Navigation – Plan du site

AccueilNumérosVolume 19ArticlesVers une nouvelle classification ...

Sommaire - Document précédent -
Articles

Vers une nouvelle classification des modèles d'évaluation et de prédiction de l'érosion hydrique

Towards a new classification of water erosion assessment models
Aïcha Fadil et Farid El Wahidi
p. 83-112

Résumés

Français English

Cette synthèse passe en revue différentes méthodes d'évaluation de l'érosion et du transport des matériaux. Largement explorées depuis plusieurs décennies, ces approches permettent de prédire les pertes de terre et d'estimer les risques associés à l'érosion hydrique. Cependant ces modèles diffèrent considérablement, tant pour les phénomènes étudiés, leur nature et leur complexité sur le terrain, que pour l'approche mise en œuvre, à travers la variété et la qualité des données utilisées, les échelles d'application spatiale et temporelle et les informations obtenues en sortie, leurs types et leurs incertitudes.
Une tentative de classification des modèles d'évaluation de l'érosion hydrique (129 modèles considérés) est présentée à partir de leurs attributs géospatiaux les plus déterminants pour la modélisation de l'érosion hydrique. Ils ont été identifiés, explicités et regroupés en six catégories : empiriques, conceptuels, physiques, d'évaluation multicritère, statistiques et d'apprentissage automatique. Ce travail décrit ensuite les atouts et les limites de chaque catégorie pour documenter les processus intervenant dans la mobilisation des matériaux, le développement de l'érosion sous différentes formes (en nappe, en rigoles ou en ravines) et les transports solides.

Haut de page

Texte intégral

I - Introduction

1L'érosion hydrique est communément définie comme le déplacement des matériaux du sol sous l'action de la pluie et du ruissellement. Elle constitue un risque environnemental majeur qui détruit chaque année de grandes quantités de sols fertiles dans le monde (W. WANG et al., 2013), contribue à l'insécurité alimentaire et menace la gestion durable des écosystèmes mondiaux (A. GAYEN et al., 2019). Ce phénomène naturel est en outre associé à d'autres problèmes environnementaux, tels que la désertification, les inondations, les glissements de terrain et la durée de vie de certaines infrastructures hydrauliques, notamment des barrages (O. RAHMATI et al., 2017).

2L'ampleur de ce phénomène dépend d'un large éventail de facteurs environnementaux impliquant le relief, les roches, les sols et formations superficielles, l'occupation du sol, la végétation et les précipitations (O. RAHMATI et al., 2016). Bien que l'érosion hydrique soit le résultat de processus naturels, les activités humaines, telles que les pratiques agricoles inadéquates, les déforestations, les pâturages, les constructions de routes et de bâtiments, etc., peuvent accélérer l'apparition et le développement des phénomènes érosifs (I. IONITA et al., 2015).

3Toute gestion destinée à limiter le risque d'érosion nécessite d'en évaluer les facteurs déclenchants et d'identifier les zones où il est susceptible de se concrétiser (E. MEKONNEN, 2017 ; A. ARABAMERI et al., 2018). Le niveau du risque d'érosion et son évolution dans le temps sont des indicateurs précieux pour l'élaboration d'une stratégie d'intervention et d'aménagement du territoire.

4Avec le développement de la technologie SIG (Système d'Information Géographique) et l'abondance des données spatio-temporelles (aéroportées, satellitaires, LIDAR...) au cours des dernières années, beaucoup de modèles ont été établis pour mesurer la susceptibilité des terres à l'érosion hydrique, cartographier sa répartition et comprendre sa dynamique (A. ARABAMERI et al., 2019). Plusieurs tentatives ont été faites pour catégoriser ces modèles (V. JETTEN et al., 2003 ; W.S. MERRIT et al., 2003 ; H. AKSOY et M.L. KAVVAS, 2005 ; C.G. KARYDAS et al., 2014 ; M. KAKHRI et al., 2014 ; P. BORRELLI et al., 2021) en se basant sur plusieurs critères intrinsèques. Ceux-ci peuvent être reliés au type d'approche (empirique, conceptuel, etc.), au caractère déterministe ou probabiliste de la méthode suivie, aux données (quantitatives ou semi-quantitatives) utilisées pour créer et développer ces modèles (données optiques, radar, Lidar, photoplans), à l'aspect cinétique (vision statique ou dynamique) ou spatialement explicite (approches basées sur les SIG et la télédétection ou ponctuelles à partir d'enquêtes), etc.

5Appuyé sur une large revue bibliographique des modèles prédictifs de l'érosion hydrique (MPEH) produits au cours des 60 dernières années, cet article a pour objectif d'en établir une nouvelle classification, en tenant compte à la fois de la chronologie et des différences méthodologiques.

II - L'érosion hydrique et sa modélisation

6L'érosion hydrique met en jeu le détachement des particules du sol par les précipitations et le ruissellement, leur transport par les eaux superficielles et leur dépôt le long du trajet suivi par ces eaux sur les versants et dans les cours d'eau. Elle peut se produire en nappe, de manière diffuse, ou sous forme linéaire lorsqu'elle prend de l'ampleur (griffures, rigoles, ravines).

7La modélisation est un outil majeur pour appréhender la répartition spatiale des phénomènes érosifs ainsi que pour prédire leur possible développement. La littérature scientifique présente un grand nombre de modèles d'évaluation et de prédiction de l'érosion hydrique qui ont été utilisés pour réaliser des cartes de vulnérabilité, identifier les sites dégradés, prioriser les sites à restaurer et sensibiliser les populations aux enjeux liés à cette problématique.

8Du fait de la grande diversité des superficies (de quelques m2 à plusieurs centaines de km2 ‒ Tab. I) et des durées considérées (depuis l'épisode ponctuel jusqu'au long terme), différents modèles prédictifs de l'érosion hydrique (MPEH) ont été développés (V. JETTEN et al., 1999 ; V. SPALEVIC et al., 2014). Les plus performants fonctionnent à différentes échelles temporelles et spatiales (V. SPALEVIC et al., 2014).

Tableau I - Échelles spatiales pour la modélisation de l'érosion hydrique (classification inspirée de A. RAZA et al., 2021).

Tableau I - Échelles spatiales pour la modélisation de l'érosion hydrique (classification inspirée de A. RAZA et al., 2021).
Agrandir Original (jpeg, 89k)

9Pour ce travail, nous avons consulté 178 articles traitant un total de 129 modèles. Ils ont été repérés à partir de mots-clés (érosion hydrique, typologie des modèles, attributs géospatiaux, échelle spatiale, échelle temporelle, processus modélisé) et sélectionnés pour leur problématique (objectif scientifique et approche méthodologique).

10À partir de leurs attributs géospatiaux les plus déterminants, ces modèles ont été regroupés en six catégories (Tab. II) : empiriques, conceptuels, physiques, d'évaluation multicritère (EMC), statistiques et d'apprentissage automatique (App.Auto) (Fig. 1 et 2).

Tableau II - Nombre de modèles considérés et nombre d'articles lus pour chaque type de modèles prédictifs de l'érosion hydrique.

Tableau II - Nombre de modèles considérés et nombre d'articles lus pour chaque type de modèles prédictifs de l'érosion hydrique.
Agrandir Original (jpeg, 53k)

EMC : évaluation multicritère. App.Auto. : apprentissage automatique.
La même utilisation a pu faire l'objet de plusieurs articles.

Figure 1 - Évolution chronologique des principaux types de modèles prédictifs de l'érosion hydrique.

Figure 1 - Évolution chronologique des principaux types de modèles prédictifs de l'érosion hydrique.
Agrandir Original (jpeg, 133k)

EMC : évaluation multicritère. App. Auto. : apprentissage automatique.
Les modèles cités sont indiqués à titre d'exemples.

Figure 2 - Pourcentage d'utilisation de chacun des principaux types de modèles prédictifs de l'érosion hydrique.

Figure 2 - Pourcentage d'utilisation de chacun des principaux types de modèles prédictifs de l'érosion hydrique.
Agrandir Original (jpeg, 96k)

III - Les différents types de modèles

1 ) Modèles empiriques

11Au début de la modélisation de l'érosion des sols, l'estimation des pertes à long terme constituait la principale motivation des études (L. EISAZADEH et al., 2012). Les méthodes empiriques (Tab. III) sont souvent difficiles à mettre en œuvre et visent à estimer la quantité annuelle moyenne de matière solide perdue dans une zone donnée. Elles n'obéissent à aucune loi physique ou de distribution statistique, mais sont principalement basées sur des relations déduites empiriquement à partir de données d'observation.

Tableau III - Modèles empiriques d'évaluation de l'érosion hydrique les plus utilisés (n = 23).

Tableau III - Modèles empiriques d'évaluation de l'érosion hydrique les plus utilisés (n = 23).
Agrandir Original (jpeg, 461k)

C/V : champ / versant sans bassin versant constitué. pBV : petit bassin versant < 50 km2). BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.

12Certaines équations, comme celles de FOURNIER, de ROEHL ou de THOMSON, cherchent à extrapoler de manière simple des mesures de l'érosion effectuées en différentes régions du globe. Mais les plus utilisées sont celles qui intègrent de nombreux paramètres explicatifs de l'érosion, qui peuvent être climatiques (précipitations), physiographiques (surface, pente, relief du bassin versant...) ou liés à la végétation et à l'utilisation des sols. Cette préoccupation a donné lieu au développement de USLE (Universal Soil Loss Equation), suivie d'autres versions, MUSLE (Modified USLE), DUSLE (Differentiated USLE) et RUSLE (Revised USLE), qui se distinguent sur la base des échelles spatiale et temporelle.

13En toute rigueur, le modèle USLE et ceux qui en sont issus n'évaluent que l'érosion en nappe, sans tenir compte de l'écoulement concentré (rigoles, ravines). MUSLE estime les transports solides de chaque averse, sans tenir compte de l'érosivité de la pluie, mais en considérant le volume ruisselé. Il est utilisé pour calculer l'envasement des lacs et des retenues collinaires. La version RUSLE (K.G. RENARD et al., 2011) est utilisée pour la caractérisation à long terme des pertes annuelles moyennes de sol par érosion diffuse sur de grandes zones où les données sont éparses. D'autres modèles, tels que MOSES, USPED, G2 et SEDD, tirent parti du contexte empirique de l'équation universelle de perte de sol, avec de nombreuses améliorations dans lesquelles différentes expressions de l'érosion et des facteurs topographiques sont prises en compte.

