574:95-108. [Link] [Link].2016.09.019
* Hassen, G., Bantider, A., 2020. Assessment of drivers and dynamics of gully erosion in case of Tabota Koromo
and Koromo Danshe watersheds, South Central Ethiopia. Geoenvironmental Disasters 7, 1-13.
* Hastie, T., Tibshirani, R., & Friedman, J. (2009). Boosting and Additive Trees (p. 1-51).
[Link]
* He, K., Chen, X., Yu, X., Dong, C., & Zhao, D. (2024). Evaluation and prediction of compound geohazards in
highly urbanized regions across China's Greater Bay Area. Journal of Cleaner Production, 449, 141641.
[Link]
* Hembram, T.K., Saha, S., Pradhan, B., Abdul Maulud, K.N., Alamri, A.M., [Link] analysis of machine
learning classifiers in predicting spatial gully erosion susceptibility with altered training samples. Geomatics, Nat.
Hazards Risk 12 (1), 794-828. [Link]
* Hirabayashi, Y., Mahendran, R., Koirala, S., Konoshima, L., Yamazaki, D., Watanabe, S., Kim, H., & Kanae, S.
(2013). Global flood risk under climate change. Nature Climate Change, 3(9), 816-821.
[Link]
* Hong, H., Liu, J., Bui, D.T., Pradhan, B., Acharya, T.D., Pham, B.T., Zhu, A.-X., Chen, W., Ahmad, B.B., 2018.
Landslide susceptibility mapping using J48 Decision Tree with AdaBoost, Bagging and Rotation Forest
ensembles in the Guangchang area (China). Catena 163, 399-413. [Link]
* Hong, H., Pourghasemi, H. R., & Pourtaghi, Z. S. (2016). Landslide susceptibility assessment in Lianhua County
(China) : A comparison between a random forest data mining technique and bivariate and multivariate statistical
models. Geomorphology, 259, 105-118. [Link]
* Hong, H., Pradhan, B., Xu, C., & Bui, D. (2015). Spatial prediction of landslide hazard at the Yihuang area
(China) using two-class kernel logistic regression, alternating decision tree and support vector machines.
CATENA, 133, 266-281. [Link]
* Hong, Y., Adler, R., Huffman, G., 2007. Use of satellite remote sensing data in the mapping of global landslide
susceptibility. Nat. Hazards 43 (2), 245-256. https:// [Link]/10.1007/s11069-006-9104-z.
* Hopfield JJ (1982) Neural networks and physical systems with emergent collective computational [Link]
Natl Acad Sci 79(8):2554-2558. [Link]
* Hosseini FS, Choubin B, Mosavi A, Nabipour N, Shamshirband S, Darabi H, Haghighi AT (2020) Flash- flood
hazard assessment using ensembles and Bayesian-based machine learning models: application of the simulated
annealing feature selection method. Sci Total Environ 711:135161. [Link]

234
1016/[Link].2019.135161
* Hosseini, F.S., Choubin, B., Mosavi, A., Nabipour, N., Shamshirband, S., Darabi, H., Haghighi, A.T., 2020.
Flash-flood hazard assessment using ensembles and Bayesian- based machine learning models: application of
the simulated annealing feature selection method. Sci. Total Environ. 711, 135161 [Link]
scitotenv.2019.135161.
* Hossini H, Karimi H, Mustafa YT, Al-Quraishi AMF (2022). Role of effective factors on soil erosion and land
degradation: a review. In: Al-Quraishi AMF, Mustafa YT, Negm AM (eds) Environmental degradation in Asia.
Earth and environmental sciences library. Springer, Cham. [Link]
* Huang, J., Ling, S., Wu, X., Deng, R., 2022. GIS-Based Comparative Study of the Bayesian Network, Decision
Table, Radial Basis Function Network and Stochastic Gradient Descent for the Spatial Prediction of Landslide
Susceptibility. Land 11 (3 Article 3). [Link]
* Huang, Y., & Zhao, L. (2018). Review on landslide susceptibility mapping using support vector machines.
CATENA, 165, 520-529. [Link]
* Hurni H, Hans H, Karl H, Brigitte P, Hanspeter L (2008) Soil erosion and conservation in global agriculture. In:
Vlek PLG (ed) Land use and soil resources. Springer, Netherlands, pp 41-71. [Link]
6778-5_4
* Hurni, H. (1985). An ecosystem approach to soil conservation. Soil erosion and conservation, 73, 759-771.
* Huvelin, P, 1977. Etude géologique et gitologique du massif hercynien des Jebilet (Maroc occidental).
Notes et Mem. Serv. Geol. Maroc. 232 bis : 307p.
* Ibouh, H. (2004). Du rift avorté au bassin sur décrochement, contrôles tectonique et sédimentaire pendant le
Jurassique (Haut Atlas central, Maroc), These d’É tat. Université de Marrakech, Maroc.
* Ibouh, H. et Chafiki, D. (2017). The Moroccan Atlas domain: Basins opening, Mesozoic synsedimentary
diapirism, magmatism and Cenozoic tightening, The First West African Craton and Margins International
Workshop “WACMA1” Dakhla, Morocco, 24 to 29th April 2017
* Ighile, E. H., Shirakawa, H., & Tanikawa, H. (2022). Application of GIS and Machine Learning to Predict Flood
Areas in Nigeria. Sustainability, 14(9), Article 9. [Link]
* Igmoullan, B. (2003) ; Évolution mésozoïque de la haute Moulouya et du haut Atlas central de Midelt :
organisations et marqueurs géodynamiques. These d’Etat, Université Cadi Ayyad Marrakech.
* Issa LK, Lech-Hab KBH, Raissouni A, Arrim E, A (2016) Cartogra- phie quantitative du risque d'erosion des sols
par approche SIG/ USLE au niveau du bassin versant Kalaya (Maroc Nord Occiden- tal). J Mater Environ Sci
7(8):2778-2795 J. Geosci. Environ. Protection 08 (12), Article 12. [Link] gep.2020.812017
* Ja, S. (1988). Measuring the accuracy of diagnostic systems. Science (New York, N.Y.), 240(4857).
[Link]
* Jaafari, A., Panahi, M., Pham, B. T., Shahabi, H., Bui, D. T., Rezaie, F., & Lee, S. (2019). Meta optimization of
an adaptive neuro-fuzzy inference system with grey wolf optimizer and biogeography-based optimization
algorithms for spatial prediction of landslide susceptibility. CATENA, 175, 430-445.

