Les eaux souterraines connaissent une dégradation de leur qualité en relation avec l'augmentation de la demande résultant de l'accroissement démographique rapide, l'urbanisation accélérée, la diversification des activités économiques et agricoles et l'amélioration du niveau de vie des citoyens. Cette dégradation est généralement exprimée par la salinisation et la contamination de ces eaux. La détermination de l'origine de la salinité des eaux de la nappe phréatique nord du Sahel de Sfax a été approchée à partir de l'étude de l'évolution dans l'espace des éléments chimiques majeurs. L'interprétation des données d'analyse et la répartition des eaux souterraines en groupes homogènes sont réalisées en utilisant les diagrammes de Stiff, de Durov étendu, et d'éléments pris deux à deux. L'étude a révélé une variété d'origines et de processus de la salinisation des eaux souterraines. Ainsi, dans la partie amont, ce phénomène serait dû essentiellement à la dissolution/précipitation des minéraux de la formation réservoir (groupe I). L'effet du mouvement de retour des eaux d'irrigation et de pompage intensif est considéré comme étant la principale origine de la minéralisation des eaux des groupes II et III, caractérisées par des réactions d'échange ionique direct et de mélange. L'anomalie de forte salinité observée au niveau de la zone Hazeg est expliquée par une contamination de la nappe par les eaux de mer. Cette hypothèse d'intrusion marine est justifiée par les fortes teneurs en chlorures dues à la présence de réactions d'échange cationique inverse (groupe IV) et par une piézomètrie inférieure au niveau de la mer.

The Tunisian North-western region, especially Tabarka and Ain-Drahim villages, presents many landslides every year. Therefore, the landslide susceptibility mapping is essential to frame zones with high landslide susceptibility, to avoid loss of lives and properties. In this study, two bivariate statistical models: the evidential belief functions (EBF) and the weight of evidence (WoE), were used to produce landslide susceptibility maps for the study area. For this, a landslide inventory map was mapped using aerial photo, satellite image and extensive field survey. A total of 451 landslides were randomly separated into two datasets: 316 landslides (70%) for modelling and 135 landslides (30%) for validation. Then, 11 landslide conditioning factors: elevation, slope, aspect, lithology, rainfall, normalized difference vegetation index (NDVI), land cover/use, plan curvature, profile curvature, distance to faults and distance to drainage networks, were considered for modelling. The EBF and WoE models were well validated using the Area Under the Receiver Operating Characteristic (AUROC) curve with a success rate of 87.9% and 89.5%, respectively, and a predictive rate of 84.8% and 86.5%, respectively. The landslide susceptibility maps were very similar by the two models, but the WoE model is more efficient and it can be useful in future planning for the current study area.