14D'autres modèles empiriques ont été développés, soit pour les systèmes agroforestiers, tels que WaNuLCAS (Water, Nutrient and Light Capture in Agroforestry System), SCUAF (Soil Changes Under Agroforestry) et HyPAR (Hybrid PARch), soit à l'échelle du champ et du versant, tel que PSIAC (Pacific Southwest Interagency Committee), ou à l'échelle d'un terrain plus étendu, tels que EPM (Erosion Potential Method) et TCRP (Tillage Controlled Runoff Pattern) (A. RAZA et al., 2021).

15Les modèles empiriques sont difficilement exportables de manière directe dans un environnement différent de celui dans lequel ils ont été développés. Leur recalibrage impliquerait, en effet, des mesures sur le terrain nécessitant un lourd investissement en temps et en matériel. Ils sont en outre incapables de prévoir la probabilité de ravinement à l'échelle spatiale et, pour la plupart, ne s'appliquent qu'à l'érosion en nappe et sur des zones de pentes faibles à modérées (É. ROOSE, 1994).

2 ) Modèles conceptuels

16Les modèles conceptuels (Tab. IV) tiennent compte de la continuité des phénomènes de l'amont vers l'aval, aussi bien pour le ruissellement (en nappe ou concentré) que pour l'érosion (en nappe, en rigoles ou en ravines) (M.B. BECK, 1987). La plupart, par exemple SWRRB (Simulator for Water Resources in Rural Basins), APSIM (Agricultural Production Simulator), RillGrow (Rill initiation and development), SWIM (Soil and Water Integrated Model) et LASCAM (LArge Scale Catchment Model), utilisent des équations issues d'approches empiriques (USLE, MUSLE) pour estimer l'érosion des sols.

Tableau IV - Modèles conceptuels d'évaluation de l'érosion hydrique les plus utilisés (n = 13).

Tableau IV - Modèles conceptuels d'évaluation de l'érosion hydrique les plus utilisés (n = 13).
Agrandir Original (jpeg, 252k)

P : petite parcelle (longueur < 10 m). C/V : champ / versant sans bassin versant constitué. BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.

17Ces modèles sont à même de prédire la distribution spatio-temporelle de la mobilisation et du transfert des matériaux à l'échelle du champ en fonction des caractères du sol et de la gestion courante des cultures. Parmi eux, APSIM et IQQM (Integrated Water Quantity and Quality model) sont des modèles de simulation continue qui prédisent la génération, le transport et le dépôt de sédiments en surface et dans les canaux, ainsi que la perte de nutriments et les modifications du sol associées au ruissellement des eaux de pluie. Certains modèles, tels qu'APSIM et AGNPS (Agricultural Non-point Source pollution model) traitent les informations à l'échelle de l'épisode pour prédire l'érosion du sol dans des systèmes agricoles complexes, depuis le champ ou le versant jusqu'au grand bassin versant ou la petite région.

18Proposant une conceptualisation de la réalité à travers des simplifications, les modèles conceptuels considèrent généralement les caractéristiques les plus critiques du bassin versant et les processus d'érosion impliqués. Ils n'exigent pas de grandes quantités de données d'entrée temporelles et spatiales.

19En général, les modèles conceptuels les plus simples présentent moins de problèmes d'identification (ou d'estimation) que les modèles plus complexes (S. SOROOSHIAN, 1991). Ainsi les problèmes d'identification de modèle peuvent-ils être minimisés en réduisant le nombre de paramètres à estimer par le biais de la calibration et éventuellement en identifiant des paramètres supplémentaires en utilisant la connaissance a priori du système (H.S. WHEATHER et al., 1993). Ils ont toutefois tendance à cumuler des incertitudes à différents stades de leur implémentation (modèle logique de données et modèle physique de données).

3 ) Modèles physiques

20Le développement de modèles à paramètres physiques (Tab. V) a été largement motivé par les problèmes de pollution des cours d'eau (fortes concentrations de matières en suspension, de nutriments et de pesticides agricoles).

Tableau V - Modèles physiques de l'érosion hydrique les plus utilisés (n=29).

Tableau V - Modèles physiques de l'érosion hydrique les plus utilisés (n=29).
Agrandir Original (jpeg, 519k)

P : petite parcelle (longueur < 10 m). C/V : champ / versant sans bassin versant constitué. pBV : petit bassin versant < 50 km2). BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.

21Ce type de modélisation nécessite des données spatialisées en entrée et produit ses résultats à travers la résolution d'équations physiques fondamentales qui décrivent le débit et la mobilisation d'élements solides et de nutriments.

22L'utilisation, à l'échelle du bassin versant, d'un modèle de ruissellement et d'érosion à paramètres physiques distribués, peut améliorer la compréhension de la variabilité des facteurs contribuant à la perte de sol. En théorie, les paramètres utilisés sont mesurables et donc "connus". Dans la pratique, le grand nombre des paramètres impliqués, leur hétérogénéité et l'écart entre l'échelle à laquelle les algorithmes du modèle sont appliqués et celle des mesures disponibles, requièrent souvent que ces paramètres soient calibrés par rapport aux données observées (H.S. WHEATHER et al., 1993). Cela crée une incertitude supplémentaire dans les valeurs des paramètres et dans la véracité des résultats du modèle (M.B. BECK, 1987).

23Idéalement, les équations qui régissent les processus dans les modèles fondés sur la physique devraient être dérivées pour des terrains de petite taille et dans des conditions physiques très spécifiques. Mais, dans la pratique, elles sont régulièrement utilisées sur des terrains plus vastes et dans des conditions physiques hétérogènes, si bien que les paramètres utilisés peuvent perdre leur signification physique (M.S. SEYFRIED et B.P. WILCOX, 1995). Les équations sont dérivées pour être utilisées avec des données spatiales et temporelles continues, mais les données utilisées sont souvent des données ponctuelles que l'on prend pour représenter des cellules entières du bassin versant (K. BEVEN, 1989). Parmi ces modèles, on compte KINEROS (KINematic EROsion Simulation), ANSWERS (Areal Nonpoint Source Watershed Environment Response System) et CREAMS (Chemical Runoff and Erosion from Agricultural Management Systems). Ce qui différencie ces modèles de l'USLE, bien que certains d'entre eux soient basés sur cette équation, c'est la modélisation de la capacité de transport de la lame de ruissellement et l'introduction de bilans de masse de matériaux incluant la quantification des flux atteignant le réseau hydrographique (P.R. VILLENEUVE et al., 1998).

24Afin de mieux représenter le détachement, l'entraînement et le transport, certains chercheurs ont élaboré des bilans de masse pour le flux de matériaux sur un plan incliné à l'aide de relations phénoménologiques. À ce sujet, les modèles WEPP (Water Erosion Prediction Project), EUROSEM (EUROpean Soil Erosion Model), LISEM (Limburg Soil Erosion Model) et PSEM_2D (Plot Soil Erosion Model) constituent les derniers développements pour une meilleure représentation des processus physiques en jeu dans l'érosion hydrique.

25Les modèles d'érosion à base physique développés à ce jour à l'échelle du petit bassin versant donnent des résultats relativement bons pour les volumes ruisselés à l'exutoire, mais peu satisfaisants pour les pertes en sol et cela même après calage (V. JETTEN et al., 1999, 2003). Ils fournissent cependant de mauvaises estimations des flux de matériaux quittant les versants pour le réseau hydrographique, et cela parce qu'ils représentent généralement les versants comme des éléments de plans réguliers, ce qui ne permet pas de restituer fidèlement la variété des régimes d'écoulement observés dans la nature et les processus d'érosion qui y sont associés. Ils sont également très demandeurs en paramètres d'entrée, avec le danger d'une sur-paramétrisation. De plus, ces méthodes physiques doivent être testées avant d'être utilisées (C. CONOSCENTI et al., 2013) et ne tiennent pas compte du ravinement.

4 ) Modèles experts d'évaluation multicritère

26En marge des modèles empiriques et des modèles physiques qui aboutissent à une évaluation quantitative de l'érosion, on trouve des modèles semi-quantitatifs (Tab. VI) basés sur une approche cognitive des phénomènes érosifs, dite "experte", et qui procèdent à une évaluation multicritère (EMC) à partir de bases de données issues de mesures sur le terrain d'étude. Ce type de modélisation utilise une méthode de croisement de paramètres sous forme de combinaisons logiques. Les paramètres sont hiérarchisés et pondérés à partir des connaissances actuelles sur les différents types de fonctionnements érosifs. À chaque combinaison est affecté un code de sensibilité à l'érosion des sols. Le résultat du croisement des paramètres aboutit à la création d'un indicateur sur l'aléa érosif (P. LE GOUÉE, 2010).

Tableau VI - Modèles experts de l'érosion hydrique les plus utilisés (n = 19).

Tableau VI - Modèles experts de l'érosion hydrique les plus utilisés (n = 19).
Agrandir Original (jpeg, 321k)

P : petite parcelle (longueur < 10 m). C/V : champ / versant sans bassin versant constitué. pBV : petit bassin versant < 50 km2). BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.

27Face à l'incertitude associée aux modèles empiriques et à la sur-paramétrisation des modèles physiques (I. TAKKEN et al., 1999), les modèles experts peuvent offrir une solution alternative en se concentrant sur les formes dominantes de l'érosion dans une zone précise. Ces modèles semi-quantitatifs, associés à la performance du SIG et à la résolution améliorée des images satellitaires, ont donné des résultats satisfaisants au niveau de la prévision de l'érosion spatiale sur de grandes surfaces et le suivi de l'évolution spatio-temporelle et des tendances futures des phénomènes érosifs. Ils sont ainsi utiles en matière d'aide à la prise de décision et la production de scénarios (H. TRIBAK et al., 2012). Ils permettent un diagnostic exploratoire de la dégradation des terres par érosion, mais sans apporter d'indication quantitative sur les pertes de terre (A. ARABAMERI et al., 2019).

28Parmi les méthodes semi-quantitatives les plus utilisées, on trouve AHP (Analytic Hierarchy Process), TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution), MESALES (Modèle d'Évaluation Spatiale de l'ALéa Érosion des Sols) et STREAM (Sealing and Transfer by Runoff and Erosion related to Agricultural Management).

29Les points négatifs de cette démarche sont, outre le caractère qualitatif de la modélisation, la difficulté d'intégrer la variabilité temporelle des processus érosifs, le recours aux choix personnels des experts pour les paramètres, sans parler de la pondération qui leur est appliquée, ce qui aggrave encore le niveau de subjectivité (V.C. WESTEN, 2000).

