![[Live+] SIG 2022](https://cdn-assets.inwink.com/2078efdc-c05c-ed11-ade6-cc60c88fa266-public/assets/pictures/logos/Esri_France_Emblem_tag_1CRev.png)
![[Live+] SIG 2022](https://cdn-assets.inwink.com/2078efdc-c05c-ed11-ade6-cc60c88fa266-public/assets/pictures/logos/Esri_France_Emblem_tag_1C.gif)
Prédiction spatiale de la stabilité structurale du sol à l'aide de l'algorithme Random Forest
Oct 10, 2022 | 2:15 PM - 2:45 PM
Oct 10, 2022 | 2:15 PM - 2:45 PM
Description
L'étude spatiale de la stabilité structurale du sol (SSS) est devenue nécessaire pour identifier les zones exposées à des risques de dégradation et prendre des actions permettant d'améliorer leur qualité. Malheureusement, la plupart des études ignorent ce paramètre en raison de son caractère coûteux en temps et en matériel. Par conséquent, plusieurs études ont essayé de développer des solutions alternatives pour résoudre ce challenge en utilisant des méthodes récentes telles que l'apprentissage automatique. Dans la présente étude, nous avons appliqué l'algorithme Random Forest (RF) dans une région à climat semi-aride de 1000 km2 (Settat, Maroc) afin de prédire spatialement le diamètre moyen des particules (DMP) comme indices de SSS, en se basant sur une combinaison de paramètres du sol et des co-variables environnementales. La performance du modèle a été évaluée en utilisant des indices statistiques tels que le coefficient de détermination (R2), l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE). Les résultats montrent de bonnes prédictions pour les phases de calibration et validation avec un R2 > 0,8, RMSE et MAE < 0,15 pour la calibration et < 0,31 pour la validation. Nous avons également remarqué une contribution significative de la matière organique, de la topographie et de la géologie dans la prédiction du DMP. Enfin, les cartes réalisées durant cette étude permettent d'identifier les endroits où les sols sont moins stables et de prendre les mesures nécessaires pour améliorer leur qualité.