235
[Link]
* Jain, D. K., Dubey, S. B., Choubey, R. K., Sinhal, A., Arjaria, S. K., Jain, A., & Wang, H. (2018). An approach for
hyperspectral image classification by optimizing SVM using self organizing map. Journal of Computational
Science, 25, 252-259. [Link]
* Jaiswal RK, Ghosh NC, Galkate RV, Thomas T (2015) Multi cri- teria decision analysis (MCDA) for watershed.
Aquat Pro- cedia 4(Icwrcoe):1553-1560. [Link] aqpro.2015.02.201
* Janizadeh S, Chandra Pal S, Saha A, Chowdhuri I, Ahmadi K, Mirzaei S et al (2021) Mapping the spatial and
temporal variability of flood hazard affected by climate and land-use changes in the future. J Envi- ron Manag
298:113551. [Link]
* Jiang S, Alves A, Rodrigues F, Ferreira J Jr, Pereira FC (2015) Mining point-of-interest data from social
networks for urban land use classification and disaggregation. Comput Environ Urban Syst 53:36-46.
[Link]
* Jinren RN, Yingkui KL (2003) Approach to soil erosion assessment in terms of land-use structure changes. J
Soil Water Conserv 58(3):158-169
* Kader S, Novicevic R, Jaufer L (2022) Soil management in sustainable agriculture: analytical approach forthe
ammonia removal from the diary manure. Agric For 68(4):69-78. [Link] org/10.17707/AgricultForest.68.4.06
* Kader S, Raimi MO, Spalevic V, Iyingiala AA, Bukola RW, Jaufer L, Butt TE (2023) A concise study on essential
parameters for the sustainability of Lagoon waters in terms of scientific literature. Turkish J Agric For 47(3):288-
307. [Link]
* Kader, S., Chadalavada, S., Jaufer, L., Spalevic, V., Dudic, B., 2022. Green roof substrates-A literature review.
Front. Built Environ. 8 [Link] fbuil.2022.1019362.
* Kader, S., Jaufer, L., Bashir, O., Raimi, M.O., 2023a. A comparative study on the stormwater retention of
organic waste substrates biochar, sawdust, and wood bark recovered from psidium guajava L. Species. Agric.
For. 69 (1), 105-112. [Link] org/10.17707/AgricultForest.69.1.09.
* Kader, S., Novicevic, R., Jaufer, L., 2022. Soil Management In Sustainable Agriculture: Analytical Approach For
The Ammonia Removal From The Diary Manure. Agric Forestry/Poljoprivreda i Sumarstvo 68 (4), 69-78.
[Link] AgricultForest.68.4.06.
* Kader, S., Raimi, M.O., Spalevic, V., Iyingiala, A.-A., Bukola, R.W., Jaufer, L., Butt, T.E., 2023b. A concise study
on essential parameters for the sustainability of Lagoon waters in terms of scientific literature. Turk. J. Agric. For.
47 (3), 288-307. https:// [Link]/10.55730/1300-011X.3087.
* Kader, S.A., Spalevic, V., Dudic, B., 2022. Feasibility study for estimating optimal substrate parameters for
sustainable green roof in Sri Lanka. Environ. Dev. Sustain. [Link]
* Kanungo, D., Arora, M., Sarkar, S., Gupta, R.P., 2009. Landslide Susceptibility Zonation (LSZ) Mapping - A
Review. J. South Asia Disaster Stud. 2, 81-105.
* Karmaoui, A., Zerouali, S., Ayt Ougougdal, H., & Shah, A. A. (2021). A new mountain flood vulnerability index
(MFVI) for the assessment of flood vulnerability. Sustainable Water Resources Management, 7(6), 92.

236
[Link]
* Kavzoglu, T., Sahin, E., & Colkesen, I. (2013). Landslide susceptibility mapping using GIS-based multi-criteria
decision analysis, support vector machines, and logistic regression. Landslides, 11.
[Link]
* Kawabata, D., & Bandibas, J. (2009). Landslide susceptibility mapping using geological data, a DEM from
ASTER images and an Artificial Neural Network (ANN). Geomorphology, In Press, Corrected Proof.
[Link]
* Kayastha, P., 2015. Landslide susceptibility mapping and factor effect analysis using frequency ratio in a
catchment scale: A case study from Garuwa sub-basin, East Nepal. Arabian J. Geosci. 8 (10), 8601-8613.
[Link]
* Kayastha, P., Dhital, M., & Smedt, F. (2013). Application of the analytical hierarchy process (AHP) for landslide
susceptibility mapping: A case study from the Tinau watershed, west Nepal. Computers & Geosciences, 52, 398-
408. [Link]
* Khoirunisa, N., Ku, C.-Y., & Liu, C.-Y. (2021). A GIS-Based Artificial Neural Network Model for Flood
Susceptibility Assessment. International Journal of Environmental Research and Public Health, 18(3), Article 3.
[Link]
* Kim, J.-C., Lee, S., Jung, H.-S., & Lee, S. (2018). Landslide susceptibility mapping using random forest and
boosted tree models in Pyeong-Chang, Korea. Geocarto International, 33(9), 1000-1015.
[Link]
* Kirker AN, Toran L (2023) When impervious cover doesn't predict urban runoff: Lessons from distributed
overland flow modeling. J Hydrol 621:129539. [Link]
* Kornejady, A., Ownegh, M., Rahmati, O., Bahremand, A., 2018. Landslide susceptibility assessment using three
bivariate models considering the new topo-hydrological factor: HAND. Geocarto Int. 33 (11), 1155-1185.
[Link]
* Kron, W. & Geo Risks Research Department, Munich Reinsurance Company, Munich, Germany. (2003). Flood
Risk=Hazard&#215;Exposure&#215;Vulnerability. Journal of Lake Sciences, 15(Z1), 190-204.
[Link]
* Lal R (2001) Soil degradation by erosion. Land Degrad Dev 12:519-539. [Link] ldr.472
* Lagarde &Choukroune, 1982. Cisaillement ductile et granitoides syntectoniques l'exemple du massifhercynien
des Jebilet (Maroc)." Bull. Soc. Géol. France. t. XXIV, nº 2: 299-307.
* Laville, E., 1981. Rôle des décrochements dans le mécanisme de formation des bassins d’effondrement du
Haut. Atlas marocain au cours des temps triasiques et liasiques. Bull. Soc. Geol. Fr. 7 (23/3), 303 – 312.
* Laville, E., Pique, A., Amrhar, M., Charroud, M., 2004. A restatement of the Mesozoic Atlasic Rifting (Morocco).
Journal of African Earth Sciences 38, 145–153. [Link]
* Lee, S., Sambath, T., 2006. Landslide susceptibility mapping in the Damrei Romel area, Cambodia using
frequency ratio and logistic regression models. Environ. Geol. 50 (6), 847-855. [Link]

237
006-0256-7.
* Li, L., Solana, M., Canters, F., & Kervyn, M. (2017). Testing random forest classification for identifying lava flows
and mapping age groups on a single Landsat 8 image. Journal of Volcanology and Geothermal Research, 345,
109-124. [Link]
* Li, R., & Wang, N. (2019). Landslide Susceptibility Mapping for the Muchuan County (China)?: A Comparison
Between Bivariate Statistical Models (WoE, EBF, and IoE) and Their Ensembles with Logistic Regression.
Symmetry, 11(6), 762. [Link]
* Liu H, Lang B (2019) Machine learning and deep learning methods for intrusion detection systems: a sur- vey.
Appl Sci 9(20):4396. [Link]
* Liu, H., & Lang, B. (2019). Machine Learning and Deep Learning Methods for Intrusion Detection Systems?: A
Survey. Applied Sciences, 9(20), Article 20. [Link]
* Luetzenburg, G., Bittner, M.J., Calsamiglia, A., Renschler, C.S., Estrany, J., Poeppl, R., 2020. Climate and land
use change effects on soil erosion in two small agricultural catchment systems Fugnitz - Austria, Can Revull -
Spain. Sci. Total Environ. 704, 135389 [Link]
* Manchar, N., Benabbas, C., Hadji, R., Bouaicha, F., & Grecu, F. (2018). Landslide Susceptibility Assessment in
Constantine Region (NE Algeria) By Means of Statistical Models. Studia Geotechnica et Mechanica, 40(3), 208-
219. [Link]
* Manspeizer, W., 1988. Triassic – Jurassic rifting and opening of the Atlantic: An overview, in: Developments in
Geotectonics. Elsevier, pp. 41–79. [Link]
* Mao W, Xu C, Yang Y (2022) Investigation on strength degradation of sandy soil subjected to concentrated
particle erosion. Environ Earth Sci 81:1-10. [Link]
* Mao, W., Xu, C., & Yang, Y. (2021). Investigation on strength degradation of sandy soil subjected to
concentrated particle erosion. Environmental Earth Sciences, 81(1), 1. [Link]
10123-9
* Markantonis, V., Meyer, V., & Lienhoop, N. (2013). Evaluation of the environmental impacts of extreme floods in
the Evros River basin using Contingent Valuation Method. Natural Hazards: Journal of the International Society
for the Prevention and Mitigation of Natural Hazards, 69(3), 1535-1549.
* Markhi A, Laftouhi N, Grusson Y, Soulaimani A (2019) Assessment of potential soil erosion and sediment yield
in the semi-arid N' fis basin (high Atlas, Morocco) using the SWAT model. Acta Geo- phys 67:263-272.
[Link]
* Markhi A, Laftouhi NE, Soulaimani A, Fniguire F (2015). Quantification and evaluation of water erosion using the
RUSLE model and integrated deposition in a GIS. Application in the n'Fis watershed in the Marrakech High Atlas
(Morocco). Eur Sci J 11(29):340-356
* Masoud, A. M., Pham, Q. B., Alezabawy, A. K., & El-Magd, S. A. A. (2022). Efficiency of Geospatial Technology
and Multi-Criteria Decision Analysis for Groundwater Potential Mapping in a Semi-Arid Region. Water, 14(6),
Article 6. [Link]

238
* Masoud, A.M., Pham, Q.B., Alezabawy, A.K., El-Magd, S.A.A., 2022. Efficiency of geospatial technology and
multi-criteria decision analysis for groundwater potential mapping in a Semi-Arid region. Water 14 (6), 882.
[Link] w14060882.
* Mattis, A. F., 1977, Nonmarine Triassic sedimentation, Central High Atlas Mountains, Morocco: J. Sediment.
Petrel., v. 47, pp. 107-119.
* Mehwish M, Nasir MJ, Raziq A, Al-Quraishi AMF (2024) Soil erosion vulnerability and soil loss estimation for
Siran River watershed, Pakistan: an integrated GIS and remote sensing approach. Environ Monit Assess
196:104. [Link]
* Mekonnen, K., & Tesfahunegn, G. (2011). Impact assessment of soil and water conservation measures at
Medego watershed in Tigray, northern Ethiopia. Maejo International Journal of Science and Technology, 5, 312-
330.
* Meliho M, Khattabi A, Driss Z, Orlando CA (2022) Spatial prediction of flood-susceptible zones in the Ourika
watershed of Morocco using machine learning algorithms. Appl Comput Inf. [Link] 1108/ACI-09-2021-
0264
* Meliho M, Khattabi A, Mhammdi N (2018) A GIS-based approach for gully erosion susceptibility modelling using
bivariate statistics methods in the Ourika watershed, Morocco. Environ Earth Sci 77:1-14.
[Link]
* Meliho M, Khattabi A, Mhammdi N (2020) Spatial assessment of soil erosion risk by integrating remote sensing
and GIS techniques: a case of Tensift watershed in Morocco. Environ Earth Sci 79:207
[Link]
* Meliho M, Khattabi A, Mhammdi N, Hongming Z (2016) Mapping of water erosion risks using the revised
universal soil loss equation, remote sensing, and GIS in the Ourika watershed (High Atlas, Morocco). Europ Sci J
12:227-297. [Link]
* Meliho, M., Nouira, A., Benmansour, M., Boulmane, M., Khattabi, A., Mhammdi, N., Benkdad, A., 2019.
Assessment of soil erosion rates in a Mediterranean cultivated and uncultivated soils using fallout 137Cs. J.
Environ. Radioact. 208-209, 106021 [Link]
* Menard, S. (2002). Applied Logistic Regression Analysis. SAGE Publications, Inc.
[Link]
* Mengistu D, Bewket W, Lal R (2015) Soil erosion hazard under the cur- rent and potential climate change
induced loss of soil organic matter in the upper Blue Nile (Abay) River Basin, Ethiopia Reaearch- Gate. 137-163.
[Link]
* Merzouki T (1992) Diagnosis of siltation in large Moroccan Dams. Moroccan J Civil Eng 38:46-50 Meshesha
DT, Tsunekawa A, Tsubo M, Haregeweyn N (2012) Dynamics and hotspots of soil erosion and management
scenarios of the Central Rift Valley of Ethiopia Int. J Sediment Res 27(2012):84-99.
[Link]
* Meshesha, D. T., Tsunekawa, A., & Tsubo, M. (2012). Continuing land degradation: cause-effect in Ethiopia's

239
Central Rift Valley. Land degradation & development, 23(2), 13-143. [Link] org/10.1002/ldr.1061
* Mia, M. U., Chowdhury, T. N., Chakrabortty, R., Pal, S. C., Al-Sadoon, M. K., Costache, R., & Islam, A. R. M. T.
(2023). Flood Susceptibility Modeling Using an Advanced Deep Learning-Based Iterative Classifier Optimizer.
Land, 12(4), Article 4. [Link]
* Missenard, Y. (2006). Le relief des Atlas Marocains: contribution des processus asthénosphériques et du
raccourcissement crustal, aspects chronologiques (Doctoral dissertation, Université de Cergy Pontoise).
* Michael, R.N., Campbell, J., Jaufer, L., 2023. Influence of cultivar and fertilization treatment on the yield and leaf
nutrients content of apple (Malus domestica Borkh.). Heliyon e16321.
[Link]
* Mohammadi, A., Shahabi, H., & Ahmad, B. B. (2019). Land-Cover Change Detection in a Part of Cameron
Highlands, Malaysia Using ETM+ Satellite Imagery and Support Vector Machine (SVM) Algorithm.
EnvironmentAsia, 12, 145-154. [Link]
* Mokarram, M., Zarei, A.R., 2021. Determining prone areas to gully erosion and the impact of land use change
on it by using multiple-criteria decision-making algorithm in arid and semi-arid regions. Geoderma 403, 115379.
[Link] geoderma.2021.115379.
* Molla T, Sisheber B (2017) Estimating soil erosion risk and evaluating erosion control measures for soil
conservation planning at Koga watershed in Ethiopia's highlands Solid. Earth 8(2017):13-25.
[Link]
* Moore ID, Burch GJ (1986) Physical basis of the length-slope factor in the universal soil loss equation Soil. Sci
Soc Am J 50(5):1294- 1298. [Link] 42x
* Mosaffaie, J., Salehpour Jam, A., Tabatabaei, M.R., Kousari, M.R., 2021. Trend assessment of the watershed
health based on DPSIR framework. Land Use Pol. 100, 104911
[Link]
* Monbaron, M., 1981. Sédimentation, tectonique synsédimentaire et magmatisme basique, l’évolution
paléogéographique et structurale de l’Atlas de Beni Mellal (Maroc) au cours du mésozoique, ses incidences sur la
tectonique atlasique. Eclogae Geol. Helv. 74, 625–638.
* Mosavi A, Ozturk P, Chau K-W (2018) Flood prediction using machine learning models: literature review. Water
10(11):1536. [Link]
* Moslem, S., Ghorbanzadeh, O., Blaschke, T., & Duleba, S. (2019). Analysing Stakeholder Consensus for a
Sustainable Transport Development Decision by the Fuzzy AHP and Interval AHP. Sustainability, 11, 3271.
[Link]
* Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing?: A review. ISPRS
Journal of Photogrammetry and Remote Sensing, 66, 247-259. [Link]
* Moustakim, M., Benmansour, M., Nouira, A., Benkdad, A., Damnati, B., 2022. Caesium- 137 re-sampling
approach and excess Lead-210 sediment dating to assess the impacts of climate change and agricultural
practices on soil erosion and sedimentation in Northwest Morocco. Environ. Earth Sci. 81 (10), 278.

240
[Link] s12665-022-10409-6.
* Missenard, Y., Taki, Z., Frizon de Lamotte, D., Benammi, M., Hafid, M., Leturmy, P., Sebrier, M., 2007. Tectonic
styles in the Marrakesh High Atlas (Morocco): the role of heritage and mechanical stratigraphy. J Afr. Earth Sci.
48, 247–266.
* Naceur, H. A., Abdo, H. G., Igmoullan, B., Namous, M., Almohamad, H., Al Dughairi, A. A., & Al-Mutiry, M.
(2022). Performance assessment of the landslide susceptibility modelling using the support vector machine,
radial basis function network, and weight of evidence models in the N'fis river basin, Morocco. Geoscience
Letters, 9(1), 39. [Link]
* Namous, M., Hssaisoune, M., Pradhan, B., Lee, C.-W., Alamri, A., Elaloui, A., Edahbi, M., Krimissa, S., Eloudi,
H., Ouayah, M., Elhimer, H., & Tagma, T. (2021). Spatial Prediction of Groundwater Potentiality in Large Semi-
Arid and Karstic Mountainous Region Using Machine Learning Models. Water, 13(16), Article 16.
[Link]
* Namous, M., Ouayah, M., Krimissa, S., Mourad, J., Malika, O., 2021. Prediction performance of Frequency
Ratio, Weighting Factor, Weight of Evidence and Logistic Regression models in landslide susceptibility mapping:
A case study of Ourika Basin, Marrakech High Atlas, Morocco. Disaster Adv. 14 (6), 35-54.
* Naorem, A., Jayaraman, S., Dang, Y.P., Dalal, R.C., Sinha, N.K., Rao, C.S., Patra, A.K., 2023. Soil
constraints in an arid environment-challenges, prospects, and implications. Agronomy 13 (1), 220.
[Link]
* Nazari Samani, A., Ahmadi, H., Jafari, M., Boggs, G., Ghoddousi, J., Malekian, A., 2009. Geomorphic threshold
conditions for gully erosion in Southwestern Iran (Boushehr- Samal watershed). J. Asian Earth Sci. 35 (2), 180-
189. [Link] jseaes.2009.02.004.
* Nefeslioglu, H.A., Duman, T.Y., Durmaz, S., 2008. Landslide susceptibility mapping for a part of tectonic kelkit
valley (eastern black sea region of Turkey). Geomorphology 94 (3), 401-418.
[Link]
* Neupane B, Mandal U, Al-Quraishi A, Ozdemir, M, Rai R (2023) Environmental threat of soil erosion in the
Gwang Khola watershed, Chure Region of Nepal. Iraqi Geol J 56:194-206.
[Link]
* Nielsen, D. (s. d.). Tree Boosting With XGBoost.
* Noy, I., & Yonson, R. (2018). Economic Vulnerability and Resilience to Natural Hazards: A Survey of Concepts
and Measurements. Sustainability, 10, 2850. [Link]
* Ouallali, A., Briak, H., Aassoumi, H., Beroho, M., Bouhsane, N., Moukhchane, M., 2020. Hydrological foretelling
uncertainty evaluation of water balance components and sediments yield using a multi-variable optimization
approach in an external Rif's catchment. Morocco. Alex. Eng. J. 59 (2), 775-789. [Link]
aej.2020.02.017.
* Ouallali, A., Kader, S., Bammou, Y., Aqnouy, M., Courba, S., Beroho, M., Briak, H., Spalevic, V., Kuriqi, A., &
Hysa, A. (2024). Assessment of the Erosion and Outflow Intensity in the Rif Region under Different Land Use and

241
Land Cover Scenarios. Land, 13. [Link]
* Pal, S., Paul, S., Debanshi, S., 2022. Identifying sensitivity of factor cluster based gully erosion susceptibility
models. Environ. Sci. Pollut. Control Ser. 29 (60), 90964-90983. [Link]
* Pan J, Wen Y (2014) Estimation of soil erosion using RUSLE in Caiji- amiao watershed, China. Nat Hazards
71:2187-2205. [Link] org/10.1007/s11069-013-1006-2
* Panagos P, Ballabio C, Borrelli P, Meusburger K, Klik A, Rousseva S, Alewell C (2015) Rainfall erosivity in
Europe. Sci Total Environ 511:801-814. [Link] 01.008
* Panagos P, Borrelli P, Meusburger K (2015) A new European slope length and steepness factor (LS-Factor) for
modeling soil ero- sion by water. Geosciences, 5 (2) (2015), pp. 117-126 [Link]
org/10.3390/geosciences5020117
* Panagos, P., & Katsoyiannis, A. (2019). Soil erosion modelling: The new challenges as the result of policy
developments in Europe. Environmental Research, 172. [Link]
* Panchal, S., & Shrivastava, A. Kr. (2022). Landslide hazard assessment using analytic hierarchy process
(AHP): A case study of National Highway 5 in India. Ain Shams Engineering Journal, 13(3), 101626.
[Link]
* Pandey A, Chowdary VM, Mal BC (2007) Identifcation of critical erosion prone areas in the small agricultural
watershed using USLE, GIS and remote sensing. Water Resour Manag 21:729-746.
[Link]
* Park, S., & Kim, J. (2019). Landslide Susceptibility Mapping Based on Random Forest and Boosted Regression
Tree Models, and a Comparison of Their Performance. Applied Sciences, 9(5), Article 5.
[Link]
* Park, S., Choi, C., Kim, B., & Kim, J. (2013). Landslide susceptibility mapping using frequency ratio, analytic
hierarchy process, logistic regression, and artificial neural network methods at the Inje area, Korea.
Environmental Earth Sciences, 68(5), 1443-1464. [Link] 012-1842-5
* Parvin F, Ali SA, Calka B, Bielecka E, Linh NTT, Pham QB (2022) Urban flood vulnerability assessment in a
densely urbanized city using multi-factor analysis and machine learning algorithms. Theor Appl Climatol 149(1-
2):639-659. [Link]
* Paudel, U., Oguchi, T., Hayakawa, Y., 2016. Multi-Resolution Landslide Susceptibility Analysis Using a DEM
and Random Forest. Int. J. Geosci. 7 (5), Article 5. [Link] org/10.4236/ijg.2016.75056.
*Permingeat, 1954. Sur le viséen des Jebilet orientales au Sud de J'Oued Tensift." Notes et Mero. Serv. Géol.
Maroc. 121 : 17-22. (In Michard, 2008).
* Petley, D.N., Hearn, G.J., Hart, A., Rosser, N.J., Dunning, S.A., Oven, K., Mitchell, W.A., 2007. Trends in
landslide occurrence in Nepal. Nat. Hazards 43 (1), 23-44. https:// [Link]/10.1007/s11069-006-9100-3.
* Pham, B. T., Nguyen-Thoi, T., Qi, C., Phong, T. V., Dou, J., Ho, L. S., Le, H. V., & Prakash, I. (2020). Coupling
RBF neural network with ensemble learning techniques for landslide susceptibility mapping. CATENA, 195,
104805. [Link]

242
* Pham, B.T., Prakash, I., Singh, S.K., Shirzadi, A., Shahabi, H., Tran, T.-T.-T., Bui, D.T., 2019. Landslide
susceptibility modeling using Reduced Error Pruning Trees and different ensemble techniques: hybrid machine
learning approaches. Catena 175, 203-218. [Link]
* Pham, B.T., Tien Bui, D., Prakash, I., Dholakia, M.B., 2017. Hybrid integration of Multilayer Perceptron Neural
Networks and machine learning ensembles for landslide susceptibility assessment at Himalayan area (India)
using GIS. Catena 149, 52-63. [Link]
* Pimentel D (2006) Soil erosion: a food and environmental threat. Environ Dev 610 Sustain 8(1):119-137.
[Link] s10668-005-1262-8.
* Piqué A, Soulaimani A ,2006. Pierres et paysages du Sud Marocain. Marrakech, Géode, p 116.
* Piqué, A., Tricart, P., Guiraud, R., Laville, E., Bouaziz, S., Amrhar, M., Ouali, R.A., 2002. The Mesozoic-
Cenozoic Atlas belt (North Africa): an overview. Geodinamica Acta 15, 185–208.
[Link]
* Pourghasemi, H. R., & Rahmati, O. (2018a). Prediction of the landslide susceptibility: Which algorithm, which
precision CATENA, 162, 177-192. [Link]
* Pourghasemi, H.R., Pradhan, B., Gokceoglu, C., 2012. Application of fuzzy logic and analytical hierarchy
process (AHP) to landslide susceptibility mapping at Haraz watershed, Iran. Nat. Hazards 63 (2), 965-996.
[Link]
* Pourghasemi, H.R., Sadhasivam, N., Kariminejad, N., Collins, A.L., 2020. Gully erosion spatial modelling: role of
machine learning algorithms in selection of the best controlling factors and modelling process. Geosci. Front. 11
(6), 2207-2219. https:// [Link]/10.1016/[Link].2020.03.005.
* Pradhan, B., Lee, S., 2010. Landslide susceptibility assessment and factor effect analysis: Backpropagation
artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling.
Environ. Model. Softw. 25 (6), 747-759. [Link]
* Pradhan, B., Oh, H.-J., & Buchroithner, M. (2010). Weights-of-evidence model applied to landslide susceptibility
mapping in a tropical hilly area. Geomatics, Natural Hazards and Risk, 1, 199-223.
[Link]
* Prasannakumar V, Shiny R, Geetha N, Vijith H (2011) Spatial prediction of soil erosion risk by Remote Sensing,
GIS and RUSLE approach: a case study of Siruvani River Watershed in Atta- pady Valley, Kerala, India. Environ
Earth Sci 46:965-972. [Link] 0913-3.
* Prasannakumar V, Vijith H, Abinod S, Geetha N (2012) Estimation of soil erosion risk within a small
mountainous sub-watershed in Kerala, India, using revised universal soil loss equation (RUSLE) and geo-
information technology. Geosci Front 3:209-215. [Link] gsf.2011.11.003.
* Pumo, D., Arnone, E., Francipane, A., Caracciolo, D., & Noto, L. (2017). Potential implications of climate change
and urbanization on watershed hydrology. Journal of Hydrology, 554.
[Link]
* Rahman MR, Shi ZH, Chongfa C (2009) Soil erosion hazard evalu- ation-An integrated use of remote sensing,
GIS and statistical approaches with biophysical parameters towards management strategies. Ecol Model 220(13-

243
14):1724-1734. [Link] org/10.1016/[Link].2009.04.0.
* Rahman, G., Bacha, A. S., Ul Moazzam, M. F., Rahman, A. U., Mahmood, S., Almohamad, H., Al Dughairi, A.
A., Al-Mutiry, M., Alrasheedi, M., & Abdo, H. G. (2022). Assessment of landslide susceptibility, exposure,
vulnerability, and risk in shahpur valley, eastern hindu kush. Frontiers in Earth Science, 10.
[Link]
* Rahmati, O., Panahi, M., Ghiasi, S. S., Deo, R. C., Tiefenbacher, J. P., Pradhan, B., Jahani, A., Goshtasb, H.,
Kornejady, A., Shahabi, H., Shirzadi, A., Khosravi, H., Moghaddam, D. D., Mohtashamian, M., & Tien Bui, D.
(2020). Hybridized neural fuzzy ensembles for dust source modeling and prediction. Atmospheric Environment,
224, 117320. [Link]
* Qarbous, A., Medina, F. and Hoepffner, C. (2008). Tectonique cassante et état de contrainte dans le bassin de
Tizi n’Test (Haut Atlas, Maroc) au cours de l’inversion tertiaire. Estudos geologicos.
* Rahmati, O., Pourghasemi, H.R., Zeinivand, H., 2016. Flood susceptibility mapping using frequency ratio and
weights-of-evidence models in the Golastan Province, Iran. [Link]
* Rango A, Arnoldus HMJ (1987). Watershed Management. In: FAO Technical Papers, pp 1-11
* Regmi, A.D., Devkota, K.C., Yoshida, K., Pradhan, B., Pourghasemi, H.R., Kumamoto, T., Akgun, A., 2014.
Application of frequency ratio, statistical index, and weights-of- evidence models and their comparison in
landslide susceptibility mapping in Central Nepal Himalaya. Arab. J. Geosci. 7 (2), 725-742.
[Link] 012-0807-z.
* Regmi, A.D., Yoshida, K., Pourghasemi, H.R., DhitaL, M.R., Pradhan, B., 2014. Landslide susceptibility
mapping along Bhalubang-Shiwapur area of mid-Western Nepal using frequency ratio and conditional probability
models. J. Mt. Sci. 11 (5), 1266-1285. [Link]
* Renard, K., Foster, G. R., Weesies, G., Mccool, D., & Yoder, D. (1997, mars 1). Predicting soil erosion by water:
A guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE).
* Roberts, E., & Pelling, M. (2016). Climate change-related loss and damage?: Translating the global policy
agenda for national policy processes. Climate and Development, 10, 1-14.
[Link]
* Rosas MA, Gutierrez RR (2019) Assessing soil erosion risk at national scale in developing countries: the
technical challenges, a proposed methodology, and a case history. Sci Total Environ. https://
[Link]/10.1016/[Link].2019.135474.
* Rozos D, Skilodimou HD, Loupasakis C, Bathrellos GD (2013) Application of the revised universal soil loss
equation model on landslide prevention. An example from N. Euboea (Evia) Island, Greece. Environ Earth Sci
70:3255-3266. [Link]
* Saaty TL (1980) The analytic hierarchy process (AHP). J Oper Res Soc 41(11):1073-1076
* Saaty TL, Vargas LG (1991) Prediction, projection and forecasting: applications of the analytic hierarchy
process in economics, finance, politics, games and sports. Springer
* Saaty, T. L., & Vargas, L. G. (1984). Inconsistency and rank preservation. Journal of Mathematical Psychology,

244
28(2), 205-214. [Link]
* Saddiqi, O, Baidder, L., and Michard, A., 2011. Haut Atlas et Anti-Atlas, Circuit Oriental. Nouveaux Guides
Géologiques et Miniers Du Maroc, Edited by A. Michard et Al. Notes Mémoires. Service. Géologie. Maroc 557: 1–
111.
* Saha, A., Villuri, V. G. K., Bhardwaj, A., & Kumar, S. (2023). A Multi-Criteria Decision Analysis (MCDA)
Approach for Landslide Susceptibility Mapping of a Part of Darjeeling District in North-East Himalaya, India.
Applied Sciences, 13(8), 5062. [Link]
* Saha, A.K., Arora, M.K., Gupta, R.P., Virdi, M.L., Csaplovics, E., 2005. GIS-based route planning in landslide-
prone areas. Int. J. Geogr. Inf. Sci. 19 (10), 1149-1175. [Link]
* Saha, S., Sarkar, R., Thapa, G., Roy, J., 2021. Modeling gully erosion susceptibility in Phuentsholing, Bhutan
using deep learning and basic machine learning algorithms. Environ. Earth Sci. 80, 1-21.
[Link]
* Sahnoun, H., Serbaji, M., Karray, B., & Medhioub, K. (2011). GIS and multi-criteria analysis to select potential
sites of agro-industrial complex. Environmental Earth Sciences, 66. [Link]
* Sahour, H., Gholami, V., Vazifedan, M., 2020. A comparative analysis of statistical and machine learning
techniques for mapping the spatial distribution of groundwater salinity in a coastal aquifer. J. Hydrol. 591, 125321
[Link] jhydrol.2020.125321.
* Salvatici, T., Tofani, V., Rossi, G., D'Ambrosio, M., Tacconi Stefanelli, C., Masi, E. B., Rosi, A., Pazzi, V.,
Vannocci, P., Petrolo, M., Catani, F., Ratto, S., Stevenin, H., & Casagli, N. (2018). Application of a physically
based model to forecast shallow landslides at a regional scale. Natural Hazards and Earth System Sciences,
18(7), 1919-1935. [Link] 18-1919-2018.
* Sami NA, Ibrahim DS (2021) Forecasting multiphase flowing bottom-hole pressure of vertical oil wells using
three machine learning techniques. Pet Res 6(4):417-422. [Link] 05.004.
* Sandric, I., Ionita, C., Chitu, Z., Dardala, M., Irimia, R., & Furtuna, T. (2019). Using CUDA to accelerate
uncertainty propagation modelling for landslide susceptibility assessment. Environmental Modelling & Software,
115. [Link]
* Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN
Computer Science, 2(3), 160. [Link]
* Schicker, R., Moon, V., 2012. Comparison of bivariate and multivariate statistical approaches in landslide
susceptibility mapping at a regional scale. Geomorphology 161-162, 40-57.
[Link]
* Sestras, P., Mircea, S., Roca, S., Bilaco, E., Salaegean, T., Dragomir, L.O., Kader, S., 2023. GIS based soil
erosion assessment using the USLE model for efficient land management: a case study in an area with diverse
pedo-geomorphological and bioclimatic characteristics. Not. Bot. Horti Agrobot. Cluj-Napoca 51 (3), 13263.
[Link]
* Seutloali KE, Beckedahl HR (2015) Understanding the factors influ- encing rill erosion on roadcuts in the south

245
eastern region of South Africa. Solid Earth 6(2):633-641. [Link] se-6-633-2015.
* Sevgen, E., Kocaman, S., Nefeslioglu, H.A., Gokceoglu, C., 2019. A Novel Performance Assessment Approach
Using Photogrammetric Techniques for Landslide Susceptibility Mapping with Logistic Regression, ANN and
Random Forest. Sensors 19 (18). [Link]
* Seydi, S.T., Kanani-Sadat, Y., Hasanlou, M., Sahraei, R., Chanussot, J., Amani, M., 2022. Comparison of
machine learning algorithms for flood susceptibility mapping. Rem. Sens. 15 (1), 192.
[Link]
* Shah, K., Patel, H., Sanghvi, D., & Shah, M. (2020). A Comparative Analysis of Logistic Regression, Random
Forest and KNN Models for the Text Classification. Augmented Human Research, 5(1), 12.
[Link]
* Shahabi, H., Khezri, S., Ahmad, B. B., & Hashim, M. (2014). Landslide susceptibility mapping at central Zab
basin, Iran?: A comparison between analytical hierarchy process, frequency ratio and logistic regression models.
Catena, Complete(115), 55-70. [Link]
* Sharma, R., Malaviya, P., 2021. Management of stormwater pollution using green infrastructure: The role of rain
gardens. Wiley Interdiscip. Rev. Water 8 (2), e1507.
* Sharpley AN, Williams JR (1990) EPIC - EPIC-Erosion/Productiv- ity Impact Calculator: 1. Model
documentation. USDA Technical Bulletin No. 1768, Washington, DC
* Sheridan GJ, Noske PJ, Lane PN, Sherwin CB (2008) Using rain- fall simulation and site measurements to
predict annual interrill erodibility and phosphorus generation rates from unsealed forest roads: validation against
in-situ erosion measurements. CATENA 73(1):49-62. [Link]
* Shruthi, G., Krishna Raj, 2021. Local frequency descriptor and hybrid features for classification of brain
magnetic resonance images using ensemble classifier. Int. J. Adv. Comput. Sci. Appl. 12 (11).
[Link]
* Shuraik, K., Lizny, J., 2022. A novel treatment for determining thermal conductivity of the soil substrates for
selecting sustainable growing mediums in terms of thermal resistance. The Journal Agriculture and Forestry 68
(3), 111-118. [Link] 10.17707/AgricultForest.68.3.09.
* Silalahi, F. E. S., Pamela, Arifianti, Y., & Hidayat, F. (2019). Landslide susceptibility assessment using
frequency ratio model in Bogor, West Java, Indonesia. Geoscience Letters, 6(1), 10.
[Link]
* Simonneaux V, Cheggour A, Deschamps C, Mouillot F, Cerdan O, Le Y (2015) Land use and climate change
effects on soil erosion in a semi-arid mountainous watershed (high Atlas, Morocco). J Arid Environ 122:64-75.
[Link] jaridenv.2015.06.002.
* Sivakumar MV (2005) Impacts of natural disasters in agriculture, rangeland and forestry: an overview. Nat
Disasters Extreme Events Agric Impacts Mitig. [Link]
* Soeters, R., & Westen, C. J. van. (1996). Slope instability recognition, analysis, and zonation. In Landslides,
investigation and mitigation (Transportation Research Board, National Research Council, Special Report; 247) (p.

246
129-177). National Academy Press. [Link]
analysis-and-zonation
* Song, Y., Niu, R., Xu, S., Ye, R., Peng, L., Guo, T., Li, S., & Chen, T. (2019). Landslide Susceptibility Mapping
Based on Weighted Gradient Boosting Decision Tree in Wanzhou Section of the Three Gorges Reservoir Area
(China). ISPRS International Journal of Geo- Information, 8(1), Article 1. [Link]
* Souissi, D., Zouhri, L., Hammami, S., Msaddek, M. H., Zghibi, A., & Dlala, M. (2020). GIS-based MCDM - AHP
modeling for flood susceptibility mapping of arid areas, southeastern Tunisia. Geocarto International, 35(9), 991-
1017. [Link]
* Souza, F. T., & Ebecken, N. F. F. (2004). A data mining approach to landslide prediction. Data Mining V.
* Tahiri M, Achab M, Emran A et al (2014a) Lithology Data Contri- bution in Hydrographic Network distribution
using remote sens- ing and GIS: case of the Tahaddart Basin, Northwestern Rif, Morocco. Int J Adv Res 2:380-
391.
* Tahiri M, Tabyaoui H, El Hammichi F, Tahiri A, El Haddi H (2014) Evaluation and Quantification of Erosion and
Sedimentation from RUSLE, MUSLE and Deposition Models Integrated in a GIS. Application to the Oued Sania
Subbasin (Tahaddart Basin, North-West Rif, Morocco). Eur J Sci Res 125(2):157-178.
* Tan ML, Gassman PW, Yang X, Haywood J (2020) A review of SWAT applications, performance and future
needs for simulation of hydro-climatic extremes. Adv Water Resour 143:103662. [Link]
1016/[Link].2020.103662.
* Tariq A, Yan J, Ghaffar B, Qin S, Mousa B, Sharifi A et al (2022) Flash flood susceptibility assessment and
zonation by integrating analytic hierarchy process and frequency ratio model with diverse spatial data. Water
14(19):3069. [Link]
* Tehrany MS, Pradhan B, Jebur MN (2014) Flood susceptibility mapping using a novel ensemble weights-of-
evidence and support vector machine models in GIS. J Hydrol 512:332-343. [Link]
jhydrol.2014.03.008.
* Tehrany, M.S., Pradhan, B., Mansor, S., Ahmad, N., 2015. Flood susceptibility assessment using GIS-based
support vector machine model with different kernel types. Catena 125, 91-101.
[Link]
* Teng M, Huang C, Wanga P, Zeng L, Zhoua Z, Xiao W, Huang Z, Liu C (2019). Impacts of forest restoration on
soil erosion in the three gorges reservoir area, China. Sci Total Environ 697:134164.
[Link]
* Tesfaye, A., Negatu, W., Brouwer, R., & van der Zaag, P. (2014). Understanding soil conservation decision of
farmers in the Gedeb watershed, Ethiopia. Land Degradation & Development, 25.
[Link]
* Teixell, A., Ayarza, P., Zeyen, H., Fernandez, M., & Arboleya, M. L. (2005). Effects of mantle upwelling in a
compressional setting: the Atlas Mountains of Morocco. Terra Nova, 17(5), 456-461.
* Thi Thuy Linh N, Pandey M, Janizadeh S, Sankar Bhunia G, Norouzi A, Ali S et al (2022) Flood suscep- tibility

247
modeling based on new hybrid intelligence model: optimization of XGboost model using GA metaheuristic
algorithm. Adv Space Res 69(9):3301-3318. [Link]
* Thiery, Y., Malet, J.-P., Sterlacchini, S., Puissant, A., & Maquaire, O. (2007). Landslide susceptibility
assessment by bivariate methods at large scales : Application to a complex mountainous environment.
Geomorphology, 92, 38-59. [Link]
* Tien Bui, D., Ho, T. C., Revhaug, I., Pradhan, B., & Nguyen, D. B. (2014). Landslide Susceptibility Mapping
Along the National Road 32 of Vietnam Using GIS-Based J48 Decision Tree Classifier and Its Ensembles. In M.
Buchroithner, N. Prechtel, & D. Burghardt (Eds.), Cartography from Pole to Pole: Selected Contributions to the
XXVIth International Conference of the ICA, Dresden 2013 (pp. 303-317). Springer. [Link]
642-32618-9_22.
* Tien Bui, D., Tuan, T.A., Klempe, H., Pradhan, B., Revhaug, I., 2016. Spatial prediction models for shallow
landslide hazards: A comparative assessment of the efficacy of support vector machines, artificial neural
networks, kernel logistic regression, and logistic model tree. Landslides 13 (2), 361-378.
[Link]
* Tin Kam Ho. (1995). Random decision forests. Proceedings of 3rd International Conference on Document
Analysis and Recognition, 1, 278-282. [Link]
* Tiwari, A., A, G., Vishwakarma, B.D., 2021. Parameter importance assessment improves efficacy of machine
learning methods for predicting snow avalanche sites in Leh- Manali Highway, India. Sci. Total Environ. 794,
148738. [Link] scitotenv.2021.148738.
* Towfiqul Islam ARM, Talukdar S, Mahato S, Kundu S, Eibek KU, Pham QB et al (2021) Flood susceptibil- ity
modelling using advanced ensemble machine learning models. Geosci Front 12(3):101075. https://
[Link]/10.1016/[Link].2020.09.006.
* Tsangaratos, P., & Ilia, I. (2016). Landslide susceptibility mapping using a modified decision tree classifier in the
Xanthi Perfection, Greece. Landslides, 13(2), 305-320. [Link]
* Valdez, M. C., Chang, K.-T., Chen, C.-F., Chiang, S.-H., & Santos, J. L. (2017). Modelling the spatial variability
of wildfire susceptibility in Honduras using remote sensing and geographical information systems. Geomatics,
Natural Hazards and Risk, 8(2), 876-892. [Link]
* Van Zijl G (2019) Digital soil mapping approaches to address real world problems in southern 650 Africa.
Geoderma 337:1301- 1308. [Link]
* Vapnik, V. N. (2000). The Nature of Statistical Learning Theory. Springer. [Link]
3264-1.
* Verma S, Bhatla R, Shahi N, Mall R (2022) Regional modulating behavior of Indian summer monsoon rainfall in
context of spatio-temporal variation of drought and flood events. Atmos Res 274:106201.
[Link]
* Vulevic T, Dragovic N (2017) Multi-criteria decision analysis for sub-watersheds ranking via the PROMETHEE
method. Int Soil Water Conserv Res 5(1):50-55. [Link] iswcr.2017.01.003.

248
* Wang Y, Hong H, Chen W, Li S, Pamucar D, Gigovic L et al (2018) A hybrid GIS multi-criteria decision- making
method for flood susceptibility mapping at Shangyou, China. Remote Sens 11(1):62. https://
[Link]/10.3390/rs11010062.
* Wang Z, Lai C, Chen X, Yang B, Zhao S, Bai X (2015) Flood hazard risk assessment model based on ran- dom
forest. J Hydrol 527:1130-1141. [Link]
* Wang, C., Deng, C., & Wang, S. (2020). Imbalance-XGBoost?: Leveraging weighted and focal losses for binary
label-imbalanced classification with XGBoost. Pattern Recognition Letters, 136.
[Link]
* Wang, L.-J., Guo, M., Sawada, K., Lin, J., & Zhang, J. (2015). Landslide susceptibility mapping in Mizunami
City, Japan : A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive
regression spline models. CATENA, 135, 271-282. [Link]
* Wang, Q., & Li, W. (2017). A GIS-based comparative evaluation of analytical hierarchy process and frequency
ratio models for landslide susceptibility mapping. Physical Geography, 38, 1-20.
[Link]
* Wang, Y., Hong, H., Chen, W., Li, S., Panahi, M., Khosravi, K., Shirzadi, A., Shahabi, H., Panahi, S., &
Costache, R. (2019). Flood susceptibility mapping in Dingnan County (China) using adaptive neuro-fuzzy
inference system with biogeography based optimization and imperialistic competitive algorithm. Journal of
Environmental Management, 247, 712-729. [Link]
* Wang, Y., Ling, Y., Chan, T. O., & Awange, J. (2024). High-resolution earthquake-induced landslide hazard
assessment in Southwest China through frequency ratio analysis and LightGBM. International Journal of Applied
Earth Observation and Geoinformation, 131, 103947. [Link]
* Wang, Y., Song, C., Lin, Q., & Li, J. (2016). Occurrence probability assessment of earthquake- triggered
landslides with Newmark displacement values and logistic regression: The Wenchuan earthquake, China.
Geomorphology, 258, 108-119. [Link]
* Wang, Z., Brenning, A., 2021. Active-Learning Approaches for Landslide Mapping Using Support Vector
Machines. Remote Sens. (Basel) 13 (13), Article 13. [Link] 10.3390/rs13132588.
* Wang, Z., Lai, C., Chen, X., Yang, B., Zhao, S., Bai, X., 2015. Flood hazard risk assessment model based on
random forest. J. Hydrol. 527, 1130-1141. [Link] 10.1016/[Link].2015.06.008.
* Wang, Z., Liu, Y., He, D., Chan, S., 2021. Intrusion detection methods based on integrated deep learning
model. Comput. Secur. 103, 102177. [Link] se.2021.102177.
* Waske, B. (2007). Classifying multisensor remote sensing data: Concepts, Algorithms and Applications.
Environmental Science, Computer Science.

* Wasniewski, A., Hoscilo, A., Zagajewski, B., & Mouketou-Tarazewicz, D. (2020). Assessment of Sentinel-2
Satellite Images and Random Forest Classifier for Rainforest Mapping in Gabon. Forests, 11, 941.
[Link]
* Wassie, S.B., 2020. Natural resource degradation tendencies in Ethiopia: a review. Environmental Systems

249
Research 9 (1), 1-29. [Link]
* Williams, J. D., Wilkins, D. E., Douglas Jr, C. L., & Rickman, R. W. (2000). Mow-plow crop residue
managementinfluence on soil erosion in north-central Oregon. Soil and Tillage Research, 55(1- 2), 7-78.
[Link]
* Wischmeier WH, Smith DD (1978) Predicting rainfall erosion losses: a guide to conservation planning.
Department of Agriculture, Sci- ence and Education Administration
* Wischmeier, W. H., & Smith, D. D. (1978). Predicting Rainfall Erosion Losses?: A Guide to Conservation
Planning. Department of Agriculture, Science and Education Administration.
* Wolka K, Tadesse H, Garedew E, Yimer F (2015) Soil erosion risk assessment in the Chaleleka wetland
watershed, Central Rift Valley of Ethiopia Environ. Syst Res 4(5). [Link] 1186/s40068-015-0030-5.
* Wubalem, A. (2021). Landslide susceptibility mapping using statistical methods in Uatzau catchment area,
northwestern Ethiopia. Geoenvironmental Disasters, 8(1). [Link]
* Xiao, T., Yin, K., Yao, T., Liu, S., 2019. Spatial prediction of landslide susceptibility using GIS-based statistical
and machine learning models in Wanzhou County, Three Gorges Reservoir, China. Acta Geochimica 38 (5),
654-669. [Link] s11631-019-00341-1.
* Xiao, Z., Hou, R., Li, T., Meng, F., Fu, Q., Li, M., Dong, S., 2023. Mechanism of microbial inhibition of rainfall
erosion in black soil area, as a soil structure builder. Soil Tillage Res. 233, 105819
[Link]
* Xu, K., Zhao, Z., Chen, W., Ma, J., Liu, F., Zhang, Y., & Ren, Z. (2023). Comparative study on landslide
susceptibility mapping based on different ratios of training samples and testing samples by using RF and FR-RF
models. Natural Hazards Research. [Link]
* Yang, I., Acharya, T., Lee, D., 2016. Landslide Susceptibility Mapping for 2015 Earthquake Region of
Sindhupalchowk, Nepal using Frequency Ratio. J. Korean Soc. Surv. Geod. Photogramm. Cartogr. 34, 443-451.
[Link] ksgpc.2016.34.4.443.
* Yang, W., Wang, Y., Sun, S., Wang, Y., Ma, C., 2019. Using Sentinel-2 time series to detect slope movement
before the Jinsha River landslide. Landslides 16 (7), 1313-1324. [Link]
* Ye, L., & Van Ranst, E. (2009). Production scenarios and the effect of soil degradation on long-term food
security in China. Global Environmental Change, 19, 464-481. [Link]
* Yeon, Y.-K., Han, J.-G., & Ryu, K. (2010). Landslide susceptibility mapping in Injae, Korea, using a decision
tree. Engineering Geology - ENG GEOL, 116, 274-283. [Link]
* Yilmaz, I., 2009. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural
networks and their comparison: A case study from Kat landslides (Tokat-Turkey). Comput. Geosci. 35 (6), 1125-
1138. [Link] 10.1016/[Link].2008.08.007.
* Youssef AM, Mahdi AM, Pourghasemi HR (2023a) Optimal flood susceptibility model based on perfor- mance
comparisons of LR, EGB, and RF algorithms. Nat Hazards 115(2):1071-1096. [Link] 10.1007/s11069-
022-05584-5.

250
* Youssef, A.M., Pradhan, B., Pourghasemi, H.R., Abdullahi, S., 2015. Landslide susceptibility assessment at
Wadi Jawrah Basin, Jizan region, Saudi Arabia using two bivariate models in GIS. Geosciences Journal 19, 449-
469. [Link] s12517-009-0118-1.
* Youssef, B., Bouskri, I., Brahim, B., Kader, S., Brahim, I., Abdelkrim, B., & Spalevic, V. (2023). The contribution
of the frequency ratio model and the prediction rate for the analysis of landslide risk in the Tizi N'tichka area on
the national road (RN9) linking Marrakech and Ouarzazate. CATENA, 232, 107464.
[Link]
* Yu, J. J., Qin, X. S., Larsen, O., Yu, J. J., Qin, X. S., & Larsen, O. (2013). Joint Monte Carlo and possibilistic
simulation for flood damage assessment. Stochastic Environmental Research and Risk Assessment, 27(3),
Article 3. [Link]
* Yu, Z., Deng, X., 2022. Assessment of land degradation in the North China Plain driven by food security goals.
Ecol. Eng. 183, 106766 [Link] ecoleng.2022.106766.
* Yusof, N. M., & Pradhan, B. (2014). Landslide susceptibility mapping along PLUS expressways in Malaysia
using probabilistic based model in GIS. 20, 012031. [Link] 1315/20/1/012031.
* Zhang, G., Cai, Y., Zheng, Z., Zhen, J., Liu, Y., Huang, K., 2016. Integration of the Statistical Index Method and
the Analytic Hierarchy Process technique for the assessment of landslide susceptibility in Huizhou, China. Catena
142, 233-244. [Link]
* Zhang, H., Liang, X., Chen, H., Shi, Q., 2021. Spatio-temporal evolution of the social- ecological landscape
resilience and management zoning in the loess hill and gully region of China. Environmental Development 39,
100616. [Link] [Link].2021.100616.
* Zhao G, Pang B, Xu Z, Peng D, Xu L (2019) Assessment of urban flood susceptibility using semi-super- vised
machine learning model. Sci Total Environ 659:940-949. [Link] 2018.12.217.
* Zhao, X., & Chen, W. (2020). Optimization of Computational Intelligence Models for Landslide Susceptibility
Evaluation. Remote Sensing, 12(14), 2180. [Link]
* Zhao, X., Chen, W., 2020. Optimization of Computational Intelligence Models for Landslide Susceptibility
Evaluation. Remote Sens. (Basel) 12 (14), Article 14. [Link]
* Zhao, Y., & Zhang, Y. (2008). Comparison of decision tree methods for finding active objects. Advances in
Space Research, 41, 1955-1959. [Link]
* Zhao, Z., Chen, T., Dou, J., Liu, G., & Plaza, A. (2024). Landslide Susceptibility Mapping Considering Landslide
Local-Global Features Based on CNN and Transformer. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, 17, 7475-7489. [Link]
* Zhiyong, F., Changdong, L., & Wenmin, Y. (2023). Landslide susceptibility assessment through TrAdaBoost
transfer learning models using two landslide inventories. CATENA, 222, 106799.
[Link]
* Zhou, L., Liu, W., & Zhou, Y. (2024). Geomorphic effect of landslide dam on the Jinsha River. Applied and
Computational Engineering, 66, 178-186. [Link]

251