5 ) Modèles statistiques

30Les algorithmes statistiques, mais aussi ceux d'apprentissage automatique (voir infra), sont appliqués en modélisation dans diverses disciplines : économie, médecine, biologie, chimie, écologie, etc. Les uns comme les autres ont été utilisés pour prédire les risques environnementaux, notamment l'érosion en ravines et les glissements de terrain.

31La modélisation statistique implique l'explication d'une variable environnementale à partir d'une série de variables dépendantes connues. Elle dépasse le niveau de la description et entend découvrir les relations entre les variables afin d'expliquer leur comportement.

32Les modèles stochastiques, par opposition aux modèles déterministes, tiennent compte des variations aléatoires du processus érosif en essayant de les corréler avec des lois de probabilité. À cette fin, ils fournissent un cadre formel pour décrire les variations aléatoires en fixant des marges de confiance et pour cartographier la susceptibilité à l'érosion hydrique en considérant les facteurs contrôlant la distribution des formes de ravinement (A. AZAREH et al., 2019). Ces approches statistiques (Tab. VII) sont divisées en modèles bivariés et multivariés.

Tableau VII - Modèles statistiques les plus utilisés dans les études sur l'érosion en ravines (n = 14).

Tableau VII - Modèles statistiques les plus utilisés dans les études sur l'érosion en ravines (n = 14).
Agrandir Original (jpeg, 167k)

33Dans les modèles bivariés, chaque facteur contrôlant la formation des ravines est analysé individuellement de manière directe. Ces modèles présentent l'avantage d'être facilement mis en œuvre dans l'environnement du SIG (P. MAGLIULO, 2012). Les plus utilisés sont FR (Frequency Ratio ‒ M. ZABIHI et al., 2018), InfVal (Information Value ‒ A. ARABAMERI et al., 2019), WofE (Weights of Evidence ‒ O. RAHMATI et al., 2016) et IofE (Index of Entropy ‒ M. ZABIHI et al., 2018). Mais le modèle FR, particulièrement simple et qui reste à la base de tous les modèles statistiques, a prouvé son efficacité par rapport à d'autres approches bivariées (H. HONG et al., 2017).

34À l'inverse, dans les modèles statistiques multivariés, les relations entre les facteurs d'érosion sont analysées ensemble pour évaluer l'occurrence du phénomène. Ces modèles peuvent en outre travailler avec différents types de variables prédictives (numériques et/ou catégoriels). Enfin, leurs résultats probabilistes sont généralement faciles à interpréter (F. LUCA et al., 2011) et permettent de mesurer la contribution (odds ratio) de chaque facteur dans la production de l'aléa (ravinement). Parmi les plus utilisés, on trouve LR (Logistic Regression) et LDA (Linear Discriminant Analysis), qui sont faciles à interpréter, rapides à mettre en œuvre et moins sujets au sur-ajustement. En revanche, ils sont peu performants lorsqu'il existe des limites de décision multiples ou non linéaires (A. ARABAMERI et al., 2018). Toutefois, d'après les travaux réalisés, le modèle LR semble plus efficace que le modèle FR dans la modélisation de la susceptibilité au ravinement et à d'autres risques naturels (H. CHEN et al., 2018).

35Enfin, la modélisation statistique doit être distinguée de la modélisation physique. Dans le second cas, les physiciens cherchent à construire un modèle explicatif soutenu par une théorie générale sur la causalité des processus impliqués dans le phénomène étudié, alors que la modélisation statistique exploite les données disponibles, sans connaissance approfondie des mécanismes entrant en jeux.

6 ) Modèles d'apprentissage automatique

36Les modèles prédictifs basés sur l'intelligence automatique (Machine Learning = ML) ont montré une grande précision dans les analyses complexes impliquant d'énormes bases de données et de nombreuses variables de natures distinctes (O. RAHMATI et al., 2017). Différents chercheurs (Tab. VIII) les ont utilisés pour produire des cartes de susceptibilité à l'érosion par ravinement (S. SAHA et al., 2020).

Tableau VIII - Modèles d'Apprentissage Automatique (AA) les plus utilisés pour l'étude de l'érosion en ravines à l'échelle des bassins versants (n=30).

Tableau VIII - Modèles d'Apprentissage Automatique (AA) les plus utilisés pour l'étude de l'érosion en ravines à l'échelle des bassins versants (n=30).
Agrandir Original (jpeg, 204k)

37Les modèles de type ML sont connus pour être plus performants que ceux fondés sur les méthodes statistiques classiques ou sur les modèles empiriques, physiques, conceptuels et experts (H. HONG et al., 2017), particulièrement pour tenir compte des relations non linéaires et multivariées. Cependant la structure des algorithmes ML est quelque peu complexe et, en général, ne fournit pas directement le poids des facteurs intervenant dans l'érosion par ravinement. Pour ces raisons, dans certaines études récentes sur le ravinement, les performances élevées généralement atteintes par ML pour produire des modèles de prédiction ont été combinées à l'évaluation de ces facteurs à partir de méthodes statistiques bivariées (K.T. CHANG et al., 2019).

38Bien que les limites temporelles ne soient pas bien définies, on peut différencier trois générations de méthodes ML (Fig. 3) : 1/ les modèles statistiques classiques de classification/segmentation, 2/ les modèles non paramétriques (data driven models) et 3/ les modèles d'ensemble ou hybrides.

Figure 3 - Évolution des modèles d'apprentissage automatique dans le temps.

Figure 3 - Évolution des modèles d'apprentissage automatique dans le temps.
Agrandir Original (jpeg, 75k)

a. Modèles classiques : apprentissage automatique partiel (paramétrique)

39Ces dernières années, plusieurs techniques statistiques ont été appliquées dans le cadre de l'apprentissage automatique pour obtenir de meilleures performances des modèles prédictifs A. MERGHADI, 2020), par exemple le KNN (k-Nearest Neighbors), le ME (Maximum Entropy) et le MLE (Maximum Likelihood Estimation). Le KNN, qui fait intervenir l'autocorrélation spatiale, est capable de traiter de grandes quantités de données. Cependant il nécessite alors un long temps de calcul, surtout lorsqu'il s'agit d'ajuster un grand nombre de caractéristiques (M. AVAND et al., 2019). Le ME traite des données provenant de diverses échelles de mesure sans faire d'hypothèses communes aux statistiques paramétriques (B. CAO et al., 2016). La modélisation de la fréquence de réalisation d'un état est particulièrement importante lorsque l'on est confronté à des zones impraticables ou éloignées (S. KEESSTRA et al., 2016), dans lesquelles l'enregistrement du phénomène étudié est impossible ou coûteux. Le MLS est une approche dont l'objectif est de maximiser la vraisemblance des valeurs du paramètre pour obtenir les résultats souhaités. Il a l'avantage de pouvoir exploiter les propriétés du problème d'estimation pour offrir une meilleure efficacité et une meilleure stabilité numérique (J.P. WANG et al., 2017).

40Certains modèles classiques sont plus faciles à interpréter et/ou comprendre, mais manquent de puissance de prédiction. D'autres, au contraire, peuvent avoir des prédictions précises, mais manquent d'interprétabilité. Ces derniers requièrent l'estimation de nombreux paramètres, ce qui peut avoir un impact négatif sur la robustesse du modèle (V. RODRIGUEZ-GALIANO et al., 2015). C'est pourquoi des approches non paramétriques de classification automatique par noyau ou par arbre de décision sont de plus en plus mises en avant pour résoudre des problèmes complexes, notamment dans le cas du ravinement (C. CONOSCENTI et al., 2018).

b. Modèles non paramétriques

41Les approches automatiques non paramétriques permettent de décrire, d'expliquer ou de prédire, à partir d'une série de variables, l'appartenance d'un ensemble d'observations à des classes prédéfinies. Mises en œuvre dans un processus itératif (plusieurs réplications), elles produisent des résultats dynamiques et évaluent les chances de réalisation stochastique. Dans ce sens, plusieurs travaux utilisant des algorithmes basés sur les SVM (Support Vector Machine ‒ O. RAHMATI et al., 2017), ANN (Artificial Neural Network ‒ H.R. POURGHASEMI et al., 2017), RF (Random Forest ‒ A. GAYEN et al., 2019) et DT (Decision Tree ‒ A. ARABAMERI et al., 2019) ont montré de bonnes performances pour la prédiction du ravinement dans des régions peu ou mal explorées.

42Le SVM est un classificateur supervisé discriminant qui peut être utilisé à la fois à des fins de classification et de régression. Il est capable de traiter des relations non linéaires. Mais il est difficile à interpréter et nécessite beaucoup de mémoire et de puissance de traitement. Autres inconvénients, il ne fournit pas d'estimation de probabilité et il est sensible aux valeurs aberrantes (N. CHRISTIANINI et T.J. SHAWE, 2000).

43L'ANN comprend différents algorithmes capables d'analyser et de prédire les propriétés non linéaires d'un phénomène. Le MLP (perceptron multicouche) est le plus populaire. Autre exemple, le RBF (Radial Basis Function) dont le noyau gaussien (N. CHRISTIANINI et T.J. SHAWE, 2000) peut transformer une classe non linéaire en classe linéaire dans un espace de dimensionnalité élevée.

44Le RF est connu pour sa grande précision grâce à sa méthode de sélection automatique des caractéristiques les plus pertinentes. Il est peu sensible aux données manquantes comme aux classes de données déséquilibrées et sa généralisation s'effectue sans biais.

45Le DT, facile à comprendre et à visualiser, est résistant aux valeurs aberrantes et peut fonctionner sur des relations non linéaires. Son plus grand inconvénient est son instabilité, le moindre écart sur les données étant susceptible de provoquer un changement important de la structure de l'arbre de décision.

46Ces classificateurs non paramétriques sont utilisés en raison de leur simplicité, du faible coût en calcul et de la possibilité de représenter graphiquement les résultats des calculs. Ils ne posent aucune condition, ni pour la nature des données ni pour leur distribution statistique (V. RODRIGUEZ-GALIANO et al., 2015). Leur utilisation s'avère très précieuse lorsque les techniques statistiques traditionnelles atteignent leurs limites.

c. Modèles hybrides (composés)

47La prédiction d'ensemble composée utilise l'intégration pondérée des modèles individuels pour obtenir le résultat souhaité. Ces modèles d'ensemble, ou hybrides, semblent être les meilleurs algorithmes de prédiction disponibles dans la littérature. Ils offrent une grande précision, une durée d'exécution optimisée et une utilisation modérée des ressources informatiques (temps, mémoire). Mais l'interprétation des résultats et des processus internes n'est pas toujours acquise. Leur mise en œuvre peut donc nécessiter un lourd processus d'apprentissage et de calcul lorsqu'il s'agit de modéliser un espace de grande dimension combinant de nombreuses caractéristiques.

48Les recherches récentes ont mis en œuvre plusieurs algorithmes hybrides, tels que GA-XGBoost (A. ARABAMERI et al., 2019), ANN-SVM, ANN-ME, SVM-ME (H.R POURGHASEMI et al., 2017), ADTree (K.T. CHANG et al., 2019), BRT (A. ARABAMERI et al., 2019) et NBTree (B.T. PHAM et al., 2017).

49Le GA-XGBoost consiste à combiner XGBoost (Extreme Gradient Boosting Machine) et GA (Genetic Algorithm) et utilise la métaheuristique de l'AG pour améliorer l'efficacité de l'approche de classification XGBoost (A. ARABAMERI et al., 2021).

50Les hybridations ANN-SVM, ANN-ME, SVM-ME sont des combinaisons dont le pouvoir prédictif s'est révélé plus robuste que les modèles individuels qui montraient des asymétries dans leurs résultats, un signe d'instabilité et de manque de fiabilité.

51L'ADTree est une combinaison entre un arbre de décision et un algorithme d'intégration de type Boosting avec ses deux nœuds (c'est-à-dire le nœud séparateur ‒ splitter ‒ et le nœud de prédiction). Le nœud séparateur divise les données en fonction des valeurs d'attribut sélectionnées et le nœud de prédiction inclut le score numérique utilisé pour la classification afin de faire la prédiction (B.T. PHAM et al., 2017).

52Le BRT utilise le Boosting comme technique d'optimisation et le combine à DT pour créer un puissant classificateur. Ce modèle s'appuie sur une fonction de perte pour estimer les résidus, qui ne sont que l'écart entre les valeurs de sortie de l'arbre et les valeurs ciblées. Les nouveaux arbres doivent veiller à réduire au mieux la fonction de perte à chaque étape.

53Le NBTree, composé de Naive Bayes (NB) et de DT, est utilisé avec succès par de nombreux chercheurs dans l'évaluation de la susceptibilité aux glissements de terrain (B.T. PHAM et al., 2017).

54Généralement, les trois générations d'algorithmes d'Apprentissage Automatique (AA) sont progressivement introduites dans divers domaines de recherche, notamment ceux centrés sur la susceptibilité à l'érosion en ravines (A. GAYEN et al., 2019), afin de mieux comprendre les facteurs de contrôle et leur importance relative (S. SAHA et al., 2020).

IV - Conclusion

55Au cours des dernières décennies, un grand nombre de modèles d'érosion et de transport des matériaux ont été développés avec diverses caractéristiques et performances. Certains modèles sont assez simples tandis que d'autres tentent d'intégrer les complexités du réel (M. HAJIGHOLIZADEH et al., 2018). En fonction des échelles spatiale et temporelle couvertes et du processus physique simulé, ces modèles ont été classés en six groupes : empiriques, conceptuels, physiques, d'EMC, statistiques et algorithmes de Machine Learning (ML).

56Comme le montre cet article, on est passé de modèles statistiques simples à des modèles complexes, qui prennent en compte les mécanismes impliqués dans les processus d'érosion, et qui ont été associés à des techniques d'optimisation. Si certaines approches ont généralement de meilleurs résultats que d'autres, nombre d'études ont montré que chaque approche présente des faiblesses et qu'aucun modèle prédictif n'est adapté à toutes les régions. Par exemple, les méthodes basées sur les lois physiques sont pertinentes localement, mais leurs performances sont généralement insuffisantes à l'échelle régionale, car elles reposent sur des données très détaillées souvent difficiles à obtenir. Les approches de prise d'évaluation multicritère (EMC), quant à elles, bien que considérées comme efficaces pour classer les alternatives d'un problème en dérivant des priorités, sont paramétrées sur la base subjective de l'opinion d'experts, ce qui oriente les résultats. Même les modèles statistiques, facilement applicables dans un environnement SIG et dont les prédictions sont généralement jugées satisfaisantes, ne sauraient être considérés sans réserve.

57Ces dernières années, les chercheurs ont consacré un effort considérable au développement de nouveaux modèles. Les techniques de l'apprentissage profond (Deep Learning = DL) représentent un énorme progrès pour la détection des ravines à partir de données de télédétection multi-sources. Elles doivent être maintenant recommandées pour la segmentation sémantique des images, la détection des ravines, la classification des occupations du sol et la cartographie de la susceptibilité au ravinement. Le potentiel du couplage des modèles hybrides devra, pour ce qui le concerne, être testé plus avant pour l'évaluation du risque de ravinement.

58Pour conclure cette synthèse, une clé de détermination prenant en compte six types de modèles de prédiction de l'érosion hydrique est proposée pour mettre en évidence les modèles les plus appropriés aux conditions particulières d'une étude (Tab. IX). Cette grille donne, sur une échelle de quatre niveaux, la fréquence d'utilisation de chaque type de modèle en fonction de leurs caractères intrinsèques et en considérant les critères fonctionnels.

Tableau IX - Proposition d'aide au choix d'un type de modélisation de l'érosion hydrique en fonction des caractères intrinsèques et et des critères fonctionnels.

Tableau IX - Proposition d'aide au choix d'un type de modélisation de l'érosion hydrique en fonction des caractères intrinsèques et et des critères fonctionnels.
Agrandir Original (jpeg, 212k)
Haut de page

Bibliographie

Emp. : empirique. Conc. : conceptuel. Phys. : physique. EMC : évaluation multicritère. Stat. : statistique. App.Auto : apprentissage automatique.
* : peu fréquent. ** : assez fréquent. *** : fréquent. **** : très fréquent.

ABBOTT M.B., BATHURST J.C., CUNGE J.A., O'CONNELL P.E. et RASMUSSEN J. (1986) - An introduction to the European Hydrological System. 1 : History and philosophy of a physically based, distributed modelling system. Journal of Hydrology, vol. 87, n° 1-2, p. 45-59.

AKSOY H. et KAVVAS M.L. (2005) - A review of hillslope and watershed scale erosion and sediment transport models. Catena, vol. 64, n° 2-3, p. 247-271.

ARABAMERI A., PRADHAN B., RESAEI K., YAMANI M., POURGHASEMI H.R. et LOMBARDO L (2018) - Spatial modelling of gully erosion using evidential belief function, logistic regression, and a new ensemble of evidential belief function-logistic regression algorithm. Land Degradation and Development, vol. 29, n° 11, p. 4035-4049.

ARABAMERI A., PRADHAN B., REZAEI K. et CONOSCENTI C. (2019) - Gully erosion susceptibility mapping using GIS-based multi-criteria decision analysis techniques. Catena, vol. 180, p. 287-290.

ARABAMERI A., PAL S.C., COSTACHE R., RESAIE F., DANESH A.S., PRADHAN B., LEE S. et HOANG N.D. (2021) - Perdition of gully erosion susceptibility mapping using novel ensemble machine learning algorithms. Geomatics, Natural Hazards and Risk, vol. 12, n° 1, p. 469-498.

ARNOLD J.G., WILLIAMS J.R., GRIGGS R.H. et SAMMONS N.B. (1991) - SWRRBWQ: a basin scale model for assessing management impacts on water quality. Édit. United States Department of Agriculture, Agricultural Research Service, Grassland, Soil and Water Research Laboratory, Texas A&M University Press, Temple (USA), 142 p.

ARNOLD J.G., SRINIVASAN R., MUTTIAH R.S. et WILLIAMS J.R. (1998) - Large area hydrologic modeling and assessment. Part I: Model development. Journal of the American Water Resources Association, vol. 34, n° 1, p. 73-89.

AVAND M., JANIZADEH S., NAGHIBI S.A., POURGHASEMI H.R., BOZCHALOEI S.K. et BLASCHKE T. (2019) - A comparative assessment of Random Forest and K-Nearest Neighbor classifiers for gully erosion susceptibility mapping. Water, vol. 11, n° 10, p. 1­19.

AZAREH A., RAHMATI O., RAFIEI-SARDOOI E., SANKEY J.B., LEE S., SHAHABI H. et BIN AHMAD B. (2019) - Modelling gully-erosion susceptibility in a semi-arid region, Iran: investigation of applicability of certainty factor and maximum entropy models. Science of the Total Environment, vol. 655, p. 689-690.

BEASLEY D.B., HUGGINS L.F. et MONKE E.J. (1980) - ANSWERS: a model for watershed planning. Transactions of American Society of Agricultural Engineers, vol. 23, n° 4, p. 938-944.

BECK M.B. (1987) - Water quality modeling: a review of the analysis of uncertainty. Water Resources Research, vol. 23, n° 8, p. 1393-1442.

BEDNARIK M., MAGULOVA B., MATYS M. et MARSCHALKO M. (2010) - Landslide susceptibility assessment of the Kral'ovany-Liptovsky Mikulas railway case study. Physics and Chemistry of the Earth, Parts A/B/C, vol. 35, n° 3-5, p. 162-171.

BELHUMEUR P., HESPANHA J. et KRIEGMAN D. (1996) - Recognition using class specific linear projection. Proceedings of the fourth european conference on computer vision (Cambridge, UK), vol. 1, p. 45-58.

BEVEN K. (1989) - Changing ideas in hydrology - The case of physically-based models. Journal of Hydrology, vol. 105, n° 1-2, p. 157-172.

BEVEN K.J. et KIRKBY M.J. (1979) - A physically based, variable contributing area model of basin hydrology. Hydrological Sciences Journal, vol. 24, n° 1, p. 43-69.

BONHAM-CARTER G.F. (1991) - Integration of geoscientific data using GIS. In : Geographic information systems: principle and applications, M.F. GOODCHILD, D.W. RHIND et D.J. MAGUIRE édit., Édit. Longdom, Londres (GB), p. 171-184.

BONHAM-CARTER G.F. (1994) - Geographic information systems for geoscientists: modelling with GIS. Édit. Pergamon (Elsevier), Oxford (GB), 398 p.

BORAH D.K. (1989) - Sediment discharge model for small watersheds. Transactions of the American Society of Agricultural and Biological Engeeners, vol. 32, n° 3, p. 874-880.

BORAH D.K., XIA R. et BERA M. (2002) - DWSM-A dynamic watershed simulation model. In : Mathematical models of small watershed hydrology and applications, V.P. SINGH et D.K. FREVERT édit., Édit. Water Ressources Publications, Highlands Ranch (USA), p. 113-166.

BORRELLI P., ALEWELL C., ALVAREZ P., ANACHE J.A.A., BARTMAN J. et collaborateurs (2021) - Soil erosion modelling: a global review and statistical analysis. Science of the Total Environment, vol. 780, p. 1-18.

BREIMAN L. (1996) - Bias variance and arcing classifiers. Édit. Statistics Department, Université de Californie, rapport technique n° 460, Berkeley (USA), 20 p. + figures (4 p.).

BREIMAN L. (1999) - Using adaptive bagging to debias regressions. Édit. Statistics Department, Université de Californie, rapport technique n° 547, Berkeley (USA), 16 p.

BREIMAN L. (2001) - Random forests. Machine Learning, vol. 45, p. 5-32.

BREIMAN L., FRIEDMAN J.H., OLSHEN R.A. et STONE C.J. (1984) - Classification and regression trees. Édit. Chapman and Hall, New York (USA), 368 p.

BRESLOW N. et CLAYTON D. (1993) - Approximate inference in generalized linear mixed models. Journal of the American Statistical Association, vol. 88, n° 421, p. 9-25.

BUI D.T., BUI Q.T., NGUYENC Q.P., PRADHAND B., NAMPAK H. et TRINHE P.T. (2017) - A hybrid artificial intelligence approach using GIS-based neural-fuzzy inference system and particle swarm optimization for forest fire susceptibility modeling at a tropical area. Agricultural and Forest Meteorology, vol. 233, p. 32-44.

CAO B., BAI C., ZHANG L., LI G. et MAO M. (2016) - Modeling habitat distribution of Cornus officinalis with Maxent modeling and fuzzy logics in China. Journal of Plant Ecology, vol. 15, n° 6, p. 1-18.

CERDAN O., LE BISSONNAIS Y., COUTURIER A., BOURENNANE H. et SOUCHERE V. (2002) - Rill erosion on cultivated hillslopes during two extreme rainfall events in Normandy, France. Soil and Tillage Research, vol. 67, n° 1, p. 99-108.

CHANG K.T., MERGHADI A.,YUNUS A.P., PHAM B.T. et DOU J. (2019) - Evaluating scale effects of topographic variables in landslide susceptibility models using GIS-based machine learning techniques. Scientific Reports, vol. 9, n° 12296, p. 1-21.

CHARLES R., MEYER L.E., WAGNER D.C., YODER D.C. et FLANAGAN D.C. (2001) - The Modular Soil Erosion System (MOSES). In : Soil erosion research for the 21st century 2001, actes de colloque (Honolulu, USA), J.C. ASCOUGH II et D.C. FLANAGAN édit., Édit. American Society of Agricultural Engineers, p. 358-361.

CHEN W., CHAI H., ZHAO Z., WANG Q. et HONG H. (2016) - Landslide susceptibility-mapping based on GIS and support vector machine models for the Qianyang County, China. Environmental Earth Science, vol. 75, article 474, p. 1-13.

CHEN H., ZHANG X., M. ALBA M., LÜ D., YAN R., REN Q., REN Z., YANG Y., ZHAO W., LIN P., LIU B. et YANG X. (2018) - Effects of vegetation and rainfall types on surface runoff and soil erosion on steep slopes on the Loess Plateau, China. Catena, vol. 170, p. 141-49.

COLEMAN D.J. et SCATENA F.N. (1986) - Identification and evaluation of sediment sources. In : Drainage basin sediment delivery, actes de colloque (Alburquerque, USA), R.F. HADLEY édit.,. IAHS Publication, vol. 159, p. 3-18.

CONOSCENTI C., AGNESI V., ANGILERI S., ROTIGLIANO E. et MARKER M. (2013) - A GIS-based approach for gully erosion susceptibility modelling: a test in Sicily, Italy. Environmental Earth Sciences, vol. 70, p. 1179-1195.

CONOSCENTI C., CAMA M., CARBALLO-ARIAS N.A. et ROTIGLIANO E. (2018) - Assessment of gully erosion susceptibility using multivariate adaptive regression splines and accounting for terrain connectivity. Land Degradation and Development, vol. 29, n° 3, p. 724-736.

COULTHARD T.J. (2001) - Landscape evolution models: a sotware review. Hydrological Processes, vol. 15, n° 1, p. 165-173.

COVER T.M. et HART P.E. (1967) - Nearest neighbor pattern classification. IEEE Transactions on Information Theory, vol. 13, n° 1, p. 21-27.

CRISTIANINI N. et SHAWE-TAYLOR J. (2000) - Support vector machine. In : An introduction to support vector machines and other kernel-based learning, chapitre 6, Édit. Cambridge Université Press, p. 93-118, en ligne.

DE JONG S.M., PARACCHINI M.L., BERTOLO F., FOLVING S., MEGIER J. et DE ROO A.P.J. (1999) - Regional assessment of soil erosion using the distributed model SEMMED and remotely sensed data. Catena, vol. 37, n° 3-4, p. 291-308.

DEMPSTER A.P. (1968) - A generalisation of Bayesian inference. Journal of the Royal Statistical Society, vol. 30, n° 2, p. 205-247.

DE ROO A.P.J., WESSELING C.G., CREMERS N.H.D.T., OFFERMANS R.J.E., RITSEMA C.J. et VAN OOSTINDIE K. (1994) - LISEM: a new physically-based hydroiogical and soil erosion model incorporated in a GIS environment: theory and implementation. In : Variability in stream erosion and sediment transport, L.J. OLIVE, R.J. LOUGHRAN et J.A. KESBY édit., actes de colloque (Canberra, Australie), IAHS Publication, vol. 224, p. 439-448.

DIJKSTRA T. (1983) - Some comments on maximum likelihood and partial least squares methods. Journal of Econometrics, vol. 22, n° 1-2, p. 67-90.

DLWC (1995) - IQQM-integrated water quality and quantity model. Catchment processes and modelling branch. Rapport du Department of Land and Water Conservation, n° TS94.048, Parramatta (Australie).

EBERHART R.C. et KENNEDY J. (1995) - A new optimizer using particle swarm theory. Proceedings of the sixteenth international Symposium Micromachine Human Science (Nagoya, Japon), Édit. Institute of Electronical and Electronics Engineers, Piscataway (USA), p. 39-43.

EEA (1992) - CORINE soil erosion risk and important land resources in the southern regions of the European Community. Édit. Édit. Bernan Press, rapport final EUR 13233-EN de l'Agence Européenne de l'Environnement, 97 p. + 2 cartes.

EISAZADEH L., SOKOUTI R., HOMAEE M. et PAZIRA E. (2012) - Comparison of empirical models to estimate soil erosion and sediment yield in micro catchments. Eurasian Journal of Soil Science, vol. 1, p. 28-33.

ELWELL H.A. et STOCKING M.A. (1982) - Developing a simple yet practical method of soil-loss estimation. Tropical Agriculture, vol. 59, n° 1, p. 43-48.

FAKHRI M., DOKOHAKI H., ESLAMIAN S., FARSANI I.F. et FARZANEH M.R. (2014) - Evaluation of erosion models. In : Handbook of engineering hydrology, chap. 13, p. 234-266.

FERREIRA V.A. et SMITH R.E. (1992) - OPUS: an integrated simulation model for transport of nonpoint-source pollutants at the field scale. Volume 2, user manual. Édit. Agricultural Research Service, rapport technique, Albany (USA), 120 p.

FERRO V. et PORTO P. (2000) - Sediment delivery distributed (SEDD) model. Journal of the Hydraulics Engineering, vol. 5, n° 4, p. 411-422.

FLACKE W., AUERSWALD K. et NEUFANG L. (1990) - Combining a modified Universal Soil Loss Equation with a digital terrain model for computing high-resolution maps of soil loss resulting from rain-wash. Catena, vol. 17, n° 4-5, p. 383-397.

FLEMING G. et AL KADHIMI A. (1982) - Sediment modelling and data sources: a compromise in assessment. In : Recent developments in the explanation and prediction of erosion and sediment yield, actes de colloque (Exeter, GB), D.E. WALLING édit., IAHS Publication, vol. 137, p. 251-259.

FOSTER G.R. et MEYER L.D. (1972) - Transport of soil particles by shallow flow. Translations of the American Society of Agricultural Engineers, vol. 15, p. 99-102.

FOURNIER F. (1960) - Climat et érosion. Édit. Presses Universitaires de France, Paris, 194 p.

FREUND Y. et MASON L. (1999) - The alternating decision tree-learning algorithm. In : Proceedings of the sixteenth international conference on machine learning (San Francisco, USA), I. BRATKO et S. DZEROSKI édit., Édit. Morgan Kaufmann, San Francisco (USA), p. 124-133.

FRIEDMAN J.H. (1991) - Multivariate adaptive regression splines. The Annals of Statistics, vol. 19, n° 1, p. 1-67.

FRIEDMAN J.H. (2001) - Greedy function approximation: a gradient boosting machine. The Annals of Statistics, vol. 29, p. 1189-1232

GAVRILOVIC S. (1976) - Bujicni tokovi i erozija (torrents and erosion). Gradevinski kalendar, Beograd (Serbie), p. 159-311.

GAYEN A., POURGHASEMI H.R., SAHA S., KEESSTRA S. et BAI S. (2019) - Gully erosion susceptibility assessment and management of hazard-prone areas in India using different machine learning algorithms. Science of the Total Environment, vol. 668, p. 124-138.

GOODFELLOW I.J., POUGET-ABADIE J., MIRZA M., XU B., WARDE-FARLEY D., OZAIR S., COURVILLE A et BENGIO Y. (2014) - Generative adversarial networks. In : Advance in neural information processing systems 27 (NIPS 2014), actes de colloque (Montréal, Québec, Canada), vol. 2, Édit. MIT Press, Cambridge (USA), p. 2672-2680.

GUILLAUME N., et MICHEL E. (2007) - Psem-2d: a physically based model of erosion processes at the plot scale. Water Resource Research, vol. 41, n° 8, 14 p., en ligne.

HAJIGHOLIZADEH M., MELESSE A.M. et FUENTES H.R. (2018) - Erosion and sediment transport modelling in shallow waters: a review on approaches, models and applications. International Journal of Environmental Research and Public Health, vol. 15, n° 3, p. 1-24.

HASTIE T., TIBSHIRANI R. et BUJA A. (1994) - Flexible discriminant analysis by optimal scoring. Journal of American Statistical Association, vol. 89, n° 418, p. 1255-1270.

HECKEMAN J. (1986) - Probabilistic interpretation of MYCIN's certainty factors. In : Uncertainty in artificial intelligence, L.N. KANAL et J.F. LEMMER édit., Édit. Elsevier, New York, p. 298-311.

HO T. (1995) - Random decision forest. Actes de la troisième conférence internationale "Document analysis and recognition" (ICDAR'95), volume 1, Édit. Institute of Electronical and Electronics Engineers, Piscataway (USA), p. 278-282.

HOERL A.E. et KENNARD R.W. (1970) - Ridge regression: biased estimation for nonorthogonal problems. Technometrics, vol. 12, n° 1, p. 55-67.

HOLLAND J.H. (1975) - Adaptation in natural and artificial systems. An introductory analys with applications to biology, control, and artificial intelligence. Édit. University Michigan Press, Ann Arbor (USA), 183 p.

HONG H., PRADHAN B., BUI D.T., XU C., YOUSSEF A.M. et CHEN W. (2017) - Comparison of four kernel functions used in support vector machines for landslide susceptibility mapping: a case study at Suichuan area (China). Geomatics, Natural Hazards and Risk, vol. 8, n° 2, p. 544-69.

HOPFIELD J.J. (1982) - Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences (USA), vol. 79, n° 8, p. 2554-2558.

HOSMER D.W. et LEMESHOW S. (2000) - Applied logistic regression. Édit. John Wiley and Sons, collection "Probability and statistics", 2ème édition, Hoboken (USA), 383 p.

HUANG J., LU J. et LING C.X. (2003) - Comparing naive Bayes, decision trees, and SVM with AUC and accuracy. Actes de la troisième conférence "Data mining" (Melbourne, USA), Édit. Institute of Electronical and Electronics Engineers, Piscataway (USA), p. 553-556.

HUBER P.J. (1964) - Robust estimation of location parameter. Annals of Mathematical Statistics, vol. 35, n° 1, p. 73-101.

HWANG C.L. et YOON K. (1981) - Multiple attribute decision making: methods and applications. Lecture Notes in Economics and Mathematical Systems, vol. 186, n° 1, p. 58-191.

IONITA I., FULLEN M.A., ZGLOBICKI W. et POESEN J. (2015) - Gully erosion as a natural and human-induced hazard. Natural Hazards, vol. 79, S1-S5.

JAKEMAN A.J., LITTLEWOOD I.G. et WHITEHEAD P.G. (1990) - Computation of the instantaneous unit hydrograph and identiiable component lows with application to two small upland catchments. Journal of Hydrology, vol. 117, n° 1-4, p. 275-300.

JETTEN V., DE ROO A. et FAVIS-MORTLOCK D. (1999) - Evaluation of field-scale and catchment-scale soil erosion models. Catena, vol. 37, n° 3-4, p. 521-541.

JETTEN V., GOVERS G. et HESSEL R. (2003) - Erosion models: quality of spatial predictions. Hydrological Processes, vol. 17, n° 5, p. 887-900.

JINFA L. et XIUHUA H. (2004) - The relationship between sediment yield and catchment characteristics in the middle Yellow River basin of China. In : Sediment transfer through the fluvial system, actes de colloque (Moscou, Russie), V. GOLOSSOV, V. BELYAEV et D.E. WALLING édit., IAHS Publication, vol. 288, p. 212-219.

KARYDAS C.G., PANAGOS P. et GITAS I.Z. (2014) - A classification of water erosion models according to their geospatial characteristics. International Journal of Digital Earth, vol. 7, n° 3, p. 229-250.

KEESSTRA S., POREIRA P., NOVARA A., BREVIK E.C., AZORIN-MOLINA C., PARRAS-ALCANTARA G., JORDAN A. et CERDA A. (2016) - Effects of soil management techniques on soil water erosion in apricot orchards. Science of the Total Environment, vol. 551-552, p. 357-366.

KIRKBY M.J. et MCMAHON M.L. (1999) - MEDRUSH and the Catsop basin - the lessons learned. Catena, vol. 37, n° 3-4, p. 495-506.

KIRKBY M.J., ABRAHAT R., MCMAHON M.D., SHAO J. et THORNES J.B. (1998) - MEDALUS soil erosion models for global change. Geomorphology, vol. 24, n° 1, p. 35-49.

KNISEL W.G. (1980) - CREAMS: a field scale model for chemicals, runoff and erosion from agricultural management systems. Édit. United States Department of Agriculture, collection "Conservation research report", vol. 26, Beltsville (USA), 643 p.

KNISEL W.G. (1993) - GLEAMS: groundwater loading effects of agricultural management systems. Édit. University of Georgia, Coastal Plains Experiment Station, Biological and Agricultural Engineering Department, publication n° 5, 260 p.

KRYSANOVA V., MUILER-WOHLFEIL D.I. et ECKER A. (1996) - Integrated modelling of hydrology and water quality in mesoscale watersheds. Édit. Institute for Climate Impact Research, rapport PIK n° 18, Potsdam (Allemagne), 32 p.

LANE L.J. et NEARING M.A. (1989) - USDA, water erosion prediction project: hillslope profile model documentation. Édit. United States Department of Agriculture, Agricultural Research Service, National Soil Erosion Research Laboratory, rapport n° 2, West Lafayette (USA), 40 p.

LAWRENCE P., LO CASCIO A., GOLDSMITH P. et ABBOTT C.L. (2004) - Sedimentation in small dams. Development of a catchment characterization and sediment yield prediction procedure. Édit. HR Wallingford, rapport OD TN 120, Wallingford (GB), 90 p.

LE BISSONNAIS Y., MONTIER C., JAMAGNE M., DAROUSSIN J. et KING D. (2002) - Mapping erosion risk for cultivated soil in France. Catena, vol. 46, n° 2, p. 207-220.

LECUN Y. (1986) - Learning processes in an asymmetric threshold network. In : Disordered systems and biological organizations, E. BIENENSTOCK, F.F. SOULIÉ et G. WEISBUCH édit., Édit. Springer, Berlin Heidelberg (Allemagne), collection NATO ASI, vol. 20, p. 233-240.

LE GOUÉE P., DELAHAYE D., BERMOND M., MARIE M., DOUVINET J. et VIEL V. (2010) - SCALES: a large-scale assessment model of soil erosion hazard in Basse-Normandie (northern-western France). Earth Surface Processes and Landforms, vol. 35, n° 8, p. 887-901.

LI R.M., SIMONS D.B., FULLERTON W.T., EGGERT K.G. et SPRONK B.E. (1979) - Simulation of water runof and sediment yield from a system of multiple watersheds. In : Hydraulic engineering in water resources development and management, actes du dix-huitième congrès IAHR (Cagliari, Italie), vol. 5, p. 219-226.

LITTLEBOY M., SILBURN D.M., FREEBAIM D.M., WOODRUF D.R., HAMMER G.L. et LESLIE J.K. (1992) - Impact of soil erosion on production in cropping systems. I. development and validation of a simulation model. Australian Journal of Soil Research, vol. 30, n° p. 757-774.

LOPES V.L. (1987) - A numerical model of watershed erosion and sediment yield. Thèse de doctorat de l'Université de l'Arizona, Tucson (USA), XII + 148 p.

LUCA F., CONFORTI M. et ROBUSTELLI G. (2011) - Comparison of GIS-based gullying susceptibility mapping using bivariate and multivariate statistics: Northern Calabria, South Italy. Geomorphology, vol. 134, n° 3-4, p. 297-308.

MAGLIULO P. (2012) - Assessing the susceptibility to water-induced soil erosion using a geomorphological, bivariate statistics-based approach. Environmental Earth Sciences, vol. 67, n° 6, p. 1801-1820.

MCCOWN R.L., HAMMER G.L., HARGREAVES J.N.G., HOLZWORTH D.P. et FREEBAIRN D.M. (1996) - APSIM: a novel software system for model development, model testing and simulation in agricultural systems research. Agricultural Systems, vol. 50, n° 3, p. 255-271.

MEKONNEN E. (2017) - A review of factors influencing adoption of rainwater harvesting technology in Ethiopia. Journal of Biology, Agriculture and Healthcare, vol. 7, n° 23, p. 19-21.

MERGHADI A. (2020) - Machine learning methods for landslide susceptibility studies: a comparative overview of algorithm performance. Earth-Science Reviews, vol. 207, p. 1-42.

MERKEL W.H., WOODWARD D.E. et CLARKE C.D. (1988) - Ephemeral gully erosion model (EGEM). In : Agricultural, forest, and rangeland hydrology, actes de colloque (Chicago, USA), Édit. American Society of Agricultural Engineers, vol. 07-88, Saint Joseph (USA), p. 315-323.

MERRIT W.S., LETCHER R.A. et JAKEMAN A.J. (2003) - A review of erosion and sediment transport models. Environmental Modelling and Software, vol. 18, n° 8-9, p. 761-799.

MEYER A. et MARTINEZ-CASASNOVAS J.A. (1999) - Prediction of existing gully erosion in vineyard parcels of the NE Spain: a logistic modelling approach. Soil Tillage Research, vol. 50, n° 3-4, p. 319-333.

MISRA R.K. et ROSE C.W. (1996) - Application and sensitivity analysis of process-based erosion model GUEST. European Journal of Soil Science, vol. 47, n° 4, p 593-604.

MITASOVA H., MITAS L., BROWN W.M. et JOHNSTON D. (1996) - Multidimensional soil erosion / deposition modeling. Part III: Process based erosion simulation. Édit. Geographic Modeling and Systems Laboratory, Université de l'Illinois, Urbana (USA), 28 p.

MITASOVA H., MITAS L., BROWN W.M. et JOHNSTON D. (1999) - Terrain modeling and soil erosion simulations for Fort Hood and Fort Polk test areas. Édit. Geographic Modeling and Systems Laboratory, Université de l'Illinois, Urbana (USA), 28 p, en ligne.

MOBBS D.C., LAWSON G.J., FRIEND A.D., CROUT N.M.J., ARAH J.R.M. et HODNETT M.G. (1999) - HyPAR model for agroforestry systems: technical manual: model description for version 3.0. Édit. Institute of Terrestrial Ecology, Department for International Development, DFID Forestry Research Programme, Midlothian (GB), 112 p.

MORGAN R.P.C., MORGAN D.D.V. et FINNEY H.J. (1984) - A predictive model for the assessment of soil erosion risk. Journal of Agricultural Engineering Research, vol. 30, n° 3, p. 245-253.

MORTLOCK F.D., GUERRA T. et BOARDMAN J.A. (1998) - Self-organizing dynamic systems approach to hillslope rill initiation and growth: model development and validation. In : Modelling soil erosion, sediment transport and closely related hydrological processes, actes de colloque (Vienne, Autriche), W. SUMMER, E. KLAGHOFER et W. ZHANG, IAHS Publication, vol. 249, p. 53-61.

NEARING M.A., GOVERS G. et NORTON L.D. (1999) - Variability in soil erosion data from replicated plots. Soil Science Society of America Journal, vol. 63, n° 6, p. 1829-1835.

NEARING M.A. WEI H., STONE J.J., PIERSON F.B., SPAETH K.E., WELZ M.A., FLANAGAN D.C. et HERNANDEZ M.A. (2011) - A rangeland hydrology and erosion model. Translations of the American Society of Agricultural Engineers, vol. 54, n° 3, p. 901-908.

NELDER J.A. et WEDDERBURN R.W.M. (1972) - Generalized linear models. Journal of the Royal Statistical Society, série A, vol. 135, p. 370-384.

NOORDWIJK V.N. et LUSIANA B. (1998) - WaNulCAS, a model of water, nutrient and light capture in agroforestry systems. Agroforestry Systems, vol. 43, p. 217-242.

NUNES J.P., VIEIRA G.N. et SEIXAS J. (2005) - MEFIDIS: A physically based, spatially distributed runoff and erosion model for extreme rainfall events. In : Watershed models, V.P. SINGH et D.K. FREVERT édit., Édit. CRC Press, Boca Raton (USA), p. 291-314.

OLDEMAN L.R., HAKKELING R.T.A. et SOMBROEK W.G. (1991) - World map of the status of human-induced soil degradation an explanatory note. Édit. ISRIC-UNEP, 2ème édition, 34 p.

O'LOUGHLIN E.M. (1986) - Prediction of surface saturation zones in natural catchments by topgraphic analysis. Water Resources Research, vol. 22, n° 5, p. 794- 804.

OOST V.K.G., GOVERS G. et DESMET P. (2000) - Evaluating the effects of changes in landscape structure on soil erosion by water and tillage. Lanscape Ecology, vol. 15, n° 6, p. 577-589.

PANAGOS P., KARYDAS C., BALLABIO C. et GITAS I. (2014) - Seasonal monitoring of soil erosion at regional scale: an application of the G2 model in Crete focusing on agricultural. International Journal of Applied Earth Observation and Geoinformation, vol. 27, partie B, p 47-155.

PAP/CAR (1998) - Directives pour la cartographie et la mesure des processus d'érosion hydrique dans les zones côtières méditerranéennes. PAP-8/PP/GL.1. Split, (Édit. Centre pour le Programme d'actions prioritaires UNEP-PAP-FAO PAM/PNUE), Plan d'Action pour la Méditerranée, Programme d'Action Prioritaire, Centre d'Activités Régionales (PAP/CAR), Split, Croatie, XII +72 p.

PHAM B.T., TIEN BUI D., PRAKASH I. et DHOLAKIA M.B. (2017) - Hybrid integration of multilayer perceptron neural networks and machine learning ensembles for landslide susceptibility assessment at Himalayan Area (India) using GIS. Catena, vol. 149, n° 1, p. 52-63.

POURGHASEMI H.R., YOUSEFI S., KORNEJADI A. et CERDA A. (2017) - Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Science of the Total Environment, vol. 609, p. 764-775.

PROSSER I.P. et RUSTOMJI P. (2000) - Sediment transport capacity relations for overland flow. Progress in Physical Geography, vol. 24, n° 2, p. 179-193.

PSIAC (1968) - Factors affecting sediment yield in the pacific southwest area and selection and evaluation of measures for reduction of erosion and sediment yield. Édit. Pacific Southwest Interagency Committee, American Society of Civil Engineers, rapport n° HY12, Reston (USA), 29 p.

QUINLAN J.R. (1993) - C4.5: programs for machine learning. Édit. Morgan Kaufmann, San Mateo (USA), 302 p.

QUINLAN J.R. (1996) - Decision trees and instance-based classifiers. In : CRC handbook of computer science and engineering, A.B. TUCKER édit., Édit. Chapman and Hall, New-York (USA), chapitre 65, p. 521-535.

RAHMATI O., HAGHIZADEH A., POURGHASEMI H.R. et NOORMOHAMADI F. (2016) - Gully erosion susceptibility mapping: the role of GIS-based bivariate statistical models and their comparison. Natural Hazards, vol. 82, n° 2, p. 1231-1258.

RAHMATI O., TAHMASEBIPOUR N., HAGHIZADEH A., POURGHASEMI H.R. et FEIZIZADEH B. (2017) - Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion. Geomorphology, vol. 298, p. 118-137.

RAZA A., AHRENDS H., HABIB-UR-RAHMAN M. et GAISER T. (2021) - Modeling approaches to assess soil erosion by water at the field scale with special emphasis on heterogeneity of soils and crops. Land, vol. 10, n° 4, article 422, 35 p., en ligne.

REFSGAARD J.C. et STORM B. (1995) - MIKE-SHE. In : Computer models of watershed hydrology, V.P. SINGH édit. Édit. Water Resources Publications, Highlands Ranch (USA), p. 809-846

RENARD K.G., FOSTER G.R., WEESIES G.A. et PORTER J.P. (1991) - RUSLE: revised universal soil loss equation. Journal of Soil and Water Conservation, vol. 46, n° 1, p. 3033.

RENARD K.G., YODER D.C., LIGHTLE D.T. et DABNEY S.M. (2011) - Universal soil loss equation and revised universal soil loss equation. In : Handbook of erosion modelling, R.P.C. MORGAN et N.A. REANING édit., Édit. Blackwell Publishing, Oxford (GB), p. 137­167.

RODRIGUEZ-GALIANO V., SANCHEZ-CASTILLO M., CHICA-OLMO M. et CHICA-RIVAS M. (2015) - Machine learning predictive models for mineral prospectivity: an evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, vol. 71, p. 804-818.

ROEHL J.E (1962) - Sediment source areas, delivery ratios and influencing morphological factors. In : Érosion continentale, actes de colloque (Bari, Italie), IAHS Publication, vol. 59, p. 202-213.

ROOSE É. (1994) - Introduction à la gestion conservatoire de l'eau, de la biomasse et de la fertilité des sols (GCES). Édit. Organisation des Nations Unies pour l'Alimentation et l'Agriculture, Bulletin Pédologique de la FAO, vol. 70, Rome, 420 p.

RUMELHART D.E., HINTON G.E. et WILLIAMS R.J. (1986) - Learning internal representations by error propagation. In : Parallel distributed processing: explorations in macrostructure of cognition, Édit. Badford Books, volume I: Foundations, Cambridge (USA), p. 318-362.

SAATY T.L. (1980) - The analytic hierarchy process. Édit. McGraw-Hill, New York (USA), 287 p.

SAATY T.L. (1996) - Decision making with dependence and feedback process. The analytic network: the organization and prioritization of complexity. Édit. RWS Publ, collection "Analytic hierarchy process", vol. 9, Pittsburgh (USA), 370 p.

SAHA S., ROY J., ARABAMERI A., BLASCHKE T. et BUI D.T. (2020) - Machine learning‐based gully erosion susceptibility mapping: a case study of eastern India. Sensors, vol. 20, p. 1-25.

SCHMIDT J. (1991) - A mathematical model to simulate rainfall erosion. In : Erosion, transport and deposition processes. Theories and models, actes de colloque, H.R. BORK, J. DE PLOEY et A.P. SCHICK édit., Catena Supplement, vol. 19, p. 101-109.

SCHRAMM M. (1994) - Ein erosionsmodell mit zeitlich und ràumlich verànderlicher Rillengeometrie. Édit. Institut für Wasserbau und Kulturtechnik, Université de Karlsruhe, Karlsruhe (Allemagne), vol. 190, 196 p.

SCHULZE R.E. (1995) - Hydrology and agrohydrology - A text to accompany the ACRU 3.00 agrohydrological systems. Édit. Water Research Commission, rapport final du projet "Hydrological models system development", n° TT 69/95, Pretoria (Afrique du Sud), 552 p.

SEYFRIED M.S. et WILCOX B.P. (1995) - Scale and the nature of spatial variability: field examples having implications for hydrologic modeling. Water Resources Research, vol. 31, n° 1, p. 173-184.

SHANNO D.F. (1970) - Conditioning of quasi-Newton methods for function minimization. Mathematics of Computation, vol. 24, n° 111, p. 647-656.

SINGH V.P. et FREVERT D.K. (2010) - Watershed models. Édit. CRC Press, Boca Raton (USA), 678 p.

SOROOSHIAN S. (1991) - Parameter estimation, model identification, and model validation: conceptual-type models. In : Recent advances in the modeling of hydrologic systems, D.S. BOWLES et P.E. O'CONELL édit., Édit. Springer, Dordrecht (Pays-Bas), p. 443-467.

SPALEVIC V., HUBL J., HASENAUER H. et CUROVIC M. (2014) - Calculation of soil erosion intensity in the Bosnjak watershed, Polimlje river basin, Montenegro. Actes du colloque "Agrosym 2014" (Jahorina, Bosnie-Herzégovine), D. KAVOCEVIC édit., Édit. Faculté d'Agriculture, Sarajevo (Bosnie-Herzégovine), p. 730-738.

STOCKING M.A. et ELWELL H.A. (1973) - Soil erosion hazard in Rhodesia. Rhodesia Agricultural Journal, vol. 70, p. 93-101.

STORM B., JORGENSEN G.H. et STYCSEN M. (1987) - Simulation of water flow and soil erosion processes with a distributed physically based modeling system. In : Forest hydrology and watershed management, actes de colloque (Vancouver, Canada), R.H. SWANSON, P.Y. BERNIER et P.D. WOODARD édit., IAHS Publication, vol. 167, p. 595-608.

TAKKEN I., BEUSELINCK L., NACHTERGAELE J., GOVERS G., POESEN J. et DEGRAER G (1999) - Spatial evaluation of a physically-based distributed: erosion model LISEM. Catena, vol. 37, n° 3-4, p. 431-447.

TAKKEN I., GOVERS G., JETTEN V., NACHTERGAELE J., STEEGEN A. et POESEN J. (2001) - The effects of tillage on runoff and erosion patterns. Soil and Tillage Research, vol. 61, n° 1-2, p. 55-60.

THAXTON C.S., MITASOVA H., MITAS L., MCLAUGHLIN R. (2004) - Simulations of distributed watershed erosion, deposition, and terrain evolution using a path sampling Monte Carlo method. In : Proceedings of the ASAE annual international meeting 2004 (Ottawa, Canada), Édit. American Society of Agricultural and Biological Engineers, Saint Joseph (USA), p. 2069-2082.

THOMPSON J.R. (1964) - Quantitative effect of watershed variables on rate of gully-head advancement. Transactions of American Society of Agricultural Engineers, vol. 7, n° 1, p. 54-55.

TIBSHIRANI R. (1996) - Regression shrinkage and selection via the LASSO. Journal of the Royal Statistical Society, série B, vol. 58, n° 1, p. 267-288.

TRIBAK H., DELGADO-MARQUEZ B.L., ROJAS P., VALENZUELA O., POMARES H. et ROJAS I. (2012) - Statistical analysis of different artificial intelligent techniques applied to intrusion detection system. Actes du colloque ICMCS "Multimedia computing and systems" (Tanger, Maroc), M. ESSAAIDI et Y. ZAZ édit., Édit. Institute of Electronical and Electronics Engineers, volume 1, p. 434-440.

VAN WESTEN C.J. (1993) - Application of geographic information systems to landslide hazard zonation. Thèse de doctorat, Édit. International Institute for Aerospace Survey and Earth Science, Enschede(Pays-Bas), 245 p.

VAN WESTEN C.J. (2000) - The modelling of landslide hazards using GIS. Surveys in Geophysics, vol. 21, p. 241-255.

VAN WESTEN C.J., RENGERS N., TERLIEN M.T.J. et SOETERS R. (1997) - Prediction of the occurrence of slope instability phenomena through GIS based hazard zonation. Geologische Rundschau, vol. 86, p. 404-414.

VAPNIK V.N. (1995) - The nature of statistical learning theory. Édit. Springer, New York (USA), 316 p.

VERSTRAETEN G., POESEN J., DE VENTE J. et KONINCKX X. (2003) - Sediment yield variability in Spain: a quantitative and semi qualitative analysis using reservoir sedimentation rates. Geomorphology, vol. 50, n° 4, p. 327-348.

VILLENEUVE P.R., FAN S, JOHNSON S.G. et JOANNOPOULOS J.D. (1998) - Three-dimensional photon confinement in photonic crystals of low-dimensional periodicity. IEE Proceedings - Optoelectron, vol. 145, n° 6, p. 384-390.

VINEY N.R. et SIVAPALAN M. (1999) - A conceptual model of sediment transport: application to the Avon river basin in western Australia. Hydrological Processes, vol. 13, n° 5, p. 727 -743.

WALTON R. et HUNTER H. (1996) - Modelling water quality and nutrient fluxes in the Johnstone river catchment, North Queensland. In : Water in the environment, actes du 23ème colloque "Hydrology and water resources symposium" (Sydney, Australie), A. LIVINGSTON édit., Édit. Institution of Engineers, Barton (Australie), p. 425-432.

WANG W., SHAO Q., YANG T., PENG S., XING W., SUN F et LUO Y. (2013) - Quantitative assessment of the impact of climate variability and human activities on runoff changes: A case study in four catchments of the Haihe river basin, China. Hydrological Processes, vol. 27, n° 8, p. 1158-1174.

WANG J.P., XU Y. et MIN W.Y. (2017) - Earthquake probability in Taipei based on non-local model with limited local observation: maximum likelihood estimation. Soil Dynamics and Earthquake Engineering, vol. 99, p. 150-156.

WATSON F., RAHMAN J. et SEATON S. (2001) - Deploying environmental sotware using the Tarsier modelling framework. Proceedings of the Third Australian Stream Management Conference, Brisbane (Australie), p. 631-637.

WERNER M. von (1995) - GIS-orientierte methoden der digitalen reliefanalyse zur modellierung von bodenerosion in kleinen einzugsgebieten. Thèse de doctorat, Université libre de Berlin (Allemagne), 270 p.

WHEATER H.S., JAKEMAN A.J. et BEVEN K.J. (1993) - Progress and directions in rainfall-runoff modelling. In : Modelling change in environmental systems, A.J. JAKEMAN, M.B. BECK et M.J. MACALEER, Édit. John Wiley and Sons, Chichester (GB), p. 101-132.

WILLIAMS J.R. (1975) - Sediment-yield prediction with Universal Equation using runoff energy factor. In : Present and prospective technology for predicting sediment yields and sources, Édit. United States Department of Agriculture, Agriculture Research Service, vol. 40, p. 244-252.

WILLIAMS J.R., JONES C.A., KINIRY J.R. et SPANEL D.A. (1989) - The EPIC crop growth model. Translations of the American Society of the Agricultural Engineers, vol. 32, n° 2, p. 497-511.

WISCHMEIER W.H. et SMITH D.D. (1965) - Predicting rainfall - erosion losses from Cropland East of the Rocky Mountains. A guide for selection and practices for soil and water conservation. Agricultural Handbook, vol. 282, 47 p.

WOODBURY A., RENDER F. et ULRYCH T. (1995) - Practical probabilistic groundwater modeling. Groundwater, vol. 33, n° 4, p. 532-538.

WOOLHISER D.A., SMITH R.E. et GOODRICH D.C. (1990) - KINEROS: a kinematic and erosion model. Documentation and user manual. Édit. United States Department of Agriculture, Agricultural Research Service, ARS-77, VIII + 130 p.

YIN K.J. et YAN T.Z. (1988) - Statistical prediction model for slope instability of metamorphosed rocks. Actes du cinquième colloque international sur les glissements de terrain (Lausanne, Suisse), C. BONNARD édit., Édit. Balkema, Rotterdam (Pays-Bas), vol. 2, p. 1269-1272.

YOUNG P.C. (1999) - Data-based mechanistic modelling, generalized sensitivity and dominant mode analysis. Computer Physics Communications, vol. 115, n° 1-2, p. 1-17.

YOUNG R.A., ONSTAD C.A., BOSCH D.D. et ANDERSON W.P. (1989) - AGNPS: a nonpoint-source pollution model for evaluating agricultural watersheds. Journal of Soil and Water Conservation, vol. 44, n° 2, p. 168-173.

ZABIHI M., MIRCHOOLI F., MOTEVALLI A., DARVISHAN A.K., POURGHASEMI H.R., ZAKERI M.A. et SADIGHI F. (2018) - Spatial modelling of gully erosion in Mazandaran province, Northern Iran. Catena, vol. 161, p. 1-13.

ZOU H. et HASTIE T. (2005) - Regularization and variable selection via the elastic net. Royal Statistical Society, vol. 67, p. 301-320.

Haut de page

Table des illustrations

Titre Tableau I - Échelles spatiales pour la modélisation de l'érosion hydrique (classification inspirée de A. RAZA et al., 2021).
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-1.jpg
Fichier image/jpeg, 89k
Titre Tableau II - Nombre de modèles considérés et nombre d'articles lus pour chaque type de modèles prédictifs de l'érosion hydrique.
Légende EMC : évaluation multicritère. App.Auto. : apprentissage automatique.La même utilisation a pu faire l'objet de plusieurs articles.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-2.jpg
Fichier image/jpeg, 53k
Titre Figure 1 - Évolution chronologique des principaux types de modèles prédictifs de l'érosion hydrique.
Légende EMC : évaluation multicritère. App. Auto. : apprentissage automatique.Les modèles cités sont indiqués à titre d'exemples.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-3.jpg
Fichier image/jpeg, 133k
Titre Figure 2 - Pourcentage d'utilisation de chacun des principaux types de modèles prédictifs de l'érosion hydrique.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-4.jpg
Fichier image/jpeg, 96k
Titre Tableau III - Modèles empiriques d'évaluation de l'érosion hydrique les plus utilisés (n = 23).
Légende C/V : champ / versant sans bassin versant constitué. pBV : petit bassin versant < 50 km2). BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-5.jpg
Fichier image/jpeg, 461k
Titre Tableau IV - Modèles conceptuels d'évaluation de l'érosion hydrique les plus utilisés (n = 13).
Légende P : petite parcelle (longueur < 10 m). C/V : champ / versant sans bassin versant constitué. BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-6.jpg
Fichier image/jpeg, 252k
Titre Tableau V - Modèles physiques de l'érosion hydrique les plus utilisés (n=29).
Légende P : petite parcelle (longueur < 10 m). C/V : champ / versant sans bassin versant constitué. pBV : petit bassin versant < 50 km2). BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-7.jpg
Fichier image/jpeg, 519k
Titre Tableau VI - Modèles experts de l'érosion hydrique les plus utilisés (n = 19).
Légende P : petite parcelle (longueur < 10 m). C/V : champ / versant sans bassin versant constitué. pBV : petit bassin versant < 50 km2). BV/R : grand bassin versant / petite région (50-500 km2). GR : grande région (> 500 km2). Érosion : érosion sensu lato, toutes formes confondues.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-8.jpg
Fichier image/jpeg, 321k
Titre Tableau VII - Modèles statistiques les plus utilisés dans les études sur l'érosion en ravines (n = 14).
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-9.jpg
Fichier image/jpeg, 167k
Titre Tableau VIII - Modèles d'Apprentissage Automatique (AA) les plus utilisés pour l'étude de l'érosion en ravines à l'échelle des bassins versants (n=30).
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-10.jpg
Fichier image/jpeg, 204k
Titre Figure 3 - Évolution des modèles d'apprentissage automatique dans le temps.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-11.jpg
Fichier image/jpeg, 75k
Titre Tableau IX - Proposition d'aide au choix d'un type de modélisation de l'érosion hydrique en fonction des caractères intrinsèques et et des critères fonctionnels.
URL http://journals.openedition.org/physio-geo/docannexe/image/15783/img-12.jpg
Fichier image/jpeg, 212k
Haut de page

Pour citer cet article

Référence papier

Aïcha Fadil et Farid El Wahidi, « Vers une nouvelle classification des modèles d'évaluation et de prédiction de l'érosion hydrique », Physio-Géo, Volume 19 | -1, 83-112.

Référence électronique

Aïcha Fadil et Farid El Wahidi, « Vers une nouvelle classification des modèles d'évaluation et de prédiction de l'érosion hydrique », Physio-Géo [En ligne], Volume 19 | 2023, mis en ligne le 12 octobre 2023, consulté le 05 décembre 2024. URL : http://journals.openedition.org/physio-geo/15783 ; DOI : https://doi.org/10.4000/physio-geo.15783

Haut de page

Auteurs

Aïcha Fadil

FLSH, UCA, Laboratoire Géomorphologie, Environnement et Société, 40000 MARRAKECH, MAROC.
Courriel : aicha.fadil1974@gmail.com

Farid El Wahidi

UCA, Laboratoire Géoenvironnement, Géoressources et Génie Civil, 40000 MARRAKECH, MAROC.
Courriel : f.elwahidi@uca.ma

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Sommaire - Document précédent -
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search