Satellite to Street : Disaster Impact Estimator

Cette thèse présente « Satellite to Street », un cadre d'apprentissage profond basé sur une architecture U-Net modifiée et une fonction de perte pondérée par classe, conçu pour générer rapidement des cartes de dommages pixel par pixel à partir d'images satellites avant et après une catastrophe, afin de fournir une évaluation objective et détaillée de la gravité des dégâts pour optimiser la réponse d'urgence.

L'essentiel

🌍 Le Projet : « Du Satellite à la Rue : L'Estimateur d'Impact »

Imaginez qu'une grande catastrophe (comme un tremblement de terre ou une inondation) vient de frapper une ville. Les équipes de secours doivent savoir où aller en priorité et combien de dégâts il y a.

Habituellement, des humains doivent regarder des photos satellites, une par une, pour compter les bâtiments détruits. C'est comme essayer de trouver une aiguille dans une botte de foin avec une loupe : c'est lent, fatiguant et on peut se tromper.

Ce projet, réalisé par quatre étudiants de l'Institut Vellore de Technologie en Inde, propose une solution intelligente : un « détective numérique » qui compare automatiquement les photos avant et après la catastrophe pour dresser une carte précise des dégâts.

---

🕵️‍♂️ Comment ça marche ? (L'Analogie du Détective)

Pour comprendre le fonctionnement, imaginons que notre système est un détective très doué qui a deux outils magiques :

1. La Comparaison « Avant/Après » (Le Double Regard)

Le détective ne regarde pas juste une photo. Il a deux photos de la même rue :

• Photo A : La rue avant la catastrophe (tout est intact).
• Photo B : La rue après la catastrophe (des décombres partout).

Au lieu de les regarder séparément, le détective les superpose. C'est comme si vous regardiez un dessin animé où un personnage change de costume instantanément : votre cerveau repère immédiatement ce qui a bougé. Le système fait pareil : il repère instantanément les toits effondrés ou les murs manquants.

2. Le Miroir Magique (L'Architecture U-Net)

Le cœur du système est une intelligence artificielle appelée U-Net. Imaginez-la comme un miroir en forme de U :

• La descente (le bras gauche du U) : Le système regarde la photo de très haut pour comprendre le contexte global (c'est une ville, c'est une forêt ?). Il rétrécit l'image pour en extraire les idées principales.
• Le fond (le bas du U) : C'est là que la magie opère. Le système combine les informations du « avant » et du « après » pour comprendre exactement ce qui s'est passé.
• La remontée (le bras droit du U) : Le système remonte l'image, mais cette fois, il ajoute tous les détails qu'il a oubliés en descendant. Il recrée une image très précise, pixel par pixel.

3. Le Tri des Dégâts (Pas juste « Dégâts » ou « Pas de Dégâts »)

La plupart des anciens systèmes disaient juste : « Ici, c'est cassé » ou « Ici, c'est bon ».
Notre système est plus fin. Il agit comme un médecin qui évalue la gravité d'une blessure :

• 🟢 Pas de dégâts : Tout va bien.
• 🟡 Dégâts mineurs : Un toit abîmé, une fenêtre cassée (réparable).
• 🟠 Dégâts majeurs : Le bâtiment est très endommagé, mais debout.
• 🔴 Détruit : Le bâtiment est effondré (dangereux, nécessite une évacuation immédiate).

Cette précision est cruciale. Elle permet aux secours de ne pas perdre de temps sur des maisons légèrement abîmées et de se concentrer sur celles qui sont totalement effondrées.

---

🛠️ Les Défis et les Solutions

Le Problème : Le Déséquilibre
Dans une catastrophe, la plupart des bâtiments ne sont pas touchés. C'est comme chercher un grain de sable rouge dans un seau de sable blanc. L'intelligence artificielle a tendance à dire « tout est blanc » pour être sûre, et elle rate les dégâts.
La Solution : Les chercheurs ont donné une « récompense spéciale » à l'IA quand elle trouvait les bâtiments détruits. C'est comme si on disait au détective : « Si tu trouves le coupable (le bâtiment détruit), tu gagnes deux fois plus de points ! » Cela force l'IA à être plus attentive aux zones critiques.

Le Problème : La Qualité des Photos
Les photos satellites peuvent être floues ou cachées par des arbres.
La Solution : Le système a été entraîné avec des millions d'exemples pour apprendre à deviner ce qui se cache derrière un arbre ou à corriger les ombres, un peu comme un photographe qui retouche une photo abîmée.

---

🚀 Pourquoi c'est important ? (Le Résultat)

Grâce à ce système :

1. Vitesse : Ce qui prenait des jours à des humains se fait en quelques minutes.
2. Précision : On sait exactement où et à quel point c'est détruit.
3. Sauvetage : Les équipes de secours peuvent arriver plus vite là où les gens sont piégés, car la carte des dégâts est claire et colorée.

🌟 En Résumé

Ce projet, c'est comme donner aux sauveteurs une vue de super-héros. Au lieu de devoir grimper sur chaque toit pour vérifier les dégâts, ils peuvent regarder une carte numérique générée par l'ordinateur qui leur dit : « Allez ici, c'est grave ; là-bas, c'est juste un peu abîmé ».

C'est une technologie qui ne remplace pas les humains, mais qui les aide à être plus rapides, plus sûrs et à sauver plus de vies. C'est le futur de l'aide humanitaire : de l'espace (satellite) directement vers la rue.

