Navigation – Plan du site

AccueilNumérosvol. 32 - n° 1La mesure granulométrique par ima...

La mesure granulométrique par imagerie en contexte torrentiel : apports et perspectives des nouvelles méthodes par intelligence artificielle

Image-based grain-size measurement in mountain rivers: contributions and perspectives of new artificial intelligence methods
Johan Berthet, Pierre Lemaire, Alexandre Baratier, Véronique Benacchio, Guillaume Piton et Raphaël Kerverdo
p. 23-40

Résumés

La granulométrie est une donnée essentielle pour la compréhension des dynamiques torrentielles que ce soit à travers des approches hydrauliques ou géomorphologiques. Mais cette donnée est très ponctuelle, d’autant plus en contexte torrentiel où elle est particulièrement complexe à acquérir du fait de la grande étendue granulométrique des particules et de leur forte hétérogénéité spatiale. Afin de faciliter l’acquisition de données granulométriques, des méthodes ont été développées depuis une quarantaine d’année pour mesurer la taille des particules directement depuis des images à très haute résolution. Ces méthodes sont restées longtemps imparfaites. La démocratisation récente des outils de d’intelligence artificielle a permis de mettre au point des détecteurs dont les performances offrent le potentiel d’une généralisation de leur utilisation. Cet article présente le détecteur granulométrique GALET qui est un logiciel mesurant automatiquement les particules visibles sur une image. Ce détecteur basé sur un réseau de neurones et qui permet une mesure exhaustive des grains à partir d’orthophotographies à haute-résolution, acquises notamment par drone. Deux études de cas illustrent son application : le vallon d’Ullion (Alpes-Maritimes), et le torrent du Caïros tous deux affectés par la tempête Alex en 2020. Ces cas démontrent la capacité de GALET à cartographier la granulométrie sur de vastes surfaces et à identifier des structures morphologiques significatives, contribuant à une meilleure compréhension des processus torrentiels. Ces outils ouvrent des perspectives prometteuses pour la modélisation hydrosédimentaire, l’étude du tri granulométrique, et la standardisation d’indicateurs géomorphologiques. L’approche contribue à renforcer les liens entre géomorphologie et hydraulique, en transformant des observations qualitatives en données quantitatives exploitables pour la recherche et la gestion opérationnelle.

Haut de page

Notes de la rédaction

Reçu le18 juillet 2025, définitivement accepté le 2 février 2026

Texte intégral

Le développement de GALET V2 est co-financé par le dispositif R&D Booster de la Région AURA et de la BPI. Les relevés sur le vallon d’Ullion ont ont été réalisé dans le cadre du projet SIBRAOC financé par l’Institut Carnot Eau & Environnement et l’Agence Nationale de la Recherche.

1. Introduction

1Au-delà des enjeux scientifiques stricts, la compréhension des dynamiques des torrents permet de mieux gérer les risques qu’ils peuvent représenter (Martins et al., 2024 ; Turconi et al., 2022). Ces risques sont d’autant plus importants que ces dynamiques évoluent rapidement en lien étroit avec le climat (Baggio et al., 2024 ; Hirschberg et al., 2021). La dynamique sédimentaire est également l’un des principaux facteurs de contrôle des habitats naturels torrentiel (Riebe et al. 2014 ; Rempel et al., 2000). Elle joue donc un rôle important dans l’écologie des cours d’eau de montagne. Les dynamiques géomorphologiques torrentielles, comme celles de l’ensemble des cours d’eau, sont le résultat des interactions entre les caractéristiques intrinsèques du cours d’eau (pente, largeur, etc.) et les apports liquides et les apports solides (Lane, 1955). Pour les comprendre, il est nécessaire de s’intéresser à la fois aux apports liquides et leur comportement, à la géométrie des chenaux torrentiels, et aux apports solides. Pour ces derniers, cela concerne à la fois leurs volumes, mais aussi les caractéristiques individuelles des particules qui les composent, dont la granulométrie en est la principale.

2Dans cet article, nous définissons les torrents comme des cours d’eau de montagne qui regroupent un large gradient géomorphologique (Montgomery et Buffington, 1997) : des petits systèmes torrentiels de tête de bassin jusqu’aux rivières au caractère plus fluvial des vallées alpines.

3Au cours des dernières décennies, les évolutions techniques ont amélioré significativement la compréhension de l’évolution des cours d’eau tant à des fins scientifiques qu’opérationnelles. L’arrivée des méthodes topographiques à haute résolution – LiDAR et photogrammétrie – a mené à mieux comprendre à la fois les apports solides (e.g., Turley et al., 2024), mais surtout les réponses hydromorphologiques (e.g., Anderson et Pitlick, 2014). Enfin, les hydrauliciens continuent de faire progresser la modélisation sédimentaire qui occupe une place de choix dans les études torrentielles opérationnelles, principalement pour le dimensionnement des ouvrages de protection (e.g., de Linares et al., 2022).

4Parmi toutes ces données, la granulométrie reste un angle mort. En effet, les méthodes de mesures manuelles (Wolman, 1954) restent la référence pour les mesures de surface grâce à leur faible coût de mise en place et leur accessibilité. Ces mesures manuelles n’atteignent pas toujours le minimum de 400 particules par levé nécessaire pour atteindre des erreurs de l’ordre de 10 % sur la taille médiane des particules (D50 ; Eaton et al., 2019 ; Rice et Church, 1996). Ainsi, de nombreux relevés restent très partiels. Ceux manuels sont également sensibles aux choix de l’échantillonnage tels que l’emplacement ou la mise en œuvre de la méthode (Bunte et Abt, 2001), et sont également sujets à un biais opérateur important (Marcus et al., 1995 ; Daniels et McCusker, 2010). Les mesures « Wolman » restent surtout ponctuelles. Elles ne sont généralement pas spatialisées, car leur répétition est chronophage. Elles ne permettent pas ou peu d’étudier la variabilité des distributions granulométrique à l’échelle du tronçon (Vázquez-Tarrío et Recking, 2025). Elles sont aussi soumises au choix du lieu d’échantillonnage de l’opérateur sur son tronçon d’étude qui peut être biaisé, par exemple pour des questions d’accessibilité du site de mesure. En conséquence, les données granulométriques restent pauvres dans les études, en particulier celles opérationnelles. On retrouve ainsi souvent des mesures succinctes, reprises au fil des études, voire de simples estimations alors que ces données servent de référence pour des modélisations sur lesquelles se basent les projets d’aménagement. Au-delà de la quantification pure de la taille des particules, c’est tout un ensemble d’autres métriques associées qui sont souvent oubliées, ou remises à de simples observations, parmi lesquelles le tri granulométrique, l’imbrication, l’orientation des particules ou encore leur émoussé. Enfin, les lacunes en données granulométriques limitent les inter-comparaisons entre bassins versants, de nature géologique ou de caractéristiques géomorphologiques différentes alors que cette diversité des contextes physiographiques apporterait des pistes pour expliquer les différents comportements torrentiels.

5Afin de surmonter les difficultés inhérentes aux mesures manuelles, nous avons développé des outils de mesure granulométriques par imagerie : GALETv1, puis GALETv2. La méthode de GALETv1 est présentée par Mörtl et al. (2022). Si l’objectif de cet article n’est pas d’expliquer le fonctionnement détaillé de cet outil, nous apporterons toutefois les éléments de compréhension méthodologique nécessaires, en situant notamment GALET parmi les autres méthodes disponibles. Nous expliquerons ensuite les apports des méthodes de mesure granulométrique par imagerie à travers deux exemples d’applications et le potentiel d’utilisation en contexte torrentiel dans les vallées de la Roya et de la Tinée.

6La mesure des sédiments grossiers s’effectue généralement selon trois axes (Wolman 1954) : l’axe a qui correspond au plus grand axe de la particule ; l’axe b, à l’axe médian ; l’axe c, le plus petit axe. L’axe b est utilisé pour le calcul des principaux indicateurs granulométriques (exemples : D16, D50, D84) qui correspondent aux percentiles indiqués de la distribution de la taille des particules.

2. Méthodes

2.1. Les méthodes de mesures granulométriques par imagerie

7Les mesures granulométriques par imagerie se développent depuis une quarantaine d’années. On distingue deux grandes approches : (i) les méthodes par proxy, où l’information granulométrique est obtenue indirectement d’une information de l’image, telle que la texture (e.g., Carbonneau et al. 2004), et (ii) les méthodes par détecteur, où la mesure granulométrique est effectuée directement sur les particules visibles de l’image (e.g., Ibbeken et Schleyer, 1986).

8Cet article se concentre sur cette seconde approche. Comme les particules sont visibles, la mesure de leur taille peut être effectuée manuellement. Mais étant donné la quantité de particules visibles, ainsi que la grande liberté de choix d’interprétation sur des mesures manuelles, il est devenu rapidement stratégique de développer des solutions pouvant réaliser la détection automatique des particules à partir des images. Cette problématique est devenue d’autant plus critique avec la démocratisation des drones, permettant l’acquisition de grandes surfaces à forte résolution.

9Jusqu’à la fin des années 2010, les outils développés étaient principalement basés sur des méthodes d’analyse d’image qu’on pourrait qualifier de traditionnelles ou éventuellement heuristiques (Detert et Weitbrecht, 2012). Celles-ci sont basées sur un certain nombre d’a priori sur le contenu de l’image (de forme, de couleur, de contraste, etc.) déterminés par le développeur pour modéliser le problème à l’aide d’un nombre limité de paramètres. Elles ont généralement l’inconvénient d’être extrêmement dépendantes d’une combinaison entre les conditions d’acquisition, le type d’objet représentés et la paramétrisation de l’algorithme par un opérateur expert.

10Depuis le milieu des années 2010, le deep learning, ou apprentissage profond, souvent évoqué sous le terme d’intelligence artificielle (IA) a permis l’éclosion de nouveaux outils aux capacités de généralisation bien plus grandes. Ces méthodes apprennent à réaliser une tâche – en l’occurrence, détourer un galet ou un claste – à partir d’un jeu de données d’entrainement souvent massif, généralement sous la forme d’exemples à reproduire (apprentissage supervisé). Dans notre cas, ce dernier correspond à un lot d’images, aussi représentatives que possible, dans lesquelles l’ensemble des particules sont identifiées et segmentées. Classiquement les annotations sont réalisées manuellement, par un opérateur qui, dans le cas de la granulométrie, détoure une à une les particules présentes sur une image. Cette étape est chronophage et a pu être considérée comme rédhibitoire pour parvenir à un outil dédié à la mesure granulométrique suffisamment robuste (Mair et al., 2024).

11L’un des aspects différenciant la granulométrie par imagerie est qu’elle permet une mesure spatialisée. Au contraire d’un échantillonnage Wolman dont les résultats sont ponctuels, la densité élevée des mesures par imagerie permet de distinguer une variation dans la distribution de la taille des particules au sein même d’une forme fluviale, même de petite dimension (Mörtl et al., 2022). En cela, nous considérons cette mesure comme exhaustive, au contraire d’une méthode par échantillonnage, telle qu’une mesure manuelle ou automatique sur placette. Il faut également préciser que les mesures granulométriques par imagerie ne tiennent en compte que les axes a et b apparents, contrairement à la mesure terrain qui nécessite d’extraire la particule et qui permet ainsi de mesurer réellement les axes a, b et c.

2.2. Les défis de la mesure granulométrique par imagerie en contexte torrentiel

12Les cours d’eau de montagne regroupent un large éventail de rivières dont la fourniture sédimentaire et les processus de transport offrent une immensité de réponses morpho-sédimentaires (Montgomery et Buffington, 1997). Cette diversité représente une difficulté inhérente aux torrents pour mettre au point un outil de mesure granulométrique par imagerie suffisamment robuste. En premier lieu, la granulométrie cours d’eau de montagne est souvent très hétérogène : elle s’étend des argiles aux blocs pluri-métriques en passant par toutes les gammes intermédiaires. Chacune des classes peut revêtir une importance certaine suivant la problématique de l’étude : par exemple, pour les torrents à lave, les proportions de sédiments fins vont jouer un rôle prépondérant dans la rhéologie des laves torrentielles (Jeong, 2010 ; Iverson, 1997 ; Chen et al., 2022) ; quant aux blocs, ils vont former un pavage solide quand ils sont peu mobiles (Benda, 1990), ou bien augmenter les désordres et dégâts lorsqu’ils peuvent être transportés (Ng et al., 2021). Pour les processus de charriage, si l’étendue granulométrique est plus restreinte que pour les laves torrentielles, l’amplitude reste très forte (Vázquez-Tarrío et Recking, 2025). Il y a donc là une réelle difficulté scalaire à vouloir étudier la totalité de l’étendue granulométrie torrentielle, qui se traduit par un problème complexe à résoudre informatiquement. Une autre difficulté concerne la proximité des sources sédimentaires, d’origine gravitaire notamment. Les particules ont alors des émoussés, et donc des formes, très variables : de très anguleux à très arrondis, ainsi que des classes de tailles particulièrement hétérogènes. Ces caractéristiques limitent l’utilisation d’un détecteur comme ImageGrains (Mair et al., 2024), élaboré au départ pour segmenter des cellules au microscope, puis spécialisé (par transfer learning) hors du domaine d’apprentissage initial, en exploitant l’idée qu’un galet émoussé avait peu ou prou la forme d’une cellule. Si un a priori de forme est ici plutôt un avantage par rapport à l’hétérogénéité des textures rencontrées, la gestion des différentes classes de taille et des conditions d’acquisition non contrôlées est trop éloignée du domaine d’apprentissage initial pour pouvoir être adaptée de manière complètement robuste.

13Un autre exemple d’adaptation au domaine de la granulométrie est fourni par SegmentEveryGrain (Sylvester et al., 2025), dont le principe est de guider SegmentAnything (SAM ; Kirillov et al., 2023), un outil généraliste et puissant de segmentation d’objets au sens large, grâce à un réseau moins puissant mais spécialiste de la tâche granulométrique. Contrairement à ImageGrains, l’absence de prérequis ou d’apprentissage spécifique sur la forme ou l’aspect d’un galet par SAM rend le réseau sensible à divers phénomènes classiques de la granulométrie torrentielle parmi lesquels le texturage causé par la lithologie, ou les occultations (masquage partiel d’une particule). Ce dernier point est sensible, en particulier parce que la végétation est présente à différents stades dans les torrents en fonction de la récurrence et de l’intensité des évènements.

14Toutefois, les torrents ont également des caractéristiques qui rendent les mesures granulométriques par imagerie pertinentes. Tout d’abord, les surfaces en eau dans la bande active sont globalement plus faibles que sur les autres rivières. La mesure granulométrique par image aérienne offre donc une bonne représentativité de l’ensemble des formes sédimentaires du lit des rivières, contrairement aux rivières à plus faible énergie où seuls quelques bancs de sédiments peuvent émerger des surfaces mouillées. On peut également estimer, au moins pour les torrents à laves torrentielles ou à charriage très important, que la granulométrie de surface reflète mieux l’intégralité du volume sédimentaire du fait du brassage des sédiments (Church et Jakob, 2020 ; Brenna et al., 2020). Pour les rivières à charriage, la granulométrie de surface peut en effet fortement différer de celle de subsurface (Wilcock et De Temple, 2005).

2.3. GALET, un détecteur polyvalent pour la mesure granulométrique, adapté au contexte torrentiel

2.3.1. Architecture du détecteur

15Comme nous avons vu précédemment, le contexte torrentiel et la nature des images à traiter a guidé nos choix concernant l’architecture de la deuxième version de GALET, présentée dans la Figure 1. L’une des principales contraintes est la variété des classes de taille rencontrées. À une résolution de quelques mm par pixel, certaines particules peuvent faire moins de 10 pixels de large (soit à ce jour le seuil de confiance de la plupart des détecteurs) ou au contraire plus de 1000 pixels de large (soit plus que la taille des images d’entrée de la plupart des réseaux neurones actuels). Une approche multi-échelles s’est donc avérée indispensable : le principe est de rééchantillonner l’image d’entrée à plusieurs résolutions différentes, sur lesquelles on réalise une inférence (fig. 1.1). Les sorties sont ensuite fusionnées sur la base d’un consensus : une même particule doit être détectée et appairée à plusieurs échelles distinctes pour être retenue (fig. 1.2, 1.3). En plus d’être nécessaire, cette approche limite les conséquences d’un possible biais du modèle envers une classe granulométrique donnée. Par construction, un même objet doit être détecté à plusieurs échelles différentes, incluant des classes de tailles plus ou moins favorisées par le détecteur. Cette propriété est exploitée depuis les années 1990 dans les détecteurs d’objets dans les images (Rowley et al., 1995).

Fig. 1 – Schéma général de fonctionnement du détecteur GALET v2. Nous réalisons un parcours multi-échelles par fenêtre glissante des orthophotos (1) grâce au détecteur RTMDet (2). Les sorties sont ensuite fusionnées (3), puis les masques des particules sont extraits par un second réseau de neurones dérivé de Segment Anything (4). Enfin, les caractéristiques des particules sont extraites, comme leurs axes a, b et leurs surfaces (5).
Fig. 1 – Overall workflow of the GALET v2 detector. A multi-scale sliding-window analysis of the orthophotos (1) is performed using the RTMDet detector (2). The outputs are then merged (3), and particle masks are extracted using a second neural network derived from Segment Anything (4). Finally, particle characteristics are computed, such as the a and b axes and particle surface area (5).

Fig. 1 – Schéma général de fonctionnement du détecteur GALET v2. Nous réalisons un parcours multi-échelles par fenêtre glissante des orthophotos (1) grâce au détecteur RTMDet (2). Les sorties sont ensuite fusionnées (3), puis les masques des particules sont extraits par un second réseau de neurones dérivé de Segment Anything (4). Enfin, les caractéristiques des particules sont extraites, comme leurs axes a, b et leurs surfaces (5).Fig. 1 – Overall workflow of the GALET v2 detector. A multi-scale sliding-window analysis of the orthophotos (1) is performed using the RTMDet detector (2). The outputs are then merged (3), and particle masks are extracted using a second neural network derived from Segment Anything (4). Finally, particle characteristics are computed, such as the a and b axes and particle surface area (5).

16Par ailleurs, le volume de données à traiter (souvent des orthophotographies de plusieurs dizaines de milliers de pixels dans chaque dimension) impose également une grande vitesse de traitement afin que la méthode soit réplicable. Les réseaux exploités ont donc été sélectionnés pour leur rapidité d’inférence.

17Un dernier élément est la nécessité de réentraîner un réseau pour répondre aux spécificités de cette tâche (appréhension des lithologies, des occultations par la végétation et les autres sédiments, etc.). Nous avons fait le choix de spécialiser des réseaux pré-entrainés généralistes. Ayant appris sur des volumes de données considérables, ils sont dotés d’une bonne capacité de généralisation sur les tâches de détection d’objets (au sens large), en particulier vis à vis des différentes conditions lumineuses rencontrées sur le terrain. En d’autres termes, notre travail a été de spécialiser des réseaux de neurones généralistes pour les rendre experts en granulométrie.

18GALET v2 se compose donc d’un ensemble de deux modèles. Un premier détecteur, RTMDet (Lyu et al., 2022) permet la détection des particules en générant des boites englobantes orientées en une seule passe, fournissant une première approximation des axes b visibles (fig. 1.2). La tâche de segmentation, est réalisée grâce à une combinaison de MobileSAM (Zhang et al., 2023), qui permet un encodage rapide des images à l'aide d'une architecture EfficientViT (Liu et al., 2023), et SAM-HQ (Ke et al., 2023), conçu pour produire des masques plus précis et épousant mieux le contour des objets (fig. 1.4). Bien que de nombreux modèles permettent la détection et la segmentation en un seul réseau (He et al., 2017 ; Mörtl et al., 2022) voire une seule passe (Fan et al., 2019), ce découplage nous permet d’adopter une stratégie multiscalaire sur la détection (très rapide) sans avoir besoin de segmenter (plus lent) en multi échelles. Enfin, une dernière optimisation a consisté à réentrainer le modèle de segmentation sur des tuiles de taille 512x512 plutôt que 1024x1024 (la résolution originale du modèle), ce qui permet d’optimiser le temps d’inférence sans dégradation sensible de la qualité des masques. Ces réseaux sont entrainés de manière complètement supervisée, c’est-à-dire qu’ils nécessitent l’annotation complète de chaque image du jeu d’entrainement. Comme suggéré par Tan et Le (2019), les performances actuelles des réseaux de neurones sont essentiellement le produit conjoint de leur profondeur (le nombre de leurs paramètres) et de la quantité de données disponibles à l’apprentissage. L'acquisition du jeu de données annotées le plus large et représentatif possible est donc nécessaire pour l’entrainement du système le plus robuste possible. Concernant la granulométrie automatique par imagerie, l'approche principale décrite dans la littérature repose sur la construction de jeux de données annotés manuellement à partir d'images terrestres ou de drones (Sylvester et al., 2025 ; Mair et al., 2024 ; Chen et al., 2022 ; Lang et al., 2021), ce qui est particulièrement coûteux et chronophage. À l’inverse, un entraînement basé uniquement sur des images synthétiques crées par IA générative produit généralement de mauvais résultats dans les environnements les plus complexes (Miazza et al., 2024). En effet, des textures et des éclairages irréalistes introduisent des biais qui limitent la capacité de généralisation des modèles sur des images du monde réel (Yang et al., 2024). Des études récentes ont montré que la combinaison de données synthétiques et réelles s'avère efficace pour l'analyse d'images microstructurales (Warren et al., 2024) et l'estimation de profondeur (Yang et al., 2024). En s’inspirant de cette méthodologie, nous avons construit un jeu de données d'entraînement combinant des images réelles et générées. Comme nous l’avons vu précédemment, l’approche multi-échelles utilisée par GALETv2 lui confère une certaine robustesse vis à vis des variations de distributions rencontrées sur le terrain. Bien qu’un soin ait été apporté à varier les distributions granulométriques lors de cette étape, la constitution du jeu de données a surtout été focalisée sur la variété de formes, de lithologies, de contextes et d’éclairages.

19La première moitié du jeu de données d’entraînement repose sur 3260 images réelles orthorectifiées (1024x1024 pixels) provenant de 6 sites aux contextes physiographiques et morphodynamiques hétérogènes (tab. 1).

Tab. 1 – Localisation et contextes géologiques et morphodynamiques des 6 sites utilisés pour la création du jeu de données d’entrainement.
Tab. 1 – Location and geological and morphodynamic settings of the six sites used to build the training dataset.

Tab. 1 – Localisation et contextes géologiques et morphodynamiques des 6 sites utilisés pour la création du jeu de données d’entrainement.Tab. 1 – Location and geological and morphodynamic settings of the six sites used to build the training dataset.

20GALET v2 démontre des performances remarquables en termes de précision et de temps de calcul. En dépit de la profondeur supplémentaire des modèles employés, GALET v2 produit des inférences en temps comparable à GALET v1 (Tableau 2). Il détecte plus d’objets et produit des cartes plus denses que ses compétiteurs sur quasiment tous les tests, sans produire manifestement de faux positifs (fig. 2) dans les zones occupées par l’eau ou la végétation. Il est également à noter que la stratégie multi-échelles permet d’appréhender efficacement des particules de classes variées sans l’apparition de coutures.

Tab. 2 – Nombre de détections et temps d’inférence sur les différentes approches testées. Nous pouvons supposer qu’un maximum de détections et que le plus petit temps consommé sont préférables. À noter que le temps d’inférence est souvent fortement corrélé au nombre de détections.
Tab. 2 – Number of detections and inference time for the different tested approaches. A higher number of detections and a shorter inference time are assumed to be preferable. Note that inference time is often strongly correlated with the number of detections.

Tab. 2 – Nombre de détections et temps d’inférence sur les différentes approches testées. Nous pouvons supposer qu’un maximum de détections et que le plus petit temps consommé sont préférables. À noter que le temps d’inférence est souvent fortement corrélé au nombre de détections.Tab. 2 – Number of detections and inference time for the different tested approaches. A higher number of detections and a shorter inference time are assumed to be preferable. Note that inference time is often strongly correlated with the number of detections.

Fig. 2 – Comparaison des sorties proposées par GALET v2 et 3 de ses compétiteurs sur 2 orthophotographies typiques de notre contexte d’étude.
Fig. 2 – Comparison of the outputs produced by GALET v2 and three competing methods on two orthophotographs representative of the study context.

Fig. 2 – Comparaison des sorties proposées par GALET v2 et 3 de ses compétiteurs sur 2 orthophotographies typiques de notre contexte d’étude.Fig. 2 – Comparison of the outputs produced by GALET v2 and three competing methods on two orthophotographs representative of the study context.

2.3.2. Caractéristiques des images d’entrée

21Actuellement, l’acquisition des photographies par drone constituent la méthode la plus efficace pour générer des orthophotographies à très haute résolution sur de larges surfaces. En effet, les images sont géotaguées par le couplage des capteurs GPS et de la centrale inertielle, ce qui améliore l’appairage des images. L’utilisation de drone utilisant des capteurs GNSS (Global Navigation Satellite System) différentiels intégrés (généralisé sous l’appellation RTK, Real Time Kinematic) permet d’améliorer significativement le géoréférencement. Mais les orthophotographies peuvent également être réalisées à partir de caméras terrestres, de type GoPro®.

22La règle principale à retenir est que la détection est robuste (quasi-exhaustive) pour une taille de particule (axe b) dix fois supérieure à la résolution de l’orthophotographie. En deçà, certaines particules peuvent être détectées, mais pas toutes. Il est donc nécessaire d’avoir un a priori sur la distribution granulométrique du site étudié afin de déterminer la résolution cible de l’orthophoto et donc les paramètres d’acquisition par drone. Par exemple, pour réaliser une orthophotographie avec une résolution de l’ordre 3 mm/pixel le vol drone devra être réalisé à une hauteur comprise entre 10 m et 25 m, en fonction des caractéristiques de la caméra utilisée. Il s’agit donc d’acquisition spécifique puisque les orthophotographies acquises classiquement par drone, avion ou hélicoptères, d’une résolution de l’ordre de 1 à 20 cm sont difficilement utilisables.

23L’amélioration continue des capteurs optiques, la généralisation du RTK et l’amélioration du pilotage (capteurs d’évitement, logiciels de planification automatique des vols, réception) vont amener à optimiser progressivement les protocoles des acquisitions et de traitement, mais également la qualité globale des orthophotographies.

2.3.3. Conversion des mesures en standards granulométriques

24Un échantillonnage Wolman le long de transects ou de grilles produit une mesure de type fréquence par nombre, qui ne peut pas être directement comparée à une mesure par aire, réalisée lors des mesures par imagerie. La capacité de conversion des données en standards Wolman constitue donc une première étape indispensable avant l’avènement possible de nouveaux indices de mesure granulométrique directement obtenus par aire. Elle est également primordiale afin de comparer les données de terrain et valider ainsi la méthode par imagerie. Mais la conversion n’est pas une chose aisée car dans le cas idéal, la mesure par imagerie correspond à une mesure exhaustive, tandis que la mesure de terrain est discrète (mais parfois tronquées par l’opérateur ne retenant pas les diamètres inférieurs à un certain seuil).

25Graham et al. (2012) propose une méthode d’équivalence directe entre les mesures de type Wolman (fréquence par nombre) et les détections par images (fréquence par aire), en considérant la surface des particules plutôt que leur axe b. Selon lui, en l’absence de biais opérateur, la probabilité de sélection d’une particule sur une grille est directement proportionnelle à son aire exposée. La distribution des particules (longueur des axes) doit donc être directement dérivée de la distribution des aires. De manière très schématique, cette méthode consiste à (i) trier les particules selon leur axe b, (ii) calculer la distribution cumulée des aires correspondantes, (iii) réaliser le tirage des quantiles désirés sur cette distribution basée sur les aires et (iv) reporter les axes B correspondant aux quantiles désirés.

26La distribution obtenue reproduit le processus d’échantillonnage mis en œuvre avec la méthode de Wolman. Elle lui est ainsi directement comparable.

3. Cas d’application à des sites torrentiels

3.1. Morphologie et granulométrie d’un grand dépôt torrentiel (1,5 km) : le vallon d’Ullion dans les Alpes Maritimes

3.1.1. Le site d’étude

27Ce cas d'étude porte sur la partie terminale du vallon d'Ullion (commune de Marie, Alpes Maritimes), affluent rive gauche de la Tinée. Ce vallon de 12 km² de bassin versant et de 7,7 km de long prend sa source près du Caïre Gros (2087 m). Avant la tempête Alex, le torrent était très peu actif. Localisé au droit d’une des cellules orageuses les plus intenses de la tempête Alex en octobre 2020 (> 500 mm en 24 h ; Liébault et al., 2024), le vallon a été fortement impacté par cet épisode qui a activé un glissement de terrain de plus de 8 ha dans la tête de bassin, fournissant des centaines de milliers de mètres cubes de sédiment au lit du torrent. Cet apport a été partiellement transféré jusqu'à la Tinée formant un cône de déjection à la confluence. Repoussée en rive droite, la Tinée a détruit sur plusieurs centaines de mètres la Route Métropolitaine 2205. Le tronçon terminal de l’Ullion, long de 1,5 km, s’est engravé sur une épaisseur de l’ordre de 7 m. La comparaison des données LiDAR avant et après crue indique que le dépôt dans ce secteur est d’un volume de l’ordre de 330 000 m³ (Piton et Rodier, 2022 ; Cea et al., 2024).

28Les travaux de correction réalisés post-tempête Alex ont rapidement été gommés par le torrent dès les premières précipitations suffisamment intenses pour générer un écoulement dépassant le seuil de début de transport, sans toutefois générer des ajustements morphologiques majeurs. Au cours de la tempête Aline (octobre 2023), des dépôts se sont à nouveau formés à la confluence, formant un ressaut dans les dépôts alluvionnaires et rendant la configuration morphologique très instable.

29Documenter un tel évènement de charriage torrentiel a de multiples intérêt scientifiques et opérationnels : (i) il permet de mieux comprendre les évènements de charriage extrême (intensité, dynamique, dommages associés), (ii) les relevés peuvent servir à calibrer ou valider des modèles numériques de ces phénomènes mal compris, (iii) les relevés et la compréhension de la nouvelle dynamique du torrent intéressent aussi les décideurs locaux qui doivent gérer une prise d’eau communale et l’axe routier structurant de la RM2205 qui relie notamment Nice avec les stations de ski du Mercantour (Isola 2000, Auron et Saint-Dalmas-le-Selvage). Après des premiers levés granulométriques manuels en 2021, il a été décidé de suivre plus précisément ce site pour pouvoir envisager des modélisations de l’évènement de la tempête Alex, mais aussi pour documenter la dynamique post-Alex qui résulte de l’évolution de l’activité du glissement de terrain et de la dynamique de vidange sédimentaire du vallon.

3.1.2. Caractéristiques des relevés

30Les orthophotographies utilisées pour les mesures granulométriques ont été réalisées sur deux journées en novembre 2023 avec deux drones : un DJI Air 3 majoritairement en vue nadir pour réaliser l’orthophotographie en haute résolution grâce à l’objectif de 70 mm (3589 photos), et un DJI Mini en vue oblique pour assurer une bonne justesse géométrique (1181 photos). 18 GCPs (Ground Control Points, points de calages) relevés au GPS différentiels ont été utilisés, complétés par 50 GCPs extraits depuis les données LiDAR. Après reconstruction, l’erreur moyenne sur les points de calages (distance nuage Lidar - nuage photogrammétrique) est de 8 cm. L’orthophotographie issue de ce modèle, visible sur la Figure 3 représente un linéaire de 1,5 km sur une bande de largeur d’une cinquantaine de mètres en moyenne, pour une superficie de 61 000 m², et une résolution de 3 mm/pxl.

3.1.3. Principaux indicateurs granulométriques

Fig. 3 – Carte des détections sur le torrent de l’Ullion à différentes échelles. Sur la carte générale (en haut), le D84 est estimé par cellule de 1 m² après conversion en équivalent Wolman. Sur les cartes inférieures, le masque de chaque particule est affiché et colorisé en fonction de l’axe b estimé, superposé sur la rangée du bas à l’orthophotographie générée par photogrammétrie.
Fig. 3 – Detection maps of the Ullion torrent at different spatial scales. On the overview map (top), D84 is estimated per 1 m² cell after conversion to Wolman equivalent. On the lower maps, the mask of each particle is displayed and colored according to the estimated b-axis length, and overlaid (bottom row) on the photogrammetry-derived orthophotograph.

Fig. 3 – Carte des détections sur le torrent de l’Ullion à différentes échelles. Sur la carte générale (en haut), le D84 est estimé par cellule de 1 m² après conversion en équivalent Wolman. Sur les cartes inférieures, le masque de chaque particule est affiché et colorisé en fonction de l’axe b estimé, superposé sur la rangée du bas à l’orthophotographie générée par photogrammétrie.Fig. 3 – Detection maps of the Ullion torrent at different spatial scales. On the overview map (top), D84 is estimated per 1 m² cell after conversion to Wolman equivalent. On the lower maps, the mask of each particle is displayed and colored according to the estimated b-axis length, and overlaid (bottom row) on the photogrammetry-derived orthophotograph.

31Sur cette zone d’analyse près de 9 millions de particules ont été détectées. Leur étendue granulométrique est très large : de quelques centimètres à plusieurs mètres. Manipuler de telles quantités de données ouvre un nouveau champ de recherche dans l'analyse des processus de dépôts sédimentaires et de tri granulométrique. En premier lieu, des moyennes à une échelle de maille définie (e.g., 1 m dans la Figure 3) peuvent être réalisées, à des fins d’analyse spatiale du tri granulométrique. Des faciès plus ou moins grossiers apparaissent clairement à différentes échelles sur la Figure 3 : analyser la distribution spatiale et de taille de ces faciès devient possible grâce à des détecteurs comme GALET v2. Des analyses couplées entre la granulométrie et la topographie des dépôts sont aussi à explorer afin d’évaluer la faisabilité d’identifier des formes telles que des lobes de bouffées de charriage ou de laves torrentielles, des processus d’incision de banc ou les traces laissées par des avulsions entre chenaux. Il devient ainsi possible d’alimenter, de calibrer et de valider des modèles numériques hydro-sédimentaires intégrant le tri granulométrique et d’affiner notre compréhension des mécanismes physiques de ségrégation et de leurs effets induits sur la morphologie des dépôts.

3.2. Identification des signatures sédimentaires de la tempête Alex sur les affluents de la Roya

3.2.1. Le site d’étude

32Ce cas d’étude porte sur la rivière du Caïros (commune de Saorge, Alpes-Maritimes), affluent rive droite de la Roya long de 11 km pour un bassin versant de 42 km². Le torrent fait partie des affluents les plus impactés par la tempête Alex dans la vallée de la Roya. Au cours de la tempête Alex, une cellule convective stationne sur la bordure est du massif de l’Argentera-Mercantour, impactant fortement la majorité des affluents situés en rive droite de la haute Roya (ONF-RTM et al., 2023 ; Kerverdo et al., 2025). Situé quelques kilomètres plus au sud de la principale cellule pluviométrique, le bassin versant du Caïros reçoit un cumul de précipitations d’environ 350 mm en 24 heures. La rivière possédait un chenal unique depuis les années 1940-1950, dans une bande active qui s’est progressivement contractée de façon concomitante à la Roya (Liébault et al., 2024). Après la tempête Alex, le Caïros s’est élargi par un facteur de 3,4 (Kerverdo, Lafuerza, Gorini, Fouache, et al. 2025) avec une morphologie en tresses. Deux types d’écoulements ont été distingués : un transport par charriage (localement intense et interprété comme du debris flood), ainsi que des occurrences locales de laves torrentielles à proximité des confluences des tributaires en rive droite (Kerverdo et al., 2025).

33La cartographie géomorphologique et sédimentologique des bandes actives après un événement extrême comme celui-ci (fig. 4A) permet d’identifier des paleo-stage indicators (PSI) (Kochel et Baker, 1982 ; Baker, 1987 ; Benito et al., 2004). Leur positionnement sur un profil en long offre la possibilité de reconstruire la surface de l’eau lors de la crue (Benito et al., 1998). Identifier rapidement ces structures est essentiel, tant pour évaluer les paramètres hydrauliques associés, tels que le débit, que pour caractériser le type d’écoulement à l’origine de leur mise en place.

34Ce cas d’étude se concentre sur un tronçon court mais fortement impacté du Caïros et illustre l’utilisation de GALETv1 (fig. 4) comme support à la réalisation de ces cartographies et à l’obtention de données sédimentologiques à partir des données brutes générées par le détecteur. Dans cette étude de cas, nous présentons l'identification de ces structures à l'aide de deux jeux de données (fig. 5) : l'un avec une résolution recommandée d'environ 3 mm/pixel, et l'autre dans un mode dégradé avec une résolution d'environ 1,2 cm/pixel.

35La section étudiée se situe à environ 1 km en amont de la confluence entre le Caïros et la Roya. Elle s'étend sur 200 m de long et a été élargie par un facteur de 5,8 à la suite de la crue. Les données de ce secteur ont été collectées lors de deux campagnes de terrain menées en mars 2024 et mars 2025, chacune réalisée sur une journée. La première campagne visait à produire une orthophotographie de la rivière torrentielle du Caïros par photogrammétrie. Pour cela, un drone Mavic 3E RTK (objectif équivalent 162 mm) a été utilisé, avec un premier vol à 100 m de hauteur couvrant l’ensemble de la zone d’étude. Un second vol, complémentaire, a été réalisé à 30 m de hauteur sur le secteur d’intérêt, générant plus de 210 photographies (fig. 4B). La seconde campagne, réalisée à 30 m de hauteur et avec le même drone et caméra, avait pour objectif de suivre l’évolution de la topographie du Caïros après la crue Aline. Des vols manuels ponctuels et complémentaires, effectués entre 15 et 20 m de hauteur, ont générés plus de 600 photos.

Fig. 4 – Exemple de digitalisation automatique des particules à partir d’une image haute résolution (gauche) et d’une image en mode dégradé (droite).
Fig. 4 – Example of automatic particle digitization from a high-resolution image (left) and from a grayscale image (right).

Fig. 4 – Exemple de digitalisation automatique des particules à partir d’une image haute résolution (gauche) et d’une image en mode dégradé (droite).Fig. 4 – Example of automatic particle digitization from a high-resolution image (left) and from a grayscale image (right).

3.2.2. Caractéristiques des relevés

36Les images ont été géoréférencées par la correction GNSS RTK du drone. L’alignement des photos, la création des nuages de points et des orthophotographies (résolution : 2,9 mm/pixel et 1,2 cm/pixel) ont été effectués à l’aide du logiciel Agisoft Metashape 2.1.3. La comparaison entre le nuage de points photogrammétriques et le LiDAR HD acquis par l’IGN (juin 2021) sur des zones stables et peu végétalisées révèle une différence altimétrique moyenne de -0,05 m (σ = 0,06 m) pour l’acquisition de mars 2024 et de 0,11 m (σ = 0,13 m) pour l’acquisition de mars 2025. Les données ont été acquises à 13 h, sous un ciel dégagé et ensoleillé et nuageux pour la seconde campagne.

3.2.3. Principaux indicateurs granulométriques

37La zone couvre une superficie de 14 000 m². Deux jeux de données ont été générés : (i) JD n°1 (JD1) avec une résolution de 2,9 mm/pixel et environ 465 000 entités digitalisées ; (ii) JD n°2 (JD2) avec une résolution de 1,2 cm/pixel et environ 40 0000 entités digitalisées. Afin d'améliorer la visualisation spatiale des grains, une maille de 1x1 m a été générée, où chaque maille correspond à la taille moyenne des grains qu’elle contient. La taille minimale (axe b) des particules cartographiées est de 0,03 m (JD1) et 0,006 m (JD2). La taille maximale (axe b) atteint 1,42 m (JD1) et 1,18 (JD2). La répartition granulométrique, basée sur l’axe b, suit la classification de Wentworth (1922), modifiée par Blott et Pye (2001). Des classes granulométriques supplémentaires ont été rajoutées pour les blocs supérieurs à 256 mm où : [256-512] petits blocs, [512-1024] blocs moyens, [1024-2048] blocs larges, [2048-4096] blocs très larges.

38Pour JD1 (n = 40 658), la distribution granulométrique est présentée comme suit : 0,3 % de graviers grossiers (32-64 mm), 60,1 % de galets (64-128 mm), 30,6 % de petits blocs (128-256 mm), 7,8 % de blocs moyens (256-512 mm), 1,2 % de blocs larges (512-1024 mm) et 0,1 % de blocs très larges (1024-2048 mm). Les valeurs caractéristiques de D10, D50 et D84 correspondent à 0,11 m, 0,26 m et 0,61 m respectivement.

39Pour JD2 (n = 465 303), la distribution granulométrique est présentée comme suit : 0,03 % de graviers fins (2-8 mm), 1,7 % de graviers moyens (8-16 mm), 65,8 % de graviers grossiers (16-32 mm), 20,5 % de graviers très grossiers (32-64 mm), 7,8 % de galets (64-128 mm), 3 % de petits blocs (128-256 mm), 0,9 % de blocs moyens (256-512 mm) et 0,2 % de blocs larges (512-1024 mm). Les valeurs caractéristiques de D10, D50 et D84 correspondent à 0,03 m, 0,21 m et 0,53 m respectivement.

40Des différences sont observées entre les caractéristiques granulométriques globales issues des deux acquisitions, principalement liées à la résolution des prises de vue. Pour JD1, la distribution granulométrique est centrée sur les graviers grossiers, tandis que pour JD2, elle se concentre davantage sur les galets (fig. 5). La principale différence concerne la valeur du D10, tandis que les valeurs de D50 et D84 restent relativement proches entre les deux jeux de données. Le D50 de JD2 tend toutefois à changer de classe granulométrique, passant de 128-256 mm (JD1) à 256-512 mm. Une tendance similaire est observée pour les valeurs de D84, voire de D80 (fig. 5).

41Étant donné que JD2 permet la digitalisation automatique des particules (axe b) avoisinant 0,03 m, mais que la majorité des éléments se situe dans le spectre granulométrique des galets, un écrêtage a été appliqué sur les deux jeux de données afin de limiter l’analyse aux particules les mieux représentées dans le jeu de données n°2 (fig. 5). Deux seuils d’écrêtage ont ainsi été testés : 0,064 m et 0,128 m.

42Pour un écrêtage à 0,064 m, les valeurs granulométriques obtenues sont très proches entre les deux jeux de données :

43JD1 : D10 = 0,10 m ; D50 = 0,27 m ; D84 = 0,60 m

44JD2 : D10 = 0,11 m ; D50 = 0,26 m ; D84 = 0,60 m

45Avec un écrêtage à 0,128 m, les distributions restent similaires, bien que de légères différences apparaissent en D84 :

46JD1 : D10 = 0,15 m ; D50 = 0,32 m ; D84 = 0,70 m

47JD2 : D10 = 0,16 m ; D50 = 0,33 m ; D84 = 0,62 m

48Cet exemple montre que des données acquises en mode dégradé permettent de retrouver des caractéristiques granulométriques sensiblement similaires, à condition de définir un seuil d’écrêtage adapté, correspondant aux classes de particules les mieux capturées dans des conditions de vol non optimales (fig. 5).

49Cette approche « dégradée », appliquée à un contexte torrentiel, montre qu’une acquisition à faible résolution (> 1 cm/pixel), combinée à des points ponctuels très précis (~3 mm/pixel), permet d’approximer le spectre granulométrique mobilisé lors d’un événement de crue (fig. 6).

Fig. 5 – Distributions granulométriques, cumulées et cumulées écrêtées (seuil fixé à 0,128 m) pour les jeux de données n°1 (JD1) et n°2 (JD2).
Fig. 5 – Grain-size distributions, cumulative distributions, and truncated cumulative distributions (threshold set to 0.128 m) for dataset no. 1 (JD1) and dataset no. 2 (JD2).

Fig. 5 – Distributions granulométriques, cumulées et cumulées écrêtées (seuil fixé à 0,128 m) pour les jeux de données n°1 (JD1) et n°2 (JD2).Fig. 5 – Grain-size distributions, cumulative distributions, and truncated cumulative distributions (threshold set to 0.128 m) for dataset no. 1 (JD1) and dataset no. 2 (JD2).

Fig. 6 – Résultats granulométriques et géomorphologiques spatialisés. A : section du Caïros étudiée post-crue. Les lignes rouges représentent la bande active post-crue (source : BD Ortho express Alex, IGN), les lignes bleues en pointillée, la bande active en juillet 2020 (source : BD Ortho, IGN), les flèches noires symbolisent le sens de l’écoulement ; B : taille moyenne des clastes par cellule de 1x1 m pour JD2 ; C : taille moyenne des clastes par cellule de 1x1m avec JD1. Les entités morphologiques de surfaces ont été délimitées manuellement en noir.
Fig. 6 – Spatialized granulometric and geomorphological results. (A) Post-flood study reach of the Caïros River. Red lines represent the post-flood active channel (source: BD Ortho Express Alex, IGN), dashed blue lines indicate the active channel in July 2020 (source: BD Ortho, IGN), and black arrows show flow direction ; (B) Mean clast size per 1×1 m cell for JD2 ; (C) Mean clast size per 1×1 m cell for JD1. Surface morphological units were manually delineated in black.

Fig. 6 – Résultats granulométriques et géomorphologiques spatialisés. A : section du Caïros étudiée post-crue. Les lignes rouges représentent la bande active post-crue (source : BD Ortho express Alex, IGN), les lignes bleues en pointillée, la bande active en juillet 2020 (source : BD Ortho, IGN), les flèches noires symbolisent le sens de l’écoulement ; B : taille moyenne des clastes par cellule de 1x1 m pour JD2 ; C : taille moyenne des clastes par cellule de 1x1m avec JD1. Les entités morphologiques de surfaces ont été délimitées manuellement en noir.Fig. 6 – Spatialized granulometric and geomorphological results. (A) Post-flood study reach of the Caïros River. Red lines represent the post-flood active channel (source: BD Ortho Express Alex, IGN), dashed blue lines indicate the active channel in July 2020 (source: BD Ortho, IGN), and black arrows show flow direction ; (B) Mean clast size per 1×1 m cell for JD2 ; (C) Mean clast size per 1×1 m cell for JD1. Surface morphological units were manually delineated in black.

3.2.4. Chronologie des dépôts interprétée au regard des données granulométriques

50Le jeu de données JD2 (fig. 6) a été utilisé pour déterminer la signature granulométrique des dépôts de surface de la tempête Alex. Autrement dit, il ne s’agit pas ici de caractériser la distribution granulométrique de ces dépôts, qui est de toute façon impossible à à réaliser au regard de la résolution, trop faible, des images utilisées, mais d’identifier et cartographier les formes de dépôts à travers des indicateurs granulométriques des particules les plus grossières.

51La digitalisation manuelle a permis d’identifier plusieurs structures morphologiques. Elles peuvent être interprétées comme suit (fig. 6B, C) : la barre de blocs (BB1) obstruant le chenal principal anté-crue de 2020. Deux autres barres de blocs (BB2) et (BB3) sont disposées parallèlement à l’écoulement du chenal post-crue. Un lobe d’étalement (DF1) a été identifié. Ces entités ont été caractérisées par leur granulométrie (D50 et D84) et par un rapport entre les caractéristiques granulométriques de la zone d’étude et des structures de surface.

Tab. 3 – Caractéristiques granulométriques des entités morphologiques étudiées dans la section du Caïros.
Tab. 3 – Grain-size characteristics of the morphological units analyzed in the Caïros River reach.

Tab. 3 – Caractéristiques granulométriques des entités morphologiques étudiées dans la section du Caïros.Tab. 3 – Grain-size characteristics of the morphological units analyzed in the Caïros River reach.

52Les valeurs présentes dans le Tableau 3 et la Figure 6C révèlent que les dépôts les plus grossiers se trouvent au niveau des barres de blocs BB1 et BB2, caractérisées par un ratio D50/D50_maille et D84/D84_maille supérieur à 1. Cette observation est confirmée par la taille maximale (axe B) des blocs mobilisés, atteignant respectivement 1,18 m et 1,24 m (tab. 3). En revanche, les barres BB3 et la zone d'étalement (DF1) présentent des ratios inférieurs ou égal à 1 (tab. 2). Ces ratios permettent de mettre en évidence une ségrégation des grains en surface. Coupler ces informations avec la position des structures de surface par rapport à l'axe du chenal permet de proposer un scénario de mise en place de ces structures.

53Nous observons que la barre de blocs BB1 est localisée dans l’axe du chenal anté-crue (fig. 6, 7A). Les dépôts à l'aval de cette structure n’ont pas été détectés par GALETv1 indiquant soit (i) une fraction plus fine de particules (< 31 cm), soit (ii) une non-détection liée aux conditions d’acquisition (ombres, hauteur de vol insuffisante).

54L’interprétation proposée est la suivante : du fait de l’obstruction créée par BB1 (fig. 6, 7), le chenal a été dévié et a permis une érosion de berge importante. Parallèlement à ce nouveau chenal, deux barres de blocs se sont formées, respectivement BB2 en rive droite et BB3 en rive gauche. BB2 est marquée par des caractéristiques granulométriques plus importantes que toutes les autres structures observées et de la zone d’étude avec des ratios D50/D50_maille et D84/D84_maille de 1,68 et 1,24. À l’inverse, BB3 présente des valeurs semblables ou inférieures à la zone d’étude. Cette différence peut être expliquée par des conditions hydrauliques différentes quant à leur mise en place durant la crue d’octobre 2020. La présence d’un dépôt d’étalement sous la forme d’un lobe (fig. 7B) peut s’expliquer par la création d’un embâcle ou par la proximité directe d’une confluence avec un torrent à 30 m plus à l’aval.

Fig. 7 – Les dépôts post tempête Alex. A : barre de blocs (BB1) obstruant le chenal anté-crue (pointillé bleu) le sens de l’écoulement se fait dans l’axe d’observation ; B : front de lave torrentielle (pointillé blanc) perpendiculaire à l’axe du chenal anté-crue.
Fig. 7 – Post-Alex storm deposits. A: boulder bar (BB1) obstructing the pre-flood channel (blue dashed line); flow direction is aligned with the viewing axis; B: debris-flow front (white dashed line), oriented perpendicular to the pre-flood channel axis.

Fig. 7 – Les dépôts post tempête Alex. A : barre de blocs (BB1) obstruant le chenal anté-crue (pointillé bleu) le sens de l’écoulement se fait dans l’axe d’observation ; B : front de lave torrentielle (pointillé blanc) perpendiculaire à l’axe du chenal anté-crue.Fig. 7 – Post-Alex storm deposits. A: boulder bar (BB1) obstructing the pre-flood channel (blue dashed line); flow direction is aligned with the viewing axis; B: debris-flow front (white dashed line), oriented perpendicular to the pre-flood channel axis.

55Des améliorations peuvent être apportées à la détection automatique des structures de surface, telles que les barres de graviers, de galets, de blocs, les embâcles ou encore les lobes et fronts de laves torrentielles. La prise en compte de la morphologie des dépôts (différence altimétrique relative à une pente locale, rapport de forme) couplée à des seuils granulométriques (densité, D50, D84), ainsi qu'à leur position par rapport à une ligne centrale représentant l’axe du chenal, pourrait affiner cette détection.

56L’utilisation du détecteur GALET en mode dégradé (résolution de l’orthophotographie > 1,2 cm) permet de cartographier les entités morphologiques grossières et d’en extraire des statistiques granulométriques. Le croisement des analyses de terrain et des outils SIG ouvre la possibilité d’établir une chronologie des dépôts et d’interpréter leur organisation spatiale.

4. Discussion et perspectives

57Les outils des plus en plus robustes d’analyse granulométrique par imagerie sont amenés à se généraliser dans les années à venir. En ne réduisant pas la donnée granulométrique à une seule distribution des classes de taille, ce type de mesure ouvre de vastes champs d’applications aux géomorphologues et hydrauliciens dont nous avons tenté de synthétiser les principaux apports dans cette discussion.

4.1. Les transferts sédimentaires à l’échelle du bassin versant

58La mesure granulométrique par imagerie permet d’avoir une donnée à haute résolution et continue, si ce n’est exhaustive. Elle rend également l’acquisition et le traitement des données granulométriques moins coûteuse (en temps humain de travail), ce qui permet des acquisition plus importantes ou plus nombreuses.

59La compréhension du rôle de la fourniture sédimentaire dans le fonctionnement des systèmes torrentiel a largement progressé depuis une vingtaine d’années avec l’apparition des concepts de connectivité sédimentaire. Faute de méthodes suffisamment efficaces pour obtenir des données, l’analyse de la connectivité sédimentaire considère un stock sédimentaire comme homogène, en faisant abstraction de la granulométrie (Heckmann et al., 2018). Or, la distribution granulométrique des stocks sédimentaires est une caractéristique fondamentale pour comprendre les réponses hydromorphologiques. Elle peut, par exemple, être limitante (dépassement de la capacité de transport) si les particules sont trop grossières. Dans ce cas-là, seule une partie du stock sédimentaire et réellement efficace pour le cours d’eau ; l’étude granulométrique permet de quantifier cette proportion qui peut varier suivant le contexte géomorphologique ou lithologique (Mueller et Pitlick, 2013 ; Berthet, 2016). La difficile compréhension des relais des processus, si importante pour comprendre la subtilité des transferts et des blocages sédimentaires (Cossart et al., 2018), pourrait donc être également dépendant de la granulométrie des apports sédimentaires.

60Les transferts sédimentaires peuvent aussi s’appréhender dans la globalité du continuum sédimentaire des cours d’eau. Ainsi, Vázquez-et al. (2020) ont montré une corrélation de la signature morphologique des cours d’eau, avec la fourniture sédimentaire à travers des indicateurs granulométriques. La diminution de la pente vers l’aval diminue la taille des plus grandes particules pouvant être transportées (Regier et al., 2025). Les accidents topographiques au milieu des profils vont quant à eux limiter la capacité de transit des fractions les plus grossières de la charge solide d’un cours d’eau (Surian, 2002). De la même manière que les apports pour le couplage sédimentaire, l’étude granulométrique exhaustive d’un linéaire torrentiel peut donc aider à mieux comprendre le continuum des processus dépendant de la granulométrie, et quantifier les débits solides en fonction des classes granulométriques ou la formation de pavages (Piton et Recking, 2017).

61D’un point de vue méthodologique, la cartographie granulométrique facilitera les approches multitemporelles. Du fait de la difficulté d’acquisition des données granulométriques, les méthodes traditionnelles, en plus d’être réductrices, ne sont pas souvent répétées. Or, la distribution granulométrique torrentielle peut évoluer après des crues ; l’étude de la variabilité temporelle de la granulométrie s’avère alors particulièrement intéressante (Oss Cazzador et al., 2021).

4.2. Applications en modélisation hydraulique et pour la compréhension des processus du transport solide.

62La granulométrie du chenal est aussi un paramètre central des modèles numériques visant à simuler la morphodynamique des systèmes fluviales et torrentiels (Meunier, 1989). Ces derniers résolvent des équations régissant l’écoulement et le transport solide, deux processus pour lesquels la granulométrie du lit influent (Piton et Recking, 2017). Le tri granulométrique et la ségrégation des mélanges granulaires génèrent des faciès et des processus extrêmement complexes et encore mal compris. Les modélisations ont ainsi longtemps été approchées en considérant des granulométries uniformes. Dans des applications au domaine torrentiel où les profondeurs caractéristiques des écoulements sont proches de la taille des plus gros grains et où l’étendue granulométrique est très large, on se doutait pourtant que l’hypothèse de granulométrie uniforme était très forte et réductrice. Des travaux récents ont démontré qu’intégrer le tri granulométrique dans les modèles d’écoulement et de transport améliorait significativement le réalisme des simulations (de Linares et al., 2022). Ces études restaient toutefois limitées à des simulations de conditions contrôlées de laboratoire parce que nous ne disposions pas de méthode permettant de mesurer rapidement la variabilité spatiale granulométrique. Les quelques modèles qui proposaient une prise en compte de la mobilité relative des différentes classes granulométriques (e.g., Parker et Klingeman, 1982) ne pouvaient ainsi pas être rigoureusement testés et validés. Le développement de méthodes telles que présentées dans cet article, ou celles de proxy de la granulométrie utilisant par exemple la rugosité du chenal (Vázquez-Tarrío et al., 2017), change ce paradigme et permettront d’alimenter et d’utiliser des modèles intégrant les processus de tri granulométrique dans l’étude des processus torrentiels. L’amélioration des connaissances granulométriques constitue une avancée indéniable pour la modélisation du transport solide torrentiel, mais permet plus généralement d’améliorer la compréhension des processus. On connait depuis longtemps l’influence de la distribution granulométrique dans la rhéologie des laves torrentielle (Jeong, 2010 ; Iverson, 1997), en particulier, la fraction des sédiments les plus fins, notamment les argiles, peut augmenter la probabilité de laves torrentielles. À l’inverse, une importante proportion des blocs pourra également favoriser la formation d’embâcles rocheux. L’augmentation des capacités de mesure granulométrique offrira donc une dimension supplémentaire à l’analyse des couplages sédimentaires, en particulier en comparant les analyses granulométriques des torrents et ceux des sources sédimentaires.

63On soulignera enfin, les apports que pourraient avoir les approches granulométriques spatialisées pour l’amélioration de la modélisation des écoulement liquides. En effet, la rugosité (coefficient de Manning), étroitement lié à la taille des particules, est souvent simplifiée et généralisée en une valeur unique, alors qu’elle constitue toujours, en particulier pour les rivières torrentielles (Salmasi et Abraham, 2025), un paramètre clé de ces simulations, largement répandues dans un cadre opérationnel.

64En contexte de transport charriage, la mesure exhaustive de la taille des sédiments à haute résolution permet la mise en place d’une véritable cartographie granulométrique qui offre une finesse d’analyse. Par exemple, l’efficacité de ce type d’approche a pu être mis en évidence en contexte fluvial avec la première version de GALET (Mörtl et al., 2022). La cartographie granulométrique totale d’un banc de galet a permis de mettre en évidence du pavage du bord d’attaque de ce dernier et son absence de mouvement lors d’une crue pourtant considérée comme morphogène au regard de sa granulométrie moyenne. Avec ce type d’approche, Ribet et al. (2025) ont montré, sur des rivières en tresse, la corrélation entre les fractions granulométriques grossières avec leur altitude relative, interprétée comme étant une signature hydrologique.

4.3. Cartographie des signatures sédimentaires

65Au sein de la compréhension des processus, la cartographie sédimentaire semble être l’une des pistes les plus prometteuses. Nous avons en effet montré, dans l’exemple d’application sur le Caïros, que les motifs sédimentaires peuvent également s’interpréter de façon plus empirique ou semi-quantitative. De la même manière que les MNT LiDAR favorisent la lecture des formes (Jones et al., 2007), la granulométrie constitue une signature des formes torrentielles. La cartographie des blocs semble notamment particulièrement efficace pour identifier les limites des laves torrentielles (bourrelets latéraux) et leurs influences sur les conditions d’écoulement, ou bien d’identifier les différentes phases d’une crue. En ce sens, il eut été particulièrement intéressant, par exemple, d’effectuer un relevé granulométrique de ce type sur la crue du torrent des Etançons, qui a détruit une bonne partie du hameau de la Bérarde le 21 juin 2024, afin de tenter d’identifier les différentes phases de cette crue torrentielle.

66Les approches spatialisées de la granulométrie qui se développent actuellement montrent l’intérêt de corréler les données sur la taille des particules avec d’autres variables morphométriques (Ribet et al., 2025) ou morphodynamiques (Rogers et al., 2025). Ce type d’analyse permet d’intégrer la granulométrie comme variable plus explicative du fonctionnement hydrosédimentaire complexe d’une rivière.

67On soulignera enfin les approches spécifiques de la signature sédimentaire par la distribution granulométrique. Ces approches visent à caractériser les processus de transport sédimentaire à partir d’analyses statistiques des mesures de la taille des sédiments. La problématique est relativement ancienne (Smith et al., 1997) et s’attarde essentiellement à décrire et expliquer les répartitions bimodales (Church et Hassan, 2023). Plus récemment (Vázquez-Tarrío et Recking, 2025), ont montré l’intérêt de ces approches pour une compréhension plus générale des dynamiques sédimentaires, tout en soulignant que les mesures granulométriques spatialisées constitueraient un pas en avant important pour les consolider.

4.4. Vers l’usage d’une plus grande variété d’indicateurs granulométriques

68La diversité de ces applications met en évidence la nécessité de développer l’usage de nouveaux indicateurs granulométriques. La caractérisation des signatures morphologiques par le ratio d’armurage (Vázquez-et al., 2020) semble par exemple être un indicateur particulièrement intéressant. Cet indicateur a été repris par Mörtl et al. (2022), en utilisant GALET, pour caractériser le pavage d’un banc de galet. Le tri granulométrique, ou bien d’autocorrélation spatiales pourraient également devenir des indicateurs précieux. Les paramètres de forme (Gomez, 1994), d’orientation et d’imbrication (Powell, 1998 ; Brenna et al., 2020) des particules représentent également des pistes particulièrement pertinentes pour la suite. Les indices d’émoussés offrent également des perspectives intéressantes. L’importance de la généralisation et la standardisation de nouveaux indicateurs favorisera l’inter-comparaison de sites.

4.5. Limites et perspectives de la méthode

69Les méthodes de mesures granulométriques par imagerie, avec des outils d’IA, si elles constituent indéniablement un nouvel outil intéressant pour le géomorphologue et l’hydraulicien, n’en possèdent pas moins certaines limites. La communauté scientifique s’emparera de ces méthodes, mais, afin d’exploiter leur potentiel, il faut pouvoir le faire avec la critique et le recul scientifique nécessaire.

70L’approche de la mesure par télédétection offre de nombreux avantages, mais apporte quelques limites qui lui sont inhérentes. Nous avons également présenté l’outil GALET en soulignant l’importance de la granulométrie de surface. La taille des sédiments enfouis reste toutefois une donnée primordiale pour comprendre les dynamiques sédimentaires qui est hors d’atteinte des méthodes par imagerie telle que nous les avons appliquées. L’approche 2D de l’imagerie ne permet pas une véritable mesure en 3D. Pour des cours d’eau à charriage, cette limite semble être négligeable (Mörtl et al., 2022), mais il reste à vérifier les implications de cette approche sur des cours d’eau à plus forte pente, notamment des torrents à lave.

71Les zones immergées constituent également des surfaces pour lesquelles les mesures ne sont pas possibles. Les auteurs travaillent actuellement sur le développement de méthodes d’imagerie subaquatiques, mais elles ne pourront pas être exhaustives comme sur les surfaces émergées, et seront complexes à appliquer en contexte torrentiel. Enfin, quand bien même les méthodes d’acquisition sont optimisées, les données nécessaires pour une mesure directe sont lourdes à acquérir. La méthode par détecteur ne pourra pas, ou seulement avec des moyens lourds, être appliquée à des dizaines de kilomètres de linéaire de cours d’eau. Les méthodes par proxy constituent en ce sens une alternative solide qui continuent d’être développées avec des images acquises à plus large échelle, par exemple avec des données LiDAR et images levées par hélicoptère (Rogers et al., 2025) ou des images satellite Sentinel-2 (Marchetti et al., 2022).

4.6. Méthodes IA et géomorphologie

72Les méthodes d’IA deviennent de plus en plus fréquentes dans les sciences de la Terre. Les approches par réseaux de neurones qui visent à extraire des informations en grande quantité depuis des données, quelles qu’elle soient, sont de plus en plus utilisées et l’utilisation de détecteurs granulométriques, telle que l’illustre ce papier, en est un exemple. Les réseaux de neurones restent néanmoins des « boites noires » qui ne possèdent pas de caractéristiques explicatives ou paramétriques. Elles ne peuvent donc être reconnues comme fonctionnelles que par la validation des résultats qui s’effectuent souvent par benchmark, c’est-à-dire par la comparaison des performances de différents outils sur un même jeu de données.

73On assiste donc au début d’une inflation des publications scientifiques de benchmark de méthodes, auquel la granulométrie n’échappe pas. Il existe alors un risque que la production scientifique s’attarde trop largement sur les méthodes au dépend du développement des nouvelles connaissances qu’elles apportent. Il peut également exister un risque qu’une nouvelle méthode se repende sans éléments de validation. Afin d’éviter ces dérives, il apparait important de structurer la production de benchmarks. Pour le cas de la granulométrie, la structuration pourrait prendre la forme de jeux de données permettant d’établir des indicateurs de performance : qualité et validité des résultats, mais aussi, temps de traitement et ressources numériques nécessaires. Les jeux de données devront être évolutifs pour couvrir les différents contextes géomorphologiques, ou s’adapter à l’évolution des techniques d’acquisition. Ce travail devra donc être animé par une communauté scientifique et être hébergé sur des plateformes qui garantissent l’accessibilité des données et des résultats.

5. Conclusions

74Les outils de mesure granulométrique par imagerie, grâce à la démocratisation des méthodes d’IA, permettent de franchir une étape technique importante, à l’image de ce qu’a pu être l’arrivée des méthodes topographiques à haute résolution pour la mesure des volumes sédimentaires. Le potentiel d’application est très large, et cet article ne présente que quelques exemples.

75Bien au-delà des mesures granulométriques, l’IA permet, pour les géomorphologues, de pouvoir transformer des observations, par nature qualitatives en éléments quantifiables et objectifs. Les éléments quantifiables offrent également un poids technique indéniable pour renforcer la place de la géomorphologie dans les décisions opérationnelles. Il s’agit donc là d’une opportunité certaine dont la discipline doit s’emparer, avec toute la critique scientifique nécessaire.

76Enfin, le développement des mesures géomorphologiques, quantifiables et généralisables, renforcera les échanges disciplinaires. Dans le cas de la granulométrie, les échanges entre géomorphologues et hydrauliciens favoriseront l’interdisciplinarité nécessaire pour approfondir la compréhension de objets naturels complexes.

*Auteur correspondant : johan.berthet@styx4d.com (Johan Berthet)

Haut de page

Bibliographie

Anderson S., Pitlick J. (2014). Using repeat lidar to estimate sediment transport in a steep stream. Journal of Geophysical Research: Earth Surface, 119 (3): 621–643. DOI : 10.1002/2013JF002933.

Baggio T., Martini M., Bettella F., D’Agostino V. (2024). Debris flow and debris flood hazard assessment in mountain catchments. CATENA 245, 108338. DOI : 10.1016/j.catena.2024.108338.

Baker V.R. (1987). Paleoflood Hydrology and Extraordinary Flood Events. Journal of Hydrology 96 (1‑4), 79–99. DOI : 10.1016/0022-1694(87)90145-4.

Benda L. (1990). The Influence of Debris Flows on Channels and Valley Floors in the Oregon Coast Range, U.S.A. Earth Surface Processes and Landforms, 15 (5), 457–466. DOI : 10.1002/esp.3290150508.

Benito G., Grodek T., Enzel Y. (1998). The Geomorphic and Hydrologic Impacts of the Catastrophic Failure of Flood-Control-Dams during the 1996-Biescas Flood (Central Pyrenees, Spain). Zeitschrift Für Geomorphologie, 42 (4), 417–437. DOI : 10.1127/zfg/42/1998/417.

Benito G., Lang M., Barriendos M., Llasat M.C., Francés F., Ouarda T., Thorndycraft V., Enzel Y., Bardossy A., Coeur D., Bobée B. (2004). Use of Systematic, Palaeoflood and Historical Data for the Improvement of Flood Risk Estimation. Review of Scientific Methods. Natural Hazards 31 (3), 623–643. DOI : 10.1023/B:NHAZ.0000024895.48463.eb.

Berthet J. (2016). L’évolution géomorphologique des systèmes torrentiels proglaciaires de la vallée de Chamonix-Mont-Blanc, une approche du couplage sédimentaire de la fin du Petit Age Glaciaire au désenglacement récent. Phdthesis, Université Grenoble Alpes. https://tel.archives-ouvertes.fr/tel-01412350.

Blott S.J., Pye K. (2001). GRADISTAT: A Grain Size Distribution and Statistics Package for the Analysis of Unconsolidated Sediments. Earth Surface Processes and Landforms, 26 (11), 1237–1248. DOI : 10.1002/esp.261.

Brenna A., Surian N., Ghinassi M., Marchi L. (2020). Sediment-Water Flows in Mountain Streams: Recognition and Classification Based on Field Evidence. Geomorphology, 371, 107413. DOI : 10.1016/j.geomorph.2020.107413.

Bunte K., Abt S.R. (2001). Sampling Surface and Subsurface Particle-Size Distributions in Wadable Gravel-and Cobble-Bed Streams for Analyses in Sediment Transport, Hydraulics, and Streambed Monitoring. RMRS-GTR-74. U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station. DOI : 10.2737/RMRS-GTR-74.

Carbonneau P.E., Lane S.N., Bergeron N.E. (2004). Catchment-Scale Mapping of Surface Grain Size in Gravel Bed Rivers Using Airborne Digital Imagery. Water Resources Research, 40 (7). DOI : 10.1029/2003WR002759.

Cea L., García-Feal O., Nord G., Piton G., Legoût C. (2024). Implementation of a GPU-Enhanced Multiclass Soil Erosion Model Based on the 2D Shallow Water Equations in the Software Iber. Environmental Modelling & Software, 179, 106098. DOI : 10.1016/j.envsoft.2024.106098.

Chen T.Y.K., Hung C.Y., Mullenbach J., Hill K. (2022). Influence of Fine Particle Content in Debris Flows on Alluvial Fan Morphology. Scientific Reports, 12 (1), 21730. DOI : 1038/s41598-022-24397-x.

Chen X., Hassan M.A., Fu X. (2022). Convolutional Neural Networks for Image-Based Sediment Detection Applied to a Large Terrestrial and Airborne Dataset. Earth Surface Dynamics, 10 (2), 349–66. DOI : 10.5194/esurf-10-349-2022.

Church M., Hassan M.A. (2023). The Fluvial Grain-Size Gap: Experimental Confirmation of Hydraulic Origin. Earth Surface Processes and Landforms, 48 (8), 1502–1511. DOI : 10.1002/esp.5562.

Church M., Jakob M. (2020). What Is a Debris Flood? Water Resources Research, 56 (8), e2020WR027144. DOI : 10.1029/2020WR027144.

Cossart E., Viel V., Lissak C., Reulier R., Fressard M., Delahaye D. (2018). How Might Sediment Connectivity Change in Space and Time? Land Degradation & Development, 29 (8), 2595–613. DOI : 10.1002/ldr.3022.

Daniels M.D., McCusker M.H. (2010). Operator bias characterizing stream substrates using Wolman pebble counts with a standard measurement template. Geomorphology, 115 (1), 194–198. DOI: 10.1016/j.geomorph.2009.09.038.

Detert M., Weitbrecht V. (2012). Automatic object detection to analyze the geometry of gravel grains – a free stand-alone tool. River Flow 2012 (London, UK), 595–600.

Eaton B.C., Moore R.D., MacKenzie L.G. (2019). Percentile-Based Grain Size Distribution Analysis Tools (GSDtools) – Estimating Confidence Limits and Hypothesis Tests for Comparing Two Samples. Earth Surface Dynamics, 7 (3), 789–806. DOI : 10.5194/esurf-7-789-2019.

Fan R., Cheng M.M., Hou Q., Mu T.J., Wang J., Hu S.M. (2019). S4Net: Single Stage Salient-Instance Segmentation. 6103–6112.

Gomez B. (1994). Effects of Particle Shape and Mobility on Stable Armor Development. Water Resources Research, 30 (7), 2229–2239. DOI : 10.1029/94WR00770.

Graham D.J., Rollet A.J., Rice S.P., Piégay H. (2012). Conversions of Surface Grain-Size Samples Collected and Recorded Using Different Procedures. Journal of Hydraulic Engineering, 138 (10), 839–849. DOI : 10.1061/(ASCE)HY.1943-7900.0000595.

He K., Gkioxari G., Dollar P., Girshick R. (2017). Mask R-CNN. 2961–2969.

Heckmann T., Cavalli M., Cerdan O., Foerster S., Javaux M., Lode E., Smetanová A., Vericat D., Brardinoni F. (2018). Indices of sediment connectivity: opportunities, challenges and limitations. Earth-Science Reviews, 187, 77–108. DOI : 10.1016/j.earscirev.2018.08.004.

Hirschberg J., Fatichi S., Bennett G.L., McArdell Brian W., Peleg N., Lane S.N., Schlunegger F., Molnar P. (2021). Climate Change Impacts on Sediment Yield and Debris-Flow Activity in an Alpine Catchment. Journal of Geophysical Research: Earth Surface, 126 (1), e2020JF005739. DOI : 10.1029/2020JF005739.

Ibbeken H., Schleyer R. (1986). Photo-Sieving: A Method for Grain-Size Analysis of Coarse-Grained, Unconsolidated Bedding Surfaces. Earth Surface Processes and Landforms, 11 (1), 59–77. DOI : 10.1002/esp.3290110108.

Iverson R.M. (1997). The Physics of Debris Flows. Reviews of Geophysics, 35 (3), 245–296. DOI : 10.1029/97RG00426.

Jeong S.W. (2010). Grain Size Dependent Rheology on the Mobility of Debris Flows. Geosciences Journal, 14 (4), 359–369. DOI : 10.1007/s12303-010-0036-y.

Jones A.F., Brewer P.A., Johnstone E., Macklin M.G. (2007). High-Resolution Interpretative Geomorphological Mapping of River Valley Environments Using Airborne LiDAR Data. Earth Surface Processes and Landforms, 32 (10), 1574–1592. DOI : 10.1002/esp.1505.

Ke L., Ye M., Danelljan M., Liu Y., Tai Y.W., Tang C.K., Yu F. (2023). Segment Anything in High Quality. In Advances in Neural Information Processing Systems, Oh A., Naumann T., Globerson A., Saenko K., Hardt M., Levine S. (Eds), vol. 36. Curran Associates, Inc.

Kerverdo R., Lafuerza S., Gorini C., Fouache E., Granjeon D., Deschamps R., Migeon S., Rubino J.L., Lagrée P.Y., Jafari M., Bianchi N. (2025). Stratigraphic Record of an Extreme Hydro-Sedimentary Event in Steep Mountainous Environnements: A Case Study in the Roya Valley. Prépublication, SSRN. DOI : 10.2139/ssrn.5173415.

Kerverdo R., Lafuerza S., Gorini C., Rabaute A., Granjeon D., Deschamps R., Fouache E., Jafari M., Lagrée P.Y. (2025). The Impact of Storm Alex on the Vievola Catchment: A Quantitative Analysis of Sediment Volume and Morphological Changes in the Roya River Tributaries. Landslides, 22 (3), 753–761. DOI : 10.1007/s10346-024-02361-2.

Kirillov A., Mintun E., Ravi N., Mao H., Rolland C., Gustafson L., Xiao T., Whitehead S., Berg A.C. (2023). Segment anything. Proceedings of the IEEE/CVF international conference on computer vision, 4015–4026.

Kochel R.C., Baker V.R. (1982). Paleoflood Hydrology. Science, 215 (4531), 353–361. DOI : 10.1126/science.215.4531.353.

Lane E.W. (1955). Design of Stable Channels. Transactions of the American Society of Civil Engineers, 120 (1), 1234–1260. DOI : 10.1061/TACEAT.0007188.

Lang N., Irniger A., Rozniak A., Hunziker R., Wegner J.D., Schindler K. (2021). GRAINet: Mapping Grain Size Distributions in River Beds from UAV Images with Convolutional Neural Networks. Hydrology and Earth System Sciences, 25 (5), 2567–2597. DOI : 10.5194/hess-25-2567-2021.

Liébault F., Melun G., Piton G., Chapuis M., Passy P., Tacon S. (2024). Channel Change during Catastrophic Flood: Example of Storm Alex in the Vésubie and Roya Valleys. Geomorphology 446, 109008. DOI : 10.1016/j.geomorph.2023.109008.

Linares M.G. de, Ronzani F., Recking A., Mano V., Piton G. (2022). Coupling Surface Grain-Size and Friction for Realistic 2D Modelling of Channel Dynamics on Massive Bedload Deposition. In Advances in Hydroinformatics, Gourbesville P., Caignaert G. (Eds). Springer Nature. DOI : 10.1007/978-981-19-1600-7_49.

Liu X., Peng H., Zheng N., Yang Y., Hu H., Yuan Y. (2023). EfficientViT: Memory Efficient Vision Transformer With Cascaded Group Attention. 14420–14430.

Lyu C., Zhang W., Huang H., Zhou Y., Wang Y., Liu Y., Zhang S., Chen K. (2022). RTMDet: An Empirical Study of Designing Real-Time Object Detectors. Version 2. Prépublication, arXiv. https://doi.org/10.48550/ARXIV.2212.07784.

Mair D., Witz G., Do Prado A.H., Garefalakis P., Schlunegger F. (2024). Automated Detecting, Segmenting and Measuring of Grains in Images of Fluvial Sediments: The Potential for Large and Precise Data from Specialist Deep Learning Models and Transfer Learning. Earth Surface Processes and Landforms, 49 (3), 1099–1116. DOI : 10.1002/esp.5755.

Marchetti G., Bizzi S., Belletti B., Lastoria B., Comiti F., Carbonneau P.E. (2022). Mapping Riverbed Sediment Size from Sentinel-2 Satellite Data. Earth Surface Processes and Landforms, 47 (10), 2544–2559. DOI : 10.1002/esp.5394.

Marcus W.A., Ladd S.C., Stoughton J.A., Stock J.W. (1995). Pebble Counts and The Role of User‐Dependent Bias in Documenting Sediment Size Distributions. Water Resources Research, 31 (10), 2625–2631. DOI : 10.1029/95WR02171.

Martins C., Piton G., Kuss D., Guitet C., Carladous S., Robert Y., Andréis N., Liébault F. (2024). Tempête Alex – retour d’expérience des crues torrentielles du 2 octobre 2020 dans les Alpes-Maritimes. LHB 110 (1), 2381471. https://doi.org/10.1080/27678490.2024.2381471.

Meunier M. (1989). Essai de synthèse des connaissances en érosion et hydraulique torrentielle. La Houille Blanche, 75 (5), 361–376. DOI : 10.1051/lhb/1989040.

Miazza R., Pascal I., Ancey C. (2024). Automated Grain Sizing from Uncrewed Aerial Vehicles Imagery of a Gravel‐bed River: Benchmarking of Three Object‐based Methods. Earth Surface Processes and Landforms, 49 (5), 1503–1514. DOI : 10.1002/esp.5782.

Montgomery D.R., Buffington J.M. (1997). Channel-reach morphology in mountain drainage basins. GSA Bulletin, 109 (5), 596–611. DOI : 10.1130/0016-7606(1997)109%253C0596:CRMIMD%253E2.3.CO;2.

Mörtl C., Baratier A., Berthet J., Duvillard P.A., De Cesare G. (2022). GALET: A deep learning image segmentation model for drone-based grain size analysis of gravel bars. Proceedings of the 39th IAHR World Congress.

Mueller E.R., Pitlick J. (2013). Sediment Supply and Channel Morphology in Mountain River Systems: 1. Relative Importance of Lithology, Topography, and Climate. Journal of Geophysical Research: Earth Surface, 118 (4), 2325–2342. DOI : 10.1002/2013JF002843.

Ng C.W.W., Liu H., Choi C.E., Kwan J.S.H., Pun W.K. (2021). Impact Dynamics of Boulder-Enriched Debris Flow on a Rigid Barrier. Journal of Geotechnical and Geoenvironmental Engineering, 147 (3), 04021004. DOI : 10.1061/(ASCE)GT.1943-5606.0002485.

ONF-RTM, ONF-DRN, INRAE-ETNA (2023). Retour d’expérience technique de la crue du 2 octobre 2020 dans la vallée de la Roya - Volet torrentiel. Recherche Data Gouv. DOI : 10.57745/B69M2O.

Cazzador D.O., Rainato R., Mao L., Martini L., Picco L. (2021). Coarse sediment transfer and geomorphic changes in an alpine headwater stream. Geomorphology, 376, 107569. DOI :10.1016/j.geomorph.2020.107569.

Parker G., Klingeman P.C. (1982). On Why Gravel Bed Streams Are Paved. Water Resources Research, 18 (5), 1409–1423. DOI : 10.1029/WR018i005p01409.

Piton G., Recking A. (2017). The Concept of Travelling Bedload and Its Consequences for Bedload Computation in Mountain Streams. Earth Surface Processes and Landforms, 42 (10), 1505–1519. DOI : 10.1002/esp.4105.

Piton G., Rodier R. (2022). Comparaison des outils de modélisation des évolutions du fond par charriage - Analyse du potentiel et des limitations des outils de modélisation 2D sur deux cas d’étude. Report, INRAE ETNA ; DGPR (Direction Générale de la Prévention des Risques - Ministère de la Transition Ecologique et Solidaire). https://hal.inrae.fr/hal-03735959.

Powell D.M. (1998). Patterns and Processes of Sediment Sorting in Gravel-Bed Rivers. Progress in Physical Geography: Earth and Environment, 22 (1), 1–32. DOI : 10.1177/030913339802200101.

Regier P., Chen Y., Son K., Bao J., Forbes B., Goldman A., Kaufman M., Rod K.A., Stegen J. (2025). Different Methods of Estimating Riverbed Sediment Grain Size Diverge at the Basin Scale. Frontiers in Earth Science, 13. DOI : 10.3389/feart.2025.1529503.

Rempel L.L., Richardson J.S., Healey M.C. (2000). Macroinvertebrate Community Structure along Gradients of Hydraulic and Sedimentary Conditions in a Large Gravel-Bed River. Freshwater Biology, 45 (1), 57–73. DOI : 10.1046/j.1365-2427.2000.00617.x.

Ribet L., Liébault F., Borgniet L., Deschâtres M., Melun G. (2025). Surface Grain-Size Mapping of Braided Channels from SfM Photogrammetry. Earth Surface Dynamics, 13 (4), 607–627. DOI : 10.5194/esurf-13-607-2025.

Rice S., Church M. (1996). Sampling surficial fluvial gravels; the precision of size distribution percentile sediments. Journal of Sedimentary Research, 66 (3), 654–665. DOI : 10.2110/jsr.66.654.

Riebe C.S., Sklar L.S., Overstreet B.T., Wooster J.K. (2014). Optimal Reproduction in Salmon Spawning Substrates Linked to Grain Size and Fish Length. Water Resources Research, 50 (2), 898–918. DOI : 10.1002/2013WR014231.

Rogers J.M., Brasington J., Hoyle J. (2025). Bed Material Facies Mapping at Braided River Scale and Evidence for Trends in Fine Sediment. Earth Surface Processes and Landforms, 50 (2), e70012. DOI : 10.1002/esp.70012.

Rombach R., Blattmann A., Lorenz D., Esser P., Ommer B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 10674–10685. DOI : 10.1109/CVPR52688.2022.01042.

Rowley H., Baluja S., Kanade T. (1995). Human face detection in visual scenes. Advances in Neural Information Processing Systems 8.

Ruiz N., Li Y., Jampani V., Pritch Y., Rubinstein M., Aberman K. (2023). DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation. 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 22500–22510. DOI : 10.1109/CVPR52729.2023.02155.

Salmasi F., Abraham J. (2025). Investigation of sediment particle shape and channel slope on Manning’s coefficient for gravel bed rivers (an experimental study). ISH Journal of Hydraulic Engineering, 31 (4), 610–623. DOI : 10.1080/09715010.2025.2502990.

Smith G.H.S., Nicholas A.P., Ferguson R.I. (1997). Measuring and Defining Bimodal Sediments: Problems and Implications. Water Resources Research, 33 (5), 1179–1185. DOI : 10.1029/97WR00365.

Surian N. (2002). Downstream variation in grain size along an Alpine river: analysis of controls and processes. Geomorphology, 43 (1), 137–149. DOI : 10.1016/S0169-555X(01)00127-1.

Sylvester Z., Stockli D.F., Howes N., Roberts K., Malkowski M.A., Poros Z., Martindale R.C., Bai W. (2025). Segmenteverygrain: A Python module for segmentation of grains in images. Journal of Open Source Software 10 (112), 7953.

Tan M., Le Q. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Proceedings of the 36th International Conference on Machine Learning, 6105–6114. https://proceedings.mlr.press/v97/tan19a.html.

Turconi L., Tropeano D., Savio G., Bono B., De S.K., Frasca M., Luino F. (2022). Torrential Hazard Prevention in Alpine Small Basin through Historical, Empirical and Geomorphological Cross Analysis in NW Italy. Land 11 (5), 5. DOI : 10.3390/land11050699.

Turley M., Hassan M.A., Zimmermann A., Lian O. (2024). Sediment Source Partitioning and Budgeting Over Historical Timescales in a Glacierized, Mountain Catchment. Journal of Geophysical Research: Earth Surface, 129 (10), e2024JF007819. DOI : 10.1029/2024JF007819.

Vázquez-Tarrío D., Borgniet L., Liébault F., Recking A. (2017). Using UAS Optical Imagery and SfM Photogrammetry to Characterize the Surface Grain Size of Gravel Bars in a Braided River (Vénéon River, French Alps). Geomorphology, 285, 94–105. DOI : 10.1016/j.geomorph.2017.01.039.

Vázquez-Tarrío D., Piégay H., Menéndez-Duarte R. (2020). Textural signatures of sediment supply in gravel-bed rivers: Revisiting the armour ratio. Earth-Science Reviews, 207, 103211. DOI : 10.1016/j.earscirev.2020.103211.

Vázquez-Tarrío D., Recking A. (2025). The variability of grain size metrics in gravel-bed rivers. CATENA, 255, 108974. DOI: 10.1016/j.catena.2025.108974.

Warren P., Raju N., Prasad A., Hossain M.S., Subramanian R., Kapat J., Manjooran N., Ghosh R. (2024). Grain and Grain Boundary Segmentation Using Machine Learning with Real and Generated Datasets. Computational Materials Science, 233, 112739. DOI : 10.1016/j.commatsci.2023.112739.

Wentworth C.K. (1922). A Scale of Grade and Class Terms for Clastic Sediments. The Journal of Geology, 30 (5), 377–392. DOI : 10.1086/622910.

Wilcock P.R., DeTemple B.T. (2005). Persistence of Armor Layers in Gravel‐bed Streams. Geophysical Research Letters, 32 (8), 2004GL021772. DOI : 10.1029/2004GL021772.

Wolman M.G. (1954). A Method of Sampling Coarse River‐bed Material. Eos, Transactions American Geophysical Union, 35 (6), 951–956. DOI : 10.1029/TR035i006p00951.

Yang L., Kang B., Huang Z., Xu X., Feng J., Zhao H. (2024). Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data. 10371–10381.

Zhang C., Han D., Qiao Y., Kim J.U., Bae S.H., Lee S., Hong C.S. (2023). Faster Segment Anything: Towards Lightweight SAM for Mobile Applications. Version 2. Prépublication, arXiv. DOI : 10.48550/ARXIV.2306.14289.

Zhang L., Rao A., Agrawala M. (2023). Adding Conditional Control to Text-to-Image Diffusion Models. 2023 IEEE/CVF International Conference on Computer Vision (ICCV), 3813–3824. DOI : 10.1109/ICCV51070.2023.00355.

Haut de page

Annexe

Abridged English version

Grain-size distribution is a fundamental parameter for understanding torrential dynamics, both from hydraulic and geomorphological perspectives, and it also plays a key role in ecological functioning and risk management in mountain streams. However, in torrential contexts, grain-size data are notoriously difficult to acquire because of the very wide range of particle sizes, strong spatial heterogeneity, and the practical limitations of traditional field-based methods. Conventional manual approaches, such as Wolman pebble counts, remain widely used due to their simplicity and low cost, but they suffer from major limitations. They are time-consuming, spatially punctual, sensitive to operator bias, and often statistically insufficient, leading to large uncertainties. As a result, grain-size data are frequently sparse, poorly spatialized.

To overcome these limitations, image-based grain-size measurement methods have been developed over the past four decades. These approaches fall into two main categories: proxy-based methods, which infer grain size indirectly from image texture, and detector-based methods, which directly identify and measure individual particles visible in images. The article focuses on this second approach, highlighting the transformative impact of recent developments in deep learning. Unlike earlier heuristic image-processing techniques, which required strong assumptions and expert tuning, neural-network-based detectors offer far greater robustness and generalization capacity across variable acquisition conditions and sedimentary contexts.

In this paper, we present GALET v2, an artificial-intelligence-based grain-size detector specifically designed to be versatile and robust, qualities necessary for use in torrential environments. One of the main challenges lies in the wide range of particle sizes encountered. A multi-scale strategy therefore proved essential. The input orthophoto is resampled at several resolutions, on which object detection is performed independently. The resulting detections are then merged through a consensus strategy: a particle must be consistently detected and matched at multiple scales to be retained. Beyond being necessary, this approach limits potential model bias toward specific grain-size classes.

GALET v2 is designed for both accuracy and computational efficiency, as the data to be processed often consist of large orthophotos millimeter resolution. Drone-based photogrammetry coupled with GNSS-RTK georeferencing systems currently provides the most efficient means of generating such very-high-resolution orthophotos over large areas.

The system relies on two specialized but pre-trained models. Particle detection is performed by RTMDet, which generates oriented bounding boxes in a single pass, providing an initial estimate of the visible B-axis. Segmentation is then carried out using a combination of MobileSAM, based on an EfficientViT encoder for rapid image embedding, and SAM-HQ, which produces high-quality masks closely matching particle outlines. This decoupling between detection and segmentation enables an efficient multi-scale detection strategy without incurring the computational cost of multi-scale segmentation. Additional optimization was achieved by retraining the segmentation model on 512×512 tiles instead of the original 1024×1024 resolution, significantly reducing inference time without degrading mask quality.

While most existing studies rely on manually annotated real images – an expensive and time-consuming process – training exclusively on synthetic images generally performs poorly in complex environments due to unrealistic textures and lighting. Following recent work, GALET v2 was trained on a hybrid dataset combining real and synthetic images, with particular emphasis on variability in shapes, lithologies, surface contexts, and illumination. The real component consists of 3,260 orthorectified images (1024×1024 pixels) acquired from six different rivers.

GALET v2 demonstrates high accuracy and competitive computation times comparing to existing sediment particle detectors. It detects more particles, produces denser maps, and shows minimal false positives in water or vegetated areas. The multi-scale strategy effectively handles wide grain-size distributions without stitching artifacts. Detection is quasi-exhaustive for particles whose B-axis is at least ten times the ground sampling distance.

Finally, to compare our results with traditional Wolman counts, a conversion from area-based to number-based distributions is required. Following Graham et al. (2012), particle selection probability is assumed proportional to exposed surface area. Wolman-equivalent quantiles are obtained by sorting particles by B-axis, computing the cumulative area distribution, extracting the desired quantiles, and reporting the corresponding B-axes, thus enabling direct comparison with field measurements.

Two detailed case studies illustrate the capabilities of GALET. The first concerns the Ullion catchment in the Tinée valley, heavily impacted by Storm Alex in 2020. High-resolution drone imagery (3 mm/pixel) covering 1.5 km of channel enabled the detection of nearly nine million particles. The resulting grain-size maps reveal strong spatial patterns of sediment sorting and depositional facies within a massive torrential deposit, offering new insights into post-event sediment dynamics and providing valuable data for hydro-sedimentary modelling.

The second case study focuses on the Caïros stream in the Roya valley, also affected by Storm Alex. Here, GALET is applied both at optimal and degraded image resolutions to identify sedimentary signatures and surface morphological structures such as block bars and debris-flow lobes. The analysis demonstrates that, even with lower-resolution imagery, reliable grain-size indicators can be obtained if appropriate thresholds are applied. Spatialized grain-size metrics are then used to interpret the chronology and hydraulic conditions of deposition during the extreme event.

These methods enable continuous, spatially explicit, and repeatable measurements, facilitating multi-temporal analyses and improving understanding of sediment connectivity, grain-size sorting, and transport limitations at the catchment scale. They also provide critical input for numerical models of sediment transport and morphodynamics, particularly those that explicitly account for grain-size heterogeneity and segregation processes. Beyond sediment transport, spatialized grain-size data can improve hydraulic modelling by better constraining bed roughness parameters. AI-based image grain-size measurement represents a major methodological shift for torrent studies. By obtaining large quantitative and spatially exhaustive datasets, tools such as GALET strengthen the links between geomorphology and hydraulics and offer powerful new perspectives for both scientific research and operational river management.

Haut de page

Table des illustrations

Titre Fig. 1 – Schéma général de fonctionnement du détecteur GALET v2. Nous réalisons un parcours multi-échelles par fenêtre glissante des orthophotos (1) grâce au détecteur RTMDet (2). Les sorties sont ensuite fusionnées (3), puis les masques des particules sont extraits par un second réseau de neurones dérivé de Segment Anything (4). Enfin, les caractéristiques des particules sont extraites, comme leurs axes a, b et leurs surfaces (5).Fig. 1 – Overall workflow of the GALET v2 detector. A multi-scale sliding-window analysis of the orthophotos (1) is performed using the RTMDet detector (2). The outputs are then merged (3), and particle masks are extracted using a second neural network derived from Segment Anything (4). Finally, particle characteristics are computed, such as the a and b axes and particle surface area (5).
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-1.png
Fichier image/png, 2,0M
Titre Tab. 1 – Localisation et contextes géologiques et morphodynamiques des 6 sites utilisés pour la création du jeu de données d’entrainement.Tab. 1 – Location and geological and morphodynamic settings of the six sites used to build the training dataset.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-2.jpg
Fichier image/jpeg, 109k
Titre Tab. 2 – Nombre de détections et temps d’inférence sur les différentes approches testées. Nous pouvons supposer qu’un maximum de détections et que le plus petit temps consommé sont préférables. À noter que le temps d’inférence est souvent fortement corrélé au nombre de détections.Tab. 2 – Number of detections and inference time for the different tested approaches. A higher number of detections and a shorter inference time are assumed to be preferable. Note that inference time is often strongly correlated with the number of detections.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-3.jpg
Fichier image/jpeg, 109k
Titre Fig. 2 – Comparaison des sorties proposées par GALET v2 et 3 de ses compétiteurs sur 2 orthophotographies typiques de notre contexte d’étude.Fig. 2 – Comparison of the outputs produced by GALET v2 and three competing methods on two orthophotographs representative of the study context.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-4.jpg
Fichier image/jpeg, 525k
Titre Fig. 3 – Carte des détections sur le torrent de l’Ullion à différentes échelles. Sur la carte générale (en haut), le D84 est estimé par cellule de 1 m² après conversion en équivalent Wolman. Sur les cartes inférieures, le masque de chaque particule est affiché et colorisé en fonction de l’axe b estimé, superposé sur la rangée du bas à l’orthophotographie générée par photogrammétrie.Fig. 3 – Detection maps of the Ullion torrent at different spatial scales. On the overview map (top), D84 is estimated per 1 m² cell after conversion to Wolman equivalent. On the lower maps, the mask of each particle is displayed and colored according to the estimated b-axis length, and overlaid (bottom row) on the photogrammetry-derived orthophotograph.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-5.png
Fichier image/png, 6,0M
Titre Fig. 4 – Exemple de digitalisation automatique des particules à partir d’une image haute résolution (gauche) et d’une image en mode dégradé (droite).Fig. 4 – Example of automatic particle digitization from a high-resolution image (left) and from a grayscale image (right).
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-6.jpg
Fichier image/jpeg, 582k
Titre Fig. 5 – Distributions granulométriques, cumulées et cumulées écrêtées (seuil fixé à 0,128 m) pour les jeux de données n°1 (JD1) et n°2 (JD2).Fig. 5 – Grain-size distributions, cumulative distributions, and truncated cumulative distributions (threshold set to 0.128 m) for dataset no. 1 (JD1) and dataset no. 2 (JD2).
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-7.png
Fichier image/png, 299k
Titre Fig. 6 – Résultats granulométriques et géomorphologiques spatialisés. A : section du Caïros étudiée post-crue. Les lignes rouges représentent la bande active post-crue (source : BD Ortho express Alex, IGN), les lignes bleues en pointillée, la bande active en juillet 2020 (source : BD Ortho, IGN), les flèches noires symbolisent le sens de l’écoulement ; B : taille moyenne des clastes par cellule de 1x1 m pour JD2 ; C : taille moyenne des clastes par cellule de 1x1m avec JD1. Les entités morphologiques de surfaces ont été délimitées manuellement en noir.Fig. 6 – Spatialized granulometric and geomorphological results. (A) Post-flood study reach of the Caïros River. Red lines represent the post-flood active channel (source: BD Ortho Express Alex, IGN), dashed blue lines indicate the active channel in July 2020 (source: BD Ortho, IGN), and black arrows show flow direction ; (B) Mean clast size per 1×1 m cell for JD2 ; (C) Mean clast size per 1×1 m cell for JD1. Surface morphological units were manually delineated in black.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-8.jpg
Fichier image/jpeg, 1,4M
Titre Tab. 3 – Caractéristiques granulométriques des entités morphologiques étudiées dans la section du Caïros.Tab. 3 – Grain-size characteristics of the morphological units analyzed in the Caïros River reach.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-9.jpg
Fichier image/jpeg, 68k
Titre Fig. 7 – Les dépôts post tempête Alex. A : barre de blocs (BB1) obstruant le chenal anté-crue (pointillé bleu) le sens de l’écoulement se fait dans l’axe d’observation ; B : front de lave torrentielle (pointillé blanc) perpendiculaire à l’axe du chenal anté-crue.Fig. 7 – Post-Alex storm deposits. A: boulder bar (BB1) obstructing the pre-flood channel (blue dashed line); flow direction is aligned with the viewing axis; B: debris-flow front (white dashed line), oriented perpendicular to the pre-flood channel axis.
URL http://journals.openedition.org/geomorphologie/docannexe/image/21201/img-10.jpg
Fichier image/jpeg, 1,1M
Haut de page

Pour citer cet article

Référence papier

Johan Berthet, Pierre Lemaire, Alexandre Baratier, Véronique Benacchio, Guillaume Piton et Raphaël Kerverdo, « La mesure granulométrique par imagerie en contexte torrentiel : apports et perspectives des nouvelles méthodes par intelligence artificielle »Géomorphologie : relief, processus, environnement, vol. 32 - n° 1 | 2026, 23-40.

Référence électronique

Johan Berthet, Pierre Lemaire, Alexandre Baratier, Véronique Benacchio, Guillaume Piton et Raphaël Kerverdo, « La mesure granulométrique par imagerie en contexte torrentiel : apports et perspectives des nouvelles méthodes par intelligence artificielle »Géomorphologie : relief, processus, environnement [En ligne], vol. 32 - n° 1 | 2026, mis en ligne le 18 février 2026, consulté le 08 mars 2026. URL : http://journals.openedition.org/geomorphologie/21201 ; DOI : https://doi.org/10.4000/15pwo

Haut de page

Auteurs

Johan Berthet

Styx4D, 19 rue Lac Saint André, 73370 le Bourget du Lac

Articles du même auteur

Pierre Lemaire

Styx4D, 19 rue Lac Saint André, 73370 le Bourget du Lac

Alexandre Baratier

Styx4D, 19 rue Lac Saint André, 73370 le Bourget du Lac

Articles du même auteur

Véronique Benacchio

Styx4D, 19 rue Lac Saint André, 73370 le Bourget du Lac

Guillaume Piton

Univ. Grenoble Alpes, INRAE, CNRS, IRD, Grenoble INP, IGE, 38000 Grenoble, France

Articles du même auteur

Raphaël Kerverdo

Institut des Sciences de la Terre de Paris (ISTeP), Sorbonne Université, CNRS-INSU, 75005 Paris, France

Haut de page

Droits d’auteur

CC-BY-SA-4.0

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

Haut de page
Search OpenEdition Search

You will be redirected to OpenEdition Search