À Kimtang, un village de montagne du centre du Népal, le sol bouge extrêmement lentement mais continuellement : des fissures apparaissent sur les marches des maisons, les arbres poussent de travers et les déplacements imperceptibles à l'œil nu s'accumulent et conduisent à des catastrophes potentielles. Antoinette Tordesillas, mathématicienne de l'Université de Melbourne, a montré une image satellite en couleur via une liaison vidéo : parmi tout le flanc bleu de la colline, une vaste zone au pied du village a été marquée en rouge éblouissant par le système d'intelligence artificielle, ce qui signifie que cette pente où les habitants cultivent et vivent depuis des générations est dans un état de grave instabilité et peut évoluer à tout moment vers un glissement de terrain dévastateur. Ironiquement, tous les villageois de Jintang ont été déplacés en raison d'un glissement de terrain à proximité en 2019, mais le nouveau site de réinstallation a été évalué par AI comme le terrain le plus instable de toute la région.

Dans l'impression traditionnelle, les glissements de terrain sont souvent des catastrophes instantanées sans avertissement, mais les images satellite radar révèlent une autre image : des jours, des semaines, voire des années avant qu'un effondrement à grande échelle ne se produise, les particules de surface ont commencé à se « séparer vaguement » lentement au niveau millimétrique, comme si les danseurs se déplaçaient selon une sorte de « chorégraphie invisible ». En surveillant ces minuscules déformations au fil du temps, l’intelligence artificielle peut détecter les signes de catastrophe invisibles à l’œil nu bien avant qu’ils ne se produisent. Les recherches montrent que sous l’influence de multiples facteurs tels que le changement climatique, la construction d’infrastructures et l’exploitation minière, la fréquence des glissements de terrain à l’échelle mondiale augmente. Aux États-Unis seulement, les glissements de terrain tuent 25 à 50 personnes chaque année et entraînent des milliards de dollars de pertes économiques ; à l’échelle mondiale, le nombre de décès chaque année se compte en « dizaines de milliers ». En octobre 2025, de multiples glissements de terrain se sont produits dans les montagnes du Népal, tuant une soixantaine de personnes, soulignant une fois de plus la vulnérabilité de ce pays de haute montagne.

Il est presque impossible d'identifier cet « état pré-catastrophe » à grande échelle par la seule force humaine. L'équipe Todesilas s'appuie sur le satellite radar européen "Sentinel-1". Ce satellite émet des impulsions radar vers la surface à une fréquence d'environ 2 000 fois par seconde pour obtenir des informations précises sur le terrain et les déplacements. Il est arrivé que ce satellite ait survolé la région de Jintang à plusieurs reprises sous un angle d'incidence approprié, fournissant à l'IA suffisamment de données de haute qualité pour « lire » la pente extrêmement active à partir des images massives. Les dernières images utilisées pour l'analyse datent de janvier 2025. Pour l'instant, aucun glissement de terrain à grande échelle ne s'est produit dans la région, mais l'alerte précoce à haut risque donnée par l'IA a permis à l'équipe de recherche d'intervenir à l'avance et de travailler avec les villageois et les gouvernements locaux pour formuler des plans de surveillance au sol et discuter des itinéraires d'évacuation possibles et des points de rassemblement d'urgence.

La carte des risques générée par l'intelligence artificielle indique non seulement les dangers, mais aide également à trouver des « points d'ancrage » relativement sûrs. Par exemple, l’algorithme a montré que le collège local de Jintang se trouve dans l’une des zones les plus stables de la pente. Ces informations ont été clairement communiquées par les chercheurs au chef du village et aux responsables gouvernementaux comme base importante pour éviter les situations d'urgence futures et allouer des ressources. Todesillas a souligné qu'ils ont utilisé l'apprentissage automatique avec des contraintes physiques : l'équipe de recherche a intégré des années de compréhension du « mécanisme physique de l'instabilité des pentes » dans le modèle, plutôt que de laisser la tâche entièrement à une « boîte noire » pour réduire le risque d'erreur de jugement. Même ainsi, l’IA peut encore commettre des erreurs, la clé est donc un étalonnage et une corroboration continus avec les mesures de la vérité sur le terrain.

Des technologies similaires sont utilisées dans des enquêtes à plus grande échelle sur les risques géologiques. Alessandro Novellino du British Geological Survey (BGS) utilise l'IA pour traiter les données du radar Sentinel-1 couvrant toute l'île de Grande-Bretagne, analysant la déformation d'environ 300 000 pentes. Les résultats montrent qu'environ 3 000 pistes présentent un « mouvement lent et continu ». Le déplacement annuel n'est que de quelques millimètres et est presque imperceptible à l'œil humain, mais il peut indiquer un risque de glissements de terrain à grande échelle à l'avenir. Même si ces pentes ne s'effondrent jamais complètement, une déformation continue suffit à affecter sérieusement les infrastructures de transport pendant de nombreuses années - les recherches estiment que de telles pentes actives sont associées à environ 14 000 kilomètres d'autoroutes et 360 kilomètres de tronçons ferroviaires, et doivent être incluses à l'avance dans la planification de l'entretien et du renforcement.

Novelino a souligné que si les analystes comparent et interprètent ces images satellite une par une, la charge de travail sera mesurée en « années », mais le système d'apprentissage automatique peut accomplir la même tâche en quelques minutes ou quelques heures, donnant ainsi naissance à « une nouvelle science qui était tout simplement impossible à réaliser dans le passé ». Les travaux actuels n’utilisent pas de données en temps réel car l’accès en temps réel est coûteux, mais les données historiques d’il y a un ou deux ans restent précieuses : tant que la tendance à long terme est claire, elle peut servir de base à une évaluation des risques à moyen et long terme. Dans d’autres scénarios, BGS mobilisera également rapidement les dernières données de télédétection après une catastrophe pour faciliter les interventions d’urgence. Par exemple, après un glissement de terrain mortel à Sumatra, en Indonésie, ils ont réalisé une cartographie automatique d'environ 4 000 glissements de terrain en peu de temps, fournissant ainsi à la recherche scientifique locale et aux agences gouvernementales des références clés sur les routes encore praticables et les zones les plus durement touchées.

Les opérateurs d’infrastructures commencent également à considérer l’IA comme une « loupe » pour la sécurité géologique. Network Rail, qui est responsable de la majeure partie du réseau ferroviaire britannique, a déclaré qu'il utilisait « l'analyse basée sur l'IA » pour intégrer les données provenant de capteurs en bord de voie, d'inspections par drones, de trains d'inspection dédiés et d'inspections manuelles pour identifier et gérer les risques de glissements de terrain et d'instabilité des fondations le long des lignes, permettant ainsi aux équipes de maintenance de détecter les problèmes à l'avance et d'intervenir rapidement, réduisant ainsi les risques d'interruptions de ligne ou même d'accidents de déraillement.

Dans les zones de haute montagne, des technologies similaires ont également été transposées dans le domaine de l'alerte aux avalanches. Au cours de l'hiver dernier, des avalanches dans les seules Alpes européennes ont tué plus de 100 personnes. Dans la région de Lake Tahoe en Californie, aux États-Unis, une avalanche a coûté la vie à neuf skieurs en février. James Fox, étudiant en master à l'Ecole Polytechnique Fédérale de Lausanne, a remarqué qu'il y avait des webcams partout dans les Alpes. Lui et ses collaborateurs ont développé un système de reconnaissance d'images basé sur l'apprentissage profond pour « capturer » automatiquement le moment des avalanches à partir de ces images de surveillance publique. Pour entraîner le système, ils ont annoté manuellement environ 4 000 photos d’avalanches, permettant ainsi au réseau neuronal d’apprendre à identifier les contours des avalanches et les caractéristiques dynamiques dans des paysages de montagne complexes.

Fox a déclaré que l'apprentissage profond présente des avantages évidents dans des tâches visuelles "difficiles à résumer en règles à l'œil nu", mais le système ne doit pas être complètement "sans surveillance". Il a souligné que les résultats de la reconnaissance de l'IA devraient être utilisés comme signaux d'alerte précoce, qui devraient être jugés manuellement avant de décider de lancer ou non un sauvetage, au lieu de permettre « à l'ordinateur de déclencher automatiquement une alarme ». Cette technologie a été testée sur le terrain au sein du service autrichien d'alerte aux avalanches du Tyrol. Même si l'agence locale estime avoir des « perspectives prometteuses », le taux actuel de fausses alertes reste élevé. Il est particulièrement facile de confondre les roches exposées après la fonte des neiges avec des avalanches. Par conséquent, une optimisation continue et une collaboration homme-machine sont encore nécessaires à court terme.

Alors que le réchauffement climatique continue d’affaiblir le pergélisol alpin, le risque d’avalanches, de chutes de pierres et de glissements de terrain augmente, et les outils d’IA devraient devenir l’un des principaux moyens de surveillance de cet « accélérateur caché ». En comparant à long terme les changements d'images dans les montagnes, les glaciers, les parois rocheuses et d'autres zones, les chercheurs peuvent détecter plus tôt les signes de relâchement de la glace et de fissuration des couches rocheuses, ajustant ainsi les voies d'escalade, fermant les sections dangereuses ou renforçant les installations clés.

Ce qui est intéressant, c’est que l’intelligence artificielle ne se contente pas de « tracer davantage de lignes rouges ». Dans certains endroits, cela aide les villes à « assouplir les restrictions ». L'équipe d'Ingry Natalia Gómez-Miranda, ingénieure à l'Université de Pascual Bravo en Colombie, a collecté et analysé plus de 180 enregistrements de glissements de terrain et coordonnées géographiques précises à Medellín de 1981 à 2019, et a utilisé l'apprentissage automatique pour redessiner les zones urbaines sujettes aux glissements de terrain et les répartir par niveau de risque. Les résultats montrent que certaines pentes qui ont longtemps été désignées comme « zones interdites à la construction » présentent des risques moindres dans le modèle mis à jour et peuvent être rouvertes à la construction dans le cadre de réglementations strictes, libérant ainsi plus d'espace foncier légal et plus sûr pour les villes confrontées à une grave pénurie de logements.

Mais pour les scientifiques qui s’intéressent depuis longtemps aux données sur les glissements de terrain, les changements les plus profonds pourraient être « psychologiques ». Ils ont découvert que les montagnes que les gens ont l'habitude de considérer comme « éternelles » s'élèvent et s'abaissent toujours lentement : la croûte entre en collision et s'élève, l'érosion s'affaiblit et la gravité est redistribuée. Ces processus ne s’arrêtent jamais, mais à une vitesse extrêmement lente. "Maintenant, chaque fois que je voyage au Népal, il m'est difficile de me détendre complètement", a déclaré Todesilas. Désormais, lorsqu’elle regarde les montagnes, elle ne peut plus les considérer comme un simple paysage statique, mais plutôt comme une écriture géologique qui tourne lentement les pages. Il suffit d’utiliser la « loupe » de l’IA pour que les humains puissent comprendre les courants sous-jacents.