Search

International audience; Landslide susceptibility constitutes an important component within the landslide risk equation and therefore, itsassessment is very useful for improving the prognosis of such phenomena. The present research aims to assess landslide susceptibilityfor two low hills regions from Romania, situated in different geographical conditions. The application of the logisticregression method aimed to reveal the relations among the factors controlling the landslides’ manifestation and their spatialdistribution. The computer aided data processing in GIS environment points out the slope and land use as the most importantcausal factors for landsliding, followed by terrain aspect, distance from drainage network and precipitations. Landslide susceptibilitymaps were achieved for both study regions. The validity of the prediction model was checked using the ROC curve(Receiver Operating Characteristic) and the AUC (Area Under the Curve) respectively, which reveal a high accuracy degree.; Cet article propose l’évaluation de la susceptibilité aux glissements de terrain dans deux secteurs de collinesbasses de Roumanie. Par l’application de la méthode de régression logistique, on se propose de saisir les relations entreles facteurs responsables de l’occurence des glissements de terrain et leur distribution spatiale. Le traitement automatiquedes données par SIG prend en compte la pente, la nature géologique du terrain, l’exposition des versants, ladistance par rapport au réseau de drainage et les précipitations annuelles. On obtient ainsi deux cartes de susceptibilitéaux glissements. La validité du modèle de prédiction a été vérifié à l’aide de la courbe ROC (Receiver Operating Characteristic),respectivement pour l’aire AUC située sous la courbe (Area Under the Curve), en mettant en évidence un degréélevé de prédiction.Cet article propose l’évaluation de la susceptibilité aux glissements de terrain dans deux secteurs de collinesbasses de Roumanie. Par l’application de la méthode de régression logistique, on se propose de saisir les relations entreles facteurs responsables de l’occurence des glissements de terrain et leur distribution spatiale. Le traitement automatiquedes données par SIG prend en compte la pente, la nature géologique du terrain, l’exposition des versants, ladistance par rapport au réseau de drainage et les précipitations annuelles. On obtient ainsi deux cartes de susceptibilitéaux glissements. La validité du modèle de prédiction a été vérifié à l’aide de la courbe ROC (Receiver Operating Characteristic),respectivement pour l’aire AUC située sous la courbe (Area Under the Curve), en mettant en évidence un degréélevé de prédiction.

Any transformation of a discrete variable into a continuous one is subject to uncertainty. Consequently the identification and assessment of errors is essential for avoiding misinterpretations of models describing the spatial distribution of climatic parameters. Our study attempts to identify the main sources of errors affecting the statistical spatial models of climatic parameters and to assess their impact on the accuracy of these models: e.g. errors from data or metadata, models, or results. Imprecision and uncertainty must be evaluated in the spatial modeling process because it seems essential to propose results taking them into account (the uncertainty of the outcome has to be estimated). Managing uncertainty is essential as it plays an increasing significant role in decision-making. In particular, we discuss the georeference errors, the errors derived from the heterogeneity of the studied region, from the spatial representativeness of the station network, the outliers problem, the statistical errors and the propagation of errors from elementary to complex climatic variables.

The creation of temperature fields, in contrasted terrain, must be founded on a model taking into account characteristics and spatial evolutions of the ground. For this reason, multivariate regression often gets the best results, compared to geostatistical spatial interpolation. The parameters used as independent variables in this multivariate regression must be correlated to air temperature. These factors' influences vary according to spatial and temporal studied scales: thus, if at annual scale, elevation is often the only element correlated with air temperature, at daily scale, the model is more complex. We propose here to highlight some topographic parameters derived from geographical information systems, as well as statistical methods (low-pass filters in particular) generating an improvement of the correlation coefficients obtained with air temperature. Some examples dealing with mountainous area (northern part of the French Alps and Moldova, in Romania) are presented., La création de champs de température, en relief contrasté, doit être fondée sur un modèle qui prenne en compte les caractéristiques et les évolutions spatiales du terrain. A ce titre, une modélisation par régression multiple procure souvent les meilleurs résultats, par rapport aux méthodes d'interpolation spatiale. Les paramètres utilisés comme variables indépendantes dans cette régression multiple doivent bien sûr être corrélés à la température. L'influence de ces facteurs varie suivant les échelles spatiales et temporelles de l'étude : ainsi, si à l'échelle annuelle, l'altitude est souvent le seul élément influençant les températures, il n'en est rien à l'échelle quotidienne. Nous proposons ici de mettre en évidence quelques paramètres topographiques pouvant être modélisés par systèmes d'information géographique, ainsi que des méthodes statistiques (filtres passe-bas notamment) engendrant une amélioration des coefficients de corrélation obtenus avec la température. Le travail sera illustré par des exemples ayant pour cadre des régions essentiellement montagneuses (partie nord des Alpes françaises et région de Moldavie, en Roumanie).