Publié le 5 juin 2025 – Mis à jour le 5 juin 2025
L’étude des conséquences des catastrophes naturelles dans les pays en développement est au coeur des thématiques du challenge 4 du projet CAP 2025. Nous proposons d’étudier les conséquences économiques des lahars du volcan Misti qui envahissent la ville d’Arequipa (Pérou) en moyenne tous les 3,5 ans (Thouret et al. 2014). L’enjeu est majeur car Arequipa est la deuxième plus grande agglomération du Pérou et compte près d’un million d’habitants. C’est dans ce contexte que s’insère notre projet qui s’appuie sur les réflexions menées au sein des LabEx Clervolc et IDGM+ sur lesquels repose le challenge 4 de CAP 2025. Le projet sera également mené en étroite collaboration avec le Service géologique péruvien (INGEMMET) ainsi que l’Institut National de la Statistique péruvien (INEI).

Les lahars qui inondent Arequipa de façon récurrente sont des écoulements concentrés générés par des pluies torrentielles qui mobilisent les matériaux volcaniques sur les pentes du Misti. Le dernier événement de ce type qui s’est produit le 8 février 2013 a été étudié en détail par Ettinger et al. (2015). Les lahars ont inondé 0.4 km2, ont détruit 280 bâtiments et 23 ponts sur 53, coupant ainsi de nombreuses voies d’accès. J.C. Thouret et al. (2014) ont interprété des images à haute résolution spatiale, effectué des relevés de terrain et utilisé des simulations afin d'évaluer l’endommagement en fonction du type de bâtiment, d’un paramètre d’aléa et de la distance à l’écoulement principal.

Le projet DLISCES vise à exploiter les techniques de deep learning et de machine learning pour analyser des images satellitaires couplées à des données socio-économiques afin d’appréhender, sur un territoire en proie à des catastrophes naturelles, la vulnérabilité des populations, de leurs actifs, de leurs habitats et des infrastructures. Dans ce cadre, nous proposons de développer des architectures avancées en intelligence artificielle permettant de combiner des données non-structurées, hétérogènes, massives ; et d’inférer des modèles complexes capables d’estimer divers types d’indicateurs territorialisés pour mieux quantifier la vulnérabilité humaine et matérielle dans un contexte de risque climatique.

Dans un premier temps, nous souhaitons généraliser spatialement des indicateurs socio-économiques que les enquêtes de ménages recensent mais de manière ponctuelle et très limitée dans l’espace et dans le temps. Nous visons non seulement à estimer des cartes de variables socio-économiques diverses dans ce contexte, mais nous cherchons également à combiner celles-ci à d’autres types de variables telles que météorologiques ou topographiques, afin de définir des indicateurs composites permettant de mieux cerner le caractère multidimensionnel du phénomène de vulnérabilité.

En second lieu, nous investiguons un mécanisme récent permettant de développer les capacités de résilience d’une population face aux risques extrêmes : l'assurance indicielle. Cet instrument verse une indemnisation en fonction d'un indice (pouvant être composite) corrélé aux pertes. Dans ce contexte, les images satellites présentent des opportunités afin de réduire le risque de base. En se basant sur des techniques de machine learning et de statistiques spatiales, l’exploitation de ce nouveau type de données offre ainsi des résultats très prometteurs.

Julien Ah-Pine, MCF CNU 26/Laboratoire ERIC (UR Univ. Lyon 2 et Univ. Lyon 1)
Pascale Phélinas, DR IRD (Département SOC)/CERDI (UMR UCA/CNRS/IRD)
Michaël Goujon, MCF HDR CNU 05/CERDI (UMR UCA/CNRS/IRD)
Sélim Mankaï, MCF CNU 06/ClerMa (UCA et groupe ESC Clermont)
Andrzej Stos, MCF CNU 25/LMBP (UMR UCA/CNRS)
Olivier Santoni, Géomaticien/FERDI (Fondation sans but lucratif)