Résumé technique

Titre du Projet

Satellite to Street : Estimateur d'Impact des Catastrophes

1. Problématique

L'évaluation précise des dégâts après une catastrophe naturelle (séismes, inondations, ouragans, incendies) est cruciale pour prioriser les interventions d'urgence et l'allocation des ressources. Cependant, les pratiques actuelles reposent principalement sur l'interprétation manuelle d'images satellites, un processus qui présente plusieurs limites majeures :

• Lenteur et coût : L'analyse manuelle est chronophage et difficilement scalable sur de vastes zones touchées.
• Subjectivité : Les résultats varient selon l'opérateur humain.
• Limites des modèles existants : Bien que l'apprentissage profond (Deep Learning) ait amélioré la détection des changements, les modèles actuels peinent souvent à capturer des variations structurelles subtiles. Ils échouent fréquemment face au déséquilibre de classes (les bâtiments non endommagés dominant les jeux de données) et se contentent souvent d'une classification binaire (endommagé/non endommagé) ou de catégories trop larges, manquant ainsi de la granularité nécessaire pour une prise de décision opérationnelle.

2. Méthodologie

Le système proposé est un pipeline complet allant de la préparation des données au déploiement web, basé sur une architecture d'apprentissage profond modifiée.

A. Préparation des Données

• Source de données : Utilisation du jeu de données xView2, contenant des paires d'images satellites pré- et post-catastrophe avec des annotations JSON (polygones de bâtiments et niveaux de gravité).
• Prétraitement :
  • Redimensionnement des images de 1024x1024 à 256x256 pixels pour optimiser la mémoire tout en conservant les détails structurels (interpolation LANCZOS).
  • Normalisation des valeurs de pixels dans l'intervalle [0, 1].
  • Conversion des annotations polygonales en masques de segmentation sémantique (pixels) avec des classes distinctes : Aucun dommage, Dommage mineur, Dommage majeur, Détruit.
• Augmentation : Utilisation de transformations (retournement horizontal, ajustement de luminosité) via PyTorch pour améliorer la robustesse.

B. Architecture du Modèle

Le cœur du système est une architecture U-Net modifiée à double entrée (Dual-Input U-Net) :

• Entrée : Le modèle accepte une entrée à 6 canaux, résultant de l'empilement des images RGB pré-catastrophe et post-catastrophe (3+3 canaux). Cela permet au réseau d'apprendre directement les caractéristiques de changement.
• Encodeur : Basé sur un bloc SE-ResNeXt50 (avec mécanisme d'attention Squeeze-and-Excitation et convolutions groupées) pour extraire des caractéristiques hiérarchiques robustes.
• Fusion de caractéristiques : Une fusion de caractéristiques renforcée entre les deux images d'entrée permet de détecter à la fois des changements localisés et des motifs contextuels.
• Décodeur : Utilise des connexions sautées (skip connections) pour préserver les détails spatiaux fins (bords, petits bâtiments) essentiels à la segmentation précise.
• Sortie : Une carte de segmentation pixel par pixel classifiant chaque pixel dans l'une des quatre catégories de dommages.

C. Stratégie d'Entraînement

• Fonction de perte : Utilisation d'une fonction de perte pondérée par la classe (class-aware weighted loss) pour atténuer l'impact du déséquilibre de données et forcer le modèle à mieux reconnaître les structures endommagées (classes minoritaires).
• Évaluation : Métriques basées sur l'IoU (Intersection over Union) et le score Dice, calculés par classe pour éviter les biais liés aux classes absentes.

3. Contributions Clés

1. Granularité Fine : Contrairement aux modèles binaires, le système distingue quatre niveaux de sévérité (aucun, mineur, majeur, détruit), offrant une analyse plus actionable pour les équipes de secours.
2. Architecture Hybride : Combinaison d'une entrée double (pré/post) avec un encodeur SE-ResNeXt50 pour capturer des changements structurels subtils que les modèles standards manquent.
3. Gestion du Déséquilibre : Intégration explicite de mécanismes de pondération des classes pour améliorer la détection des zones critiques (bâtiments détruits).
4. Pipeline Complet : Mise en œuvre d'un système end-to-end incluant le prétraitement, l'entraînement, l'évaluation et un déploiement web pour la visualisation des résultats.

4. Résultats

Les expériences menées sur le jeu de données xView2 (split 70/30) démontrent la supériorité du modèle proposé par rapport aux baselines :

• Performance Globale : Le modèle atteint un IoU moyen de 0,74 et un score Dice moyen de 0,81.
• Comparaison Architecturale : L'utilisation de l'encodeur SE-ResNeXt50 a surpassé un U-Net standard avec ResNet-50 (IoU de 0,74 contre 0,69), confirmant l'apport des mécanismes d'attention pour la détection de détails fins.
• Performance par Classe :
  • Aucun dommage : IoU 0,82 / Dice 0,89
  • Dommage mineur : IoU 0,65 / Dice 0,68
  • Dommage majeur : IoU 0,58 / Dice 0,72
  • Détruit : IoU 0,75 / Dice 0,83
• Analyse Qualitative : Les masques générés permettent de visualiser clairement l'effondrement de structures, le déplacement de toits et les débris, avec une précision supérieure aux méthodes de détection de changement traditionnelles qui produisent souvent du bruit.

5. Signification et Impact

Ce travail représente une avancée significative pour la gestion des catastrophes :

• Aide à la Décision : En fournissant des cartes de dommages détaillées et objectives, le système aide les décideurs et les organisations humanitaires à prioriser les zones les plus critiques (bâtiments détruits vs dommages mineurs).
• Efficacité Opérationnelle : Il réduit considérablement le temps d'analyse post-catastrophe, passant de jours (analyse manuelle) à des heures ou minutes.
• Complémentarité : Le système est conçu pour assister, et non remplