Navigation – Plan du site

AccueilNuméros1Modélisation de la susceptibilité...

Modélisation de la susceptibilité aux inondations par apprentissage automatique : Performance de SVM, KNN, XGBoost, RF et Perceptron multitouche (MLP) dans la moyenne vallée du fleuve Sénégal

Flood Susceptibility Modeling Using Machine Learning: Performance of SVM, KNN, XGBoost, RF, and Multilayer Perceptron in the Middle Senegal River Valley
Mamadou Ndiaye, René Boissy, Anastasie Mendy et Gallo Niang

Résumés

Les inondations constituent l’un des aléas naturels majeurs affectant les régions sahéliennes, en raison de la combinaison de contraintes climatiques, topographiques et d’une forte vulnérabilité des territoires. Cette étude vise à modéliser la susceptibilité aux inondations dans la moyenne vallée du fleuve Sénégal à l’aide de méthodes d’apprentissage automatique. Un jeu de données multi-source, intégrant des variables topographiques, pédologiques, climatiques actuelles et des indicateurs issus de la télédétection, a été élaboré pour entraîner et comparer cinq algorithmes : Machines à vecteurs de support (SVM), k plus proches voisins (KNN), XGBoost, Forêt aléatoire (Random Forest), et Perceptron multicouche (MLP). Les résultats montrent une nette supériorité des approches basées sur les arbres de décision, en particulier le Random Forest, qui présente les meilleures performances globales et une cohérence spatiale élevée des cartes produites. XGBoost affiche également de bonnes performances, bien que plus sensible au réglage des hyperparamètres. L’analyse d’interprétabilité fondée sur les méthodes SHAP et d’importance par permutation met en évidence le rôle prépondérant de la topographie (altitude, pente), de la végétation (NDVI), des conditions hydriques (précipitations, indices d’humidité) et des propriétés des sols dans le contrôle de la susceptibilité aux inondations. Ces résultats confirment la pertinence des approches de machine learning pour la cartographie de la susceptibilité aux inondations en contexte sahélien et fournissent un appui méthodologique solide pour la gestion et la prévention des risques hydrologiques.

Haut de page

Texte intégral

Les auteur(e)s tiennent à exprimer leur profonde reconnaissance au Professeur Mame Demba Thiam pour son précieux accompagnement scientifique tout au long de cette étude. Ils le remercient chaleureusement pour ses nombreuses suggestions et recommandations. Son expertise et son regard critique ont été déterminants pour renforcer la qualité scientifique et la rigueur de ce travail.

Introduction

1Les inondations représentent l’un des aléas naturels les plus dévastateurs pour les régions semi-arides, notamment au Sahel, où leur fréquence et leur intensité sont exacerbées par la variabilité climatique et les pressions anthropiques (Wilcox et al., 2018). Dans la moyenne vallée du fleuve Sénégal, entre Matam et Podor, la recrudescence des épisodes pluviométriques extrêmes constitue une menace croissante pour les populations, les systèmes agricoles irrigués, les infrastructures et la sécurité alimentaire. Ce risque est aggravé par des facteurs anthropiques tels que l’occupation des lits moyen et majeur du fleuve, la construction de barrages et la dégradation des couverts végétaux, qui altèrent profondément la dynamique naturelle des écoulements.

2Le contexte hydroclimatique de la région est marqué par un paradoxe : une aridité structurelle héritée de la sécheresse des années 1970-80 (Bodian, 2014) se conjugue désormais à une augmentation de la fréquence et de l’intensité des pluies extrêmes, génératrices d’inondations soudaines et localisées (Descroix et al., 2015 ; Gaye, 2017 ; Ba et al., 2018 ; Nouaceur, 2020). Les inondations fluviales dans la vallée sont ainsi liées à une combinaison complexe de facteurs : les constructions dans les zones basses, la régulation des débits par les barrages, l’intensification des pluies dans le haut bassin, et la dégradation environnementale. Le sixième rapport du GIEC (Beny et al., 2021) et les travaux récents (Costantini, 2023) confirment l’accélération du réchauffement climatique, accentuant cette volatilité hydroclimatique dans des zones déjà vulnérables (Ndiaye et al., 2022).

3Malgré la richesse des travaux existants sur les inondations dans la vallée du fleuve Sénégal, la majorité des recherches se sont concentrées sur deux approches distinctes : (1) la cartographie événementielle a posteriori via la télédétection, comme l’illustre l’étude de Sy et al. (2022) utilisant Google Earth Engine, et (2) les approches hydrologiques et hydrauliques traditionnelles, basées sur la modélisation des écoulements (Diedhiou et al., 2020 ; Dia, 2000).

4La cartographie des inondations vise principalement à délimiter les zones effectivement submergées lors d’événements passés ou simulés, tandis que la cartographie de la susceptibilité aux inondations cherche à estimer, de manière prédictive, la probabilité spatiale d’occurrence des inondations en fonction des facteurs environnementaux et anthropiques, indépendamment d’un événement spécifique.

5Toutefois, il existe très peu d’études proposant une modélisation prédictive intégrée de la susceptibilité aux inondations dans la moyenne vallée du fleuve Sénégal. À ce jour, aucune recherche n’a mobilisé de manière systématique les algorithmes d’apprentissage automatique pour analyser simultanément la diversité des facteurs climatiques, topographiques, pédologiques et anthropiques qui contrôlent la susceptibilité aux inondations dans cette région. Cette lacune contraste avec l’évolution rapide de ces méthodes dans d’autres régions du monde, où elles ont démontré une capacité supérieure à capturer des relations non linéaires et à améliorer la précision des cartes de susceptibilité.

6Pour combler cette lacune, les avancées récentes en apprentissage automatique offrent une alternative prometteuse. Des algorithmes tels que le Random Forest (RF), XGBoost, les Machines à Vecteurs de Support (SVM), les k-Nearest Neighbors (KNN) et les Perceptrons Multicouches (MLP) ont démontré une efficacité remarquable pour la cartographie prédictive des zones inondables dans divers contextes (Meng & Jin, 2023 ; Seydi Teymoor et al., 2023 ; Ndiaye et al., 2025). Leur force réside dans leur capacité à apprendre, à partir de données d’entraînement, des relations complexes et non linéaires entre une multitude de variables prédictives et l’occurrence d’inondations.

7Cependant, une évaluation comparative rigoureuse de ces algorithmes, spécifiquement dans le contexte géographique et environnemental complexe de la vallée du Sénégal, fait encore défaut. Cette étude vise donc à combler cette lacune en identifiant le modèle d’apprentissage automatique le plus performant et le plus fiable pour la prédiction spatiale du risque d’inondation dans cette région. L’objectif principal est de fournir un outil d’aide à la décision pour une gestion proactive des risques et une planification territoriale adaptée.

Présentation de la zone d’étude

8La moyenne vallée du fleuve Sénégal, située entre les départements de Matam et Podor (fig. 1), constitue l’un des secteurs les plus vulnérables aux inondations récurrentes dans le nord du Sénégal. D’un point de vue géomorphologique, cette portion de vallée, longue d’environ 300 km (Ndiaye, 2003), est structurée par une vaste plaine alluviale qui peut s’étendre jusqu’à 25 km de largeur en période de crue. Son paysage est caractérisé par l’alternance dynamique de cuvettes inondables (walo) et de terres légèrement surélevées (falo), qui définissent son régime hydrologique particulier.

Figure 1. Situation de la moyenne vallée du fleuve Sénégal.

Figure 1. Situation de la moyenne vallée du fleuve Sénégal.

9La région est soumise à un climat sahélien, marqué par une forte variabilité. Une courte saison des pluies (juillet à octobre) apporte des précipitations annuelles comprises entre 100 et 500 mm. Cette opposition est à l’origine d’un paradoxe climatique : une aridité qui coexiste avec des épisodes pluviométriques extrêmes, générateurs de crues soudaines et dévastatrices. Cette vulnérabilité a été dramatiquement illustrée en octobre 2024, lorsque l’Organisation pour la Mise en Valeur du fleuve Sénégal (OMVS) a signalé le dépassement des seuils d’alerte dans toutes les stations hydrologiques régionales, provoquant des inondations persistantes à Matam, Podor et Dagana (OMVS, 2024).

10L’occupation du sol reflète cette double contrainte naturelle et anthropique (fig. 2). Elle forme une mosaïque paysagère où cohabitent des systèmes agro-pastoraux traditionnels, des périmètres irrigués modernes (notamment rizicoles) impulsés par les aménagements de l’OMVS, et des formations ripicoles dominées par Acacia nilotica (Bruckmann et al., 2021).

Figure 2. Occupation du sol dans la moyenne vallée du fleuve Sénégal.

Figure 2. Occupation du sol dans la moyenne vallée du fleuve Sénégal.

11Ainsi, c’est la combinaison unique de facteurs naturels et anthropiques qui fait de la moyenne vallée du fleuve Sénégal un site d’étude idéal pour modéliser les risques d’inondations. La complexité de ces interactions dépasse souvent la capacité des modèles traditionnels, justifiant pleinement le recours aux approches d’apprentissage automatique capables d’intégrer et de pondérer cette multitude de variables.

Données et Méthodes

Collecte et préparation des données

12Un jeu de données multivariées a été constitué, intégrant une variable cible (la présence d’inondation) et 14 variables explicatives couvrant les dimensions topographiques, hydrologiques, climatiques, anthropiques et pédologiques.

Variable cible : cartographie de l’inondation du 17 octobre 2024

13La variable cible binaire (inondation 2024) a été élaborée à partir de la cartographie officielle du Centre de Suivi Écologique (CSE) (fig. 3). Un échantillon de 1 101 points, répartis entre zones inondées (1) et non inondées (0), a été constitué pour servir de vérité terrain pour l’entraînement des modèles.

Figure 3. Données de référence pour l’entraînement des modèles.

Figure 3. Données de référence pour l’entraînement des modèles.

Source : Centre de Suivi Écologique, 2024.

Variables explicatives

14Les variables explicatives utilisées dans cette étude ont été sélectionnées à partir d’une analyse critique de la littérature et en fonction de leur disponibilité à haute résolution spatiale. Elles ont toutes été harmonisées à une résolution spatiale commune de 30 mètres afin d’assurer leur compatibilité dans le cadre de la modélisation. Les valeurs correspondantes ont été extraites pour chaque point d’échantillonnage à l’aide des outils d’échantillonnage spatial de QGIS.

15Les facteurs topographiques comprennent l’altitude, la pente et l’exposition des versants, dérivées du modèle numérique de terrain ALOS PALSAR (12,5 m) et agrégées à 30 m. Ces variables contrôlent la dynamique gravitaire des écoulements de surface, la concentration des flux et la localisation des zones de stagnation, souvent associées aux zones inondables.

16L’occupation du sol a été intégrée à partir de la carte ESA WorldCover 2020 à 10 m de résolution. Elle distingue les principales classes (zones bâties, surfaces agricoles, sols nus et formations végétales naturelles) et influence directement l’infiltration, l’imperméabilisation et le ruissellement de surface.

17Les conditions de végétation, d’humidité et de présence d’eau de surface ont été caractérisées à partir d’indices spectraux dérivés des images Sentinel-2 (résolution 10 m). Le NDVI (moyenne annuelle ou maximale) renseigne sur la densité de la couverture végétale, le NDWI sur l’humidité du sol et de la végétation, et le NDMI (moyenne saisonnière) sur la présence d’eau libre et l’humidité superficielle. Ces indices fournissent des informations indirectes sur la capacité de stockage de l’eau et le degré de saturation des sols.

18Les conditions thermiques ont été représentées par le Temperature Condition Index (TCI), dérivé des données MODIS (MOD11A2, résolution 1 km), utilisé comme indicateur des conditions thermiques de surface et de l’évapotranspiration.

19Les facteurs climatiques actuels incluent les précipitations cumulées issues du jeu de données CHIRPS (résolution 5 km), principal facteur déclencheur des inondations, ainsi que l’évapotranspiration potentielle (ET0) dérivée des données ERA5-Land (résolution 10 km), qui influence le bilan hydrique et les pertes en eau.

20Les caractéristiques pédologiques ont été extraites de la base SoilGrids (250 m de résolution) et comprennent la texture des sols (proportions de sable, limon et argile) ainsi que la teneur en carbone organique. Ces propriétés contrôlent la capacité d’infiltration et de rétention de l’eau, influençant directement le potentiel de ruissellement.

21L’ensemble des variables explicatives retenues est synthétisé dans le tableau 1, qui précise leur catégorie, leur source, leur résolution spatiale et leur rôle dans l’analyse de la susceptibilité aux inondations.

Tableau 1. Variables explicatives utilisées pour la modélisation de la susceptibilité aux inondations.

Tableau 1. Variables explicatives utilisées pour la modélisation de la susceptibilité aux inondations.

Prétraitement des données

22Une analyse exploratoire a révélé la présence de valeurs extrêmes. L’application d’un filtre basé sur l’IQR aurait drastiquement réduit l’échantillon. Par conséquent, afin de préserver la fiabilité statistique, nous avons conservé l’intégralité des données et atténué l’impact des valeurs aberrantes via une normalisation adaptée (RobustScaler de Scikit-learn), conçue pour les distributions asymétriques.

Modélisation et optimisation des hyperparamètres

23Cinq algorithmes d’apprentissage automatique, reconnus pour leur efficacité dans la modélisation des risques naturels, ont été sélectionnés afin de comparer leurs performances pour la cartographie de la susceptibilité aux inondations. Les performances initiales des modèles correspondent à des entraînements réalisés avec des hyperparamètres standards ou par défaut, dans le but d’établir une base de comparaison homogène entre les différentes approches.

Figure 4. Schéma méthodologique de la modélisation de la susceptibilité aux inondations.

Figure 4. Schéma méthodologique de la modélisation de la susceptibilité aux inondations.

24Sur la base de cette évaluation préliminaire, une optimisation approfondie des hyperparamètres a été appliquée uniquement aux deux modèles présentant les meilleures performances globales, à savoir la Forêt aléatoire (Random Forest) et XGBoost. Ce choix visait à limiter la complexité computationnelle et à réduire le risque de surajustement, tout en concentrant l’effort d’optimisation sur les algorithmes les plus prometteurs.

25La Machine à vecteurs de support (SVM) a été configurée avec un noyau radial (RBF), adapté à la modélisation de relations non linéaires. Les hyperparamètres C et γ ont été sélectionnés à partir de valeurs recommandées dans la littérature. L’algorithme des k plus proches voisins (KNN) a été utilisé comme modèle de référence (benchmark), avec un nombre de voisins k déterminé à partir d’une validation croisée exploratoire.

26Le modèle Random Forest, méthode d’ensemble robuste et peu sensible au surajustement, a fait l’objet d’une optimisation ciblant le nombre d’arbres (n_estimators) et leur profondeur maximale (max_depth). Pour XGBoost, dont les performances dépendent d’un grand nombre d’hyperparamètres interactifs, une recherche aléatoire (RandomizedSearchCV) a été privilégiée afin d’explorer efficacement l’espace des paramètres (learning_rate, max_depth, n_estimators, sous-échantillonnage).

27Les procédures d’optimisation reposent sur les outils RandomizedSearchCV et GridSearchCV, qui intègrent intrinsèquement une validation croisée stratifiée à 5 plis. Le F1-score a été retenu comme critère d’optimisation, afin d’assurer un équilibre entre précision et rappel dans un contexte de classification binaire légèrement déséquilibrée.

28Enfin, un Perceptron multicouche (MLP) a été implémenté avec une architecture fixe à deux couches cachées (128 et 64 neurones), l’optimiseur Adam et une fonction d’activation sigmoïde en sortie. Un prétraitement spécifique des données à l’aide d’un MinMaxScaler a été appliqué. Une optimisation plus poussée du réseau constitue une perspective d’amélioration.

29Tous les modèles ont été évalués selon un protocole commun, fondé sur une validation croisée stratifiée à 5 plis appliquée à l’ensemble d’entraînement (80 % des données). Les performances finales ont ensuite été comparées sur un jeu de test indépendant (20 % des données).

Validation spatiale des modèles

30La performance des modèles de susceptibilité aux inondations a été évaluée non seulement à l’aide des métriques classiques de validation interne, mais également à travers une validation spatiale externe afin d’apprécier leur robustesse et leur capacité de généralisation. Cette validation repose sur l’utilisation d’un jeu de données indépendant des données d’apprentissage.

31Les zones inondées utilisées pour la validation spatiale externe proviennent du jeu de données UNOSAT relatif à la profondeur des eaux de crue observées dans les régions de Saint-Louis et de Matam au 23 octobre 2024. Cet événement correspond à une crue récente et marquée du fleuve Sénégal. Les polygones d’inondation dérivés de ces données n’ont pas été intégrés dans la phase d’apprentissage des modèles et ont été utilisés exclusivement pour évaluer la cohérence spatiale des cartes de susceptibilité produites.

32La validation spatiale a consisté à comparer la distribution spatiale des classes de susceptibilité générées par les différents modèles avec l’emprise des zones inondées cartographiées par UNOSAT. Cette approche permet d’évaluer dans quelle mesure les zones classées comme fortement susceptibles correspondent effectivement aux zones inondées observées de manière indépendante.

33Les résultats de cette validation spatiale ont été analysés de manière comparative entre les différents algorithmes (SVM, KNN, RF, XGBoost et MLP), afin d’identifier les modèles présentant la meilleure cohérence spatiale avec les observations indépendantes et la plus grande stabilité des performances.

Interprétation des modèles

34Pour comprendre les décisions des modèles et identifier les facteurs déterminants, deux méthodes complémentaires ont été employées :

35- SHapley Additive exPlanations (SHAP) : Appliquée aux modèles RF et XGBoost optimisés pour obtenir une interprétation globale (hiérarchie des variables) et locale (contribution à une prédiction spécifique) via des summary plots et beeswarm plots.

36- Importance par permutation : Utilisée principalement pour le modèle RF pour valider l’importance des variables en mesurant la baisse de performance lors de leur permutation aléatoire.

37La combinaison de ces approches permet une interprétation fiable et une validation croisée des facteurs environnementaux contrôlant la susceptibilité aux inondations.

Résultats

Performances comparatives des modèles

38L’évaluation comparative des cinq algorithmes testés, Les Machines à vecteurs de support (SVM), k plus proches voisins (KNN), XGBoost, Forêt aléatoire (Random Forest), et Perceptron multicouche (MLP), met en évidence des différences significatives dans leur capacité à modéliser la susceptibilité aux inondations (tabl. 2). Les modèles fondés sur des méthodes d’ensemble, en particulier le Random Forest et XGBoost, présentent les meilleures performances globales. Le modèle Random Forest obtient les résultats les plus élevés sur le jeu de test indépendant, avec une accuracy et un F1-score macro de 0,82, traduisant un bon équilibre entre précision et rappel. XGBoost suit de près avec une accuracy de 0,80 et un F1-score de 0,80, confirmant la robustesse des méthodes basées sur les arbres pour capturer les relations non linéaires entre les variables environnementales. Le Perceptron Multicouche affiche des performances intermédiaires (F1-score = 0,76), tandis que KNN présente des résultats plus modestes (F1-score = 0,74). Le modèle SVM est le moins performant, avec un F1-score de 0,64.

Tableau 2. Performances initiales des modèles.

Tableau 2. Performances initiales des modèles.

39À l’inverse, les performances de SVM (F1 = 0,72) et KNN (F1 = 0,75) sont plus limitées, en raison de leur sensibilité à la dimensionnalité et à l’hétérogénéité du jeu de données. Le MLP (F1 = 0,80) présente une capacité intermédiaire. L’optimisation poussée des deux meilleurs modèles confirme la robustesse du Random Forest, dont le score F1 s’améliore légèrement pour atteindre 0,87. Le score du XGBoost se stabilise, quant à lui, à 0,83 après le réglage des hyperparamètres (tabl. 3).

Tableau 3. Comparaison des F1-scores avant et après optimisation.

Tableau 3. Comparaison des F1-scores avant et après optimisation.

40L’analyse des courbes ROC (fig. 5), obtenues pour les configurations finales des cinq modèles, confirme la hiérarchie de performance dégagée par les métriques classiques. Les modèles Random Forest et XGBoost, optimisés par recherche d’hyperparamètres, affichent la meilleure capacité discriminante, avec des aires sous la courbe (AUC) respectives de 0,90 et 0,89. Le Perceptron multicouche (MLP, AUC = 0,83) et le k plus proches voisins (KNN, AUC = 0,82), évalués avec leurs paramètres par défaut, présentent une performance correcte mais moindre. Le SVM se distingue par la performance la plus faible (AUC = 0,75). Ces résultats viennent confirmer la supériorité des méthodes d’ensemble pour la cartographie de la susceptibilité aux inondations dans notre zone d’étude.

Figure 5. Courbes ROC et AUC des modèles testés.

Figure 5. Courbes ROC et AUC des modèles testés.

41L’optimisation des hyperparamètres appliquée aux deux modèles les plus performants produit des résultats contrastés. Si le F1-score macro du Random Forest progresse légèrement de 0,82 à 0,83, XGBoost, en revanche, ne montre pas d’amélioration significative, son score restant stable à 0,80. Cette stabilité suggère que le modèle atteignait déjà un compromis optimal entre biais et variance dans sa configuration initiale.

Interprétation des modèles et importance des variables

42L’interprétation des modèles a été réalisée à l’aide de deux approches complémentaires : l’analyse (locale et globale) des contributions par les valeurs SHAP et l’importance par permutation. Cette double approche permet d’identifier à la fois l’influence moyenne des variables sur les prédictions et le sens (positif ou négatif) de leur contribution à la susceptibilité aux inondations.

43Les résultats montrent une domination nette des variables liées à la végétation, à la topographie et au bilan hydrique (fig. 6). L’indice de végétation NDVI apparaît comme la variable la plus influente du modèle, suivie par l’altitude (MNT) et les précipitations annuelles. Cette hiérarchie souligne le rôle fondamental de la couverture végétale et de la position topographique dans le contrôle des écoulements de surface et l’identification des zones de stagnation des eaux.

44L’analyse des valeurs SHAP révèle que des valeurs faibles de NDVI (zones dégradées, sols nus ou faiblement végétalisés) sont associées à une contribution positive à la probabilité d’inondation, tandis qu’une couverture végétale dense exerce un effet protecteur en favorisant l’infiltration et en limitant le ruissellement. De manière cohérente, les indices liés à l’humidité et aux conditions thermiques (NDMI, NDWI et TCI) jouent également un rôle modulateur important.

45Les paramètres topographiques, en particulier l’altitude et la pente, confirment leur rôle structurant. En effet, les zones de basse altitude et de faible pente présentent des contributions SHAP positives, traduisant une propension accrue à l’accumulation des eaux et à la formation de cuvettes inondables. Enfin, les variables pédologiques exercent une influence intermédiaire dans le modèle (fig. 6).

Figure 6. Comparaison des importances globales des variables selon les valeurs SHAP (Random Forest Vs XGBoost).

Figure 6. Comparaison des importances globales des variables selon les valeurs SHAP (Random Forest Vs XGBoost).

46La forte cohérence observée entre les résultats issus des valeurs SHAP et ceux de l’importance par permutation (fig. 7) confère une grande fiabilité à l’interprétation. Les deux méthodes convergent vers une même structuration des facteurs explicatifs, identifiant la topographie et la végétation comme les contrôles primaires de la susceptibilité aux inondations, suivis par les conditions hydriques et pédologiques, puis par l’occupation du sol.

Figure 7. Analyse comparative des importances des variables (SHAP Vs Permutation Importance).

Figure 7. Analyse comparative des importances des variables (SHAP Vs Permutation Importance).

Validation spatiale des modèles à partir de la profondeur des eaux de crue du 23 octobre 2024

47La performance des modèles ne se limite pas à leur capacité de discrimination statistique, mais repose également sur leur aptitude à produire des prédictions spatialement cohérentes. À cet effet, une validation spatiale indépendante a été réalisée en confrontant les cartes de susceptibilité produites par les modèles à la carte de profondeur des eaux de crue observées dans les régions de Saint-Louis et de Matam au 23 octobre 2024, issue des données UNOSAT (fig. 8).

48Les cartes de prédiction générées par le modèle Random Forest montrent une forte concordance spatiale avec l’emprise réelle des zones inondées. Les probabilités élevées de susceptibilité se concentrent principalement le long du lit majeur du fleuve Sénégal, des plaines alluviales et des dépressions topographiques, correspondant aux secteurs effectivement touchés par la crue observée. Cette cohérence spatiale atteste d’une bonne capacité de généralisation du modèle, qui parvient à restituer les structures géomorphologiques contrôlant la dynamique des inondations.

Figure 8. Validation spatiale des modèles Random Forest et XGBoost par comparaison avec la profondeur des eaux de crue observée au 23 octobre 2024.

Figure 8. Validation spatiale des modèles Random Forest et XGBoost par comparaison avec la profondeur des eaux de crue observée au 23 octobre 2024.

49La carte issue du modèle XGBoost met également en évidence les grands axes de vulnérabilité hydrologique, mais présente une extension spatiale plus large des zones à forte probabilité. La comparaison directe entre les deux modèles, à travers la carte des différences (Random Forest - XGBoost), révèle que XGBoost tend à attribuer des probabilités plus élevées dans certaines zones périphériques non systématiquement affectées par les inondations observées. Cette divergence spatiale pourrait traduire une sensibilité accrue du modèle XGBoost aux interactions complexes entre variables, conduisant potentiellement à une surestimation locale du risque. Malgré ces différences, les deux modèles s’accordent sur l’importance relative des principaux facteurs de contrôle identifiés par les analyses d’interprétabilité (topographie et indices de végétation).

Discussion

50Cette étude confirme l’apport majeur des méthodes d’apprentissage automatique pour la cartographie de la susceptibilité aux inondations en milieu semi-aride, tout en montrant que le choix de l’algorithme influence non seulement les performances statistiques, mais également la cohérence spatiale des résultats. Les modèles fondés sur les arbres de décision, en particulier le Random Forest (RF) et XGBoost, se distinguent nettement des approches reposant sur des mesures de distance ou des séparations linéaires.

51Parmi les modèles évalués, le Random Forest apparaît comme l’approche la plus robuste. Il présente un compromis optimal entre précision, rappel et stabilité spatiale, avec un F1-score de l’ordre de 0,83 et une aire sous la courbe ROC avoisinant 0,90. Ces résultats confirment la capacité du RF à gérer efficacement la non-linéarité, l’hétérogénéité spatiale et la colinéarité partielle entre variables environnementales, caractéristiques des systèmes hydrologiques complexes (Mosavi et al., 2018 ; Schoppa et al., 2020 ; Chu et al., 2022 ; Vafakhan et al., 2020).

52Le modèle XGBoost, bien que performant en termes de métriques globales (F1 ≈ 0,80, AUC ≈ 0,89), présente une sensibilité plus marquée aux choix d’hyperparamètres et une tendance à la surestimation spatiale des zones à forte susceptibilité. Des comportements similaires ont été rapportés dans la littérature (Ma et al., 2021 ; Sanders et al., 2022), soulignant les limites d’une évaluation fondée exclusivement sur des indicateurs globaux et l’importance d’une analyse cartographique complémentaire lorsque les résultats sont destinés à des applications opérationnelles.

53L’interprétation des modèles à l’aide des méthodes SHAP et d’importance par permutation apporte un éclairage déterminant sur les mécanismes physiques sous-jacents aux prédictions (Wang et al., 2023 ; Ponce-Bobadilla, 2024). Les résultats révèlent la domination claire des variables liées à la végétation (NDVI), à la topographie (altitude, pente) et au bilan hydrique (précipitations, indices d’humidité). Cette hiérarchie est pleinement cohérente avec les principes de la géomorphologie fluviale : les zones de basse altitude, faiblement végétalisées et soumises à des conditions favorables à la saturation des sols concentrent l’essentiel du risque d’inondation.

54Les variables pédologiques jouent un rôle intermédiaire mais non négligeable, en modulant les processus d’infiltration et de ruissellement selon la texture des sols. Dans l’ensemble, la convergence entre les approches SHAP et par permutation renforce la crédibilité des résultats et atteste que les modèles capturent des relations physiquement plausibles, plutôt que de simples corrélations statistiques.

Conclusion

55Cette étude démontre la pertinence et l’efficacité des approches d’apprentissage automatique pour la cartographie de la susceptibilité aux inondations dans la moyenne vallée du fleuve Sénégal, une région sahélienne particulièrement exposée aux aléas hydrologiques.

56L’évaluation comparative des modèles, conduite après une sélection rigoureuse des variables, met en évidence la supériorité du Random Forest. Ce modèle se distingue par un équilibre optimal entre performances statistiques et cohérence spatiale, produisant des cartes de susceptibilité en adéquation avec les observations historiques des zones inondées. À l’inverse, bien que performant, le modèle XGBoost présente une tendance à la surestimation spatiale, soulignant que des métriques élevées ne garantissent pas nécessairement une justesse opérationnelle.

57L’analyse de l’importance des variables confirme la prépondérance des contrôles physiques fondamentaux, en particulier la topographie, la végétation et les conditions hydriques, validant ainsi la robustesse physique des prédictions produites. Les indices de végétation et d’occupation des sols apparaissent comme des leviers essentiels de modulation du risque, offrant des perspectives intéressantes pour des stratégies d’aménagement et de gestion des territoires inondables.

58Au-delà de la comparaison algorithmique, cette recherche fournit un cadre méthodologique reproductible pour l’analyse de la susceptibilité aux inondations en contexte semi-aride. La carte issue du modèle Random Forest constitue un outil d’aide à la décision pertinent pour l’identification des zones prioritaires d’intervention, la planification territoriale et le renforcement des stratégies de prévention et d’adaptation face au changement climatique.

Haut de page

Bibliographie

AIYELOKUN O. O., AIYELOKUN O. D., AGBEDE O. A. (2023), Application of random forest (RF) for flood levels prediction in Lower Ogun Basin, Nigeria, Natural Hazards, 119, 3, Dordrecht, Springer, pp. 2179-2195.

AYDIN H. E. & IBAN M. C. (2023), Predicting and analyzing flood susceptibility using boosting-based ensemble machine learning algorithms with SHapley Additive exPlanations, Natural Hazards, 116, 3, Dordrecht, Springer, pp. 2957-2991.

BA D. D., NDIAYE P. M., FAYE C. (2018), « Variabilité pluviométrique et évolution de la sécheresse climatique dans la vallée du fleuve Sénégal », Études Togolaises: Revue Togolaise des Sciences, Lomé, Université de Lomé, pp. 1-20.

BAMMOU Y. (2024), 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), Marrakech, Université Cadi Ayyad (Thèse de doctorat).

BENY F., CANAS S., CHAVANNE M., DEUTSCH D., PERSOZ L., TUEL A. (2021), Synthèse du rapport AR6 du GIEC publié le 09/08/2021, S.l., The Schifters.

BODIAN A. (2014), « Caractérisation de la variabilité temporelle récente des précipitations annuelles au Sénégal (Afrique de l’Ouest) », Physio-Géo, 7, pp. 297-312.

BRUCKMANN L., DELBART N., DESCROIX L., BODIAN A. (2021), Recent hydrological evolutions of the Senegal River flood (West Africa), Hydrological Sciences Journal, 67, 3, Londres, Taylor & Francis, pp. 1-14.

CHU Y., LEE H. (2022), Performance of Random Forest Classifier for Flood Mapping Using Sentinel-1 SAR Images, Korean Journal of Remote Sensing, 38, 4, Séoul, Korean Society of Remote Sensing.

COSTANTINI M. (2023), Étude de l’évolution de la ressource mondiale en eau dans un contexte de changement climatique, Toulouse, Université Toulouse 3 Paul Sabatier.

DESCROIX L., NIANG A. D., PANTHOU G., BODIAN A., SANE Y., DACOSTA H., MALAM A. M., VANDERVAERE J.-P., QUANTIN G. (2015), « Évolution récente de la pluviométrie en Afrique de l’ouest à travers deux régions: la Sénégambie et le bassin du Niger moyen », Climatologie, 12, Besançon, Association Internationale de Climatologie, pp. 25-43.

DIEDHIOU R., SAMBOU S., KANE S., LEYE I., DIATTE S., SANÉ M.L., NDIONE D.M. (2020), « Étalonnage du modèle HEC-RAS pour une analyse dimensionnelle des écoulements permanents - Un cas de l’estuaire du fleuve Sénégal en aval du barrage de Diama », Open Journal of Modern Hydrology, 10, 3, pp. 45-64.

GAYE D. (2017), « Suivi de la pluviométrie au Nord-Sénégal de 1954 à 2013: étude de cas des stations synoptiques de Matam, Podor et Saint-Louis », Norois, 244, Rennes, Presses Universitaires de Rennes, pp. 63-73.

GAYE D. & SOW S. A. (2019), « Variabilité pluviométrique au Sahel sénégalais: Évaluation du retour progressif vers la normale », Revue Ivoirienne des Sciences et Technologies, 33, Abidjan, Université Nangui Abrogoua, pp. 84-105.

LI Z. (2022), Extracting spatial effects from machine learning model using local interpretation method: An example of SHAP and XGBoost, Computers, Environment and Urban Systems, 96, Amsterdam, Elsevier, pp. 1-18.

MA M., ZHAO G., HE B., LI Q., DONG H., WANG S., WANG Z. (2021), XGBoost-based method for flash flood risk assessment, Journal of Hydrology, 598, Amsterdam, Elsevier, article 126382.

MENG C., JIN H. (2023), A comparison of machine learning models for predicting flood susceptibility based on the enhanced NHAND method, Sustainability, 15, 20, Bâle, MDPI, pp. 1-22.

MOSAVI A., OZTURK P., CHAU K.W. (2018), Flood prediction using machine learning models: Literature review, Water, 10, 11, Bâle, MDPI, p. 1536.

MOUNTRAKIS G., IM J., OGOLE C. (2011), Support vector machines in remote sensing: A review, ISPRS Journal of Photogrammetry and Remote Sensing, 66, 3, Amsterdam, Elsevier, pp. 247-259.

NDIAYE E. H. M. (2003), « Le fleuve Sénégal et les barrages de l’OMVS: Quels enseignements pour la mise en œuvre du NEPAD? », VertigO - la revue électronique en sciences de l’environnement, 4, 3, Montréal, Université du Québec à Montréal.

NDIAYE M., BOISSY R., FAYE M., KOUAO N.S.R. (2025), « Évaluation comparative des algorithmes d’apprentissage automatique pour la classification des types de sols à partir de caractéristiques physico-chimiques: application de Random Forest, XGBoost, SVM et KNN », VertigO - la revue électronique en sciences de l’environnement, Montréal, Université du Québec à Montréal.

NDIAYE P. M., BODIAN A., DIOP S. B. (2022), « Paradoxe d’évaporation dans la vallée du fleuve Sénégal », Physio-Géo, 17, pp. 67-82.

NOUACEUR Z. (2020), « La reprise des pluies et la recrudescence des inondations en Afrique de l’Ouest sahélienne », Physio-Géo, 15, pp. 89-109.

OMVS (2024), Communiqué d’alerte hydrologique du 16 octobre 2024, Dakar, Organisation pour la Mise en Valeur du Fleuve Sénégal.

PONCE-BOBADILLA A. V., SCHMITT V., MAIER C. S., MENSING S., STODMANN S. (2024), Practical guide to SHAP analysis: Explaining supervised machine learning model predictions in drug development, Clinical and Translational Science, Hoboken, Wiley.

SANDERS W., LI D., WEN Z., FANG Z. N. (2022), Data-driven flood alert system (FAS) using extreme gradient boosting (XGBoost) to forecast flood stages, Water, 14, 5, Bâle, MDPI, pp. 747.

SCHOPPA L., DISSE M., BACHMAIR S. (2020), Evaluating the performance of random forest for large-scale flood discharge simulation, Journal of Hydrology, 590, Amsterdam, Elsevier.

SEYDI S. T., KANANI-SADAT Y., HASANLOU M., SAHRAEI R., CHANUSSOT J., AMANI M. (2023), Comparison of machine learning algorithms for flood susceptibility mapping, Remote Sensing, 15, 1, Bâle, MDPI, p. 192.

SY B., BAH F.B., DAO H. (2024), Flood Extent Delineation and Exposure Assessment in Senegal Using the Google Earth Engine: The 2022 Event, Water, 16, 15, p. 2201.

VAFAKHAH M., HASANI LOOR S.M., POURGHASEMI H., KATEBIKORD A. (2020), Comparing performance of random forest and adaptive neuro-fuzzy inference system data mining models for flood susceptibility mapping, Arabian Journal of Geosciences, 13, Berlin, Springer, p. 417.

WANG M., LI Y., YUAN H., ZHOU S., WANG Y., IKRAM R.M.A., LI J. (2023), An XGBoost-SHAP approach to quantifying morphological impact on urban flooding susceptibility, Ecological Indicators, 153, Amsterdam, Elsevier.

WILCOX C., VISCHEL T., PANTHOU G., BODIAN A., BLANCHE J., DESCROIX L., QUANTIN G., CASSE C., TANIMOUN B., KONE S. (2018), Trends in hydrological extremes in the Senegal and Niger Rivers, Journal of Hydrology, 566, Amsterdam, Elsevier, pp. 531-545.

ZHAO J., ZHANG C., WANG J., ABBAS Z., ZHAO Y. (2024), Machine learning and SHAP-based susceptibility assessment of storm flood in rapidly urbanizing areas: A case study of Shenzhen, China, Geomatics, Natural Hazards and Risk, London, Taylor & Francis.

Haut de page

Table des illustrations

Titre Figure 1. Situation de la moyenne vallée du fleuve Sénégal.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-1.png
Fichier image/png, 171k
Titre Figure 2. Occupation du sol dans la moyenne vallée du fleuve Sénégal.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-2.png
Fichier image/png, 2,8M
Titre Figure 3. Données de référence pour l’entraînement des modèles.
Crédits Source : Centre de Suivi Écologique, 2024.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-3.png
Fichier image/png, 1,2M
Titre Tableau 1. Variables explicatives utilisées pour la modélisation de la susceptibilité aux inondations.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-4.jpg
Fichier image/jpeg, 332k
Titre Figure 4. Schéma méthodologique de la modélisation de la susceptibilité aux inondations.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-5.png
Fichier image/png, 1,9M
Titre Tableau 2. Performances initiales des modèles.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-6.jpg
Fichier image/jpeg, 75k
Titre Tableau 3. Comparaison des F1-scores avant et après optimisation.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-7.jpg
Fichier image/jpeg, 30k
Titre Figure 5. Courbes ROC et AUC des modèles testés.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-8.png
Fichier image/png, 77k
Titre Figure 6. Comparaison des importances globales des variables selon les valeurs SHAP (Random Forest Vs XGBoost).
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-9.png
Fichier image/png, 155k
Titre Figure 7. Analyse comparative des importances des variables (SHAP Vs Permutation Importance).
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-10.png
Fichier image/png, 35k
Titre Figure 8. Validation spatiale des modèles Random Forest et XGBoost par comparaison avec la profondeur des eaux de crue observée au 23 octobre 2024.
URL http://journals.openedition.org/belgeo/docannexe/image/84512/img-11.png
Fichier image/png, 1,0M
Haut de page

Pour citer cet article

Référence électronique

Mamadou Ndiaye, René Boissy, Anastasie Mendy et Gallo Niang, « Modélisation de la susceptibilité aux inondations par apprentissage automatique : Performance de SVM, KNN, XGBoost, RF et Perceptron multitouche (MLP) dans la moyenne vallée du fleuve Sénégal »Belgeo [En ligne], 1 | 2025, mis en ligne le 24 décembre 2025, consulté le 14 janvier 2026. URL : http://journals.openedition.org/belgeo/84512 ; DOI : https://doi.org/10.4000/15exv

Haut de page

Auteurs

Mamadou Ndiaye

Enseignant-vacataire à l'UCAD, Laboratoire de Climatologie et d’Environnement (LCE) - Département de Géographie, Université Cheikh Anta Diop de Dakar
ORCID 0009-0004-6130-4291
mamadou86.ndiaye@ucad.edu.sn

René Boissy

Enseignant-vacataire à l'UCAD, Laboratoire de Climatologie et d’Environnement (LCE) - Département de Géographie, Université Cheikh Anta Diop de Dakar
ORCID 0009-0007-4106-4376
reneboissy@ucad.edu.sn

Anastasie Mendy

Enseignante chercheure à l'UCAD, Maître de conférences titulaire, Laboratoire d’Hydromorphologie - Département de Géographie, Université Cheikh Anta Diop de Dakar
anastasie.mendy@ucad.edu.sn

Gallo Niang

Enseignant-vacataire à l'UCAD, Laboratoire de Climatologie et d’Environnement (LCE) - Département de Géographie, Université Cheikh Anta Diop de Dakar
ORCID 0000-0003-1193-5728
gallonhio@gmail.com

Haut de page

Droits d’auteur

CC-BY-4.0

Le texte seul est utilisable sous licence CC BY 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont susceptibles d’être soumis à des autorisations d’usage spécifiques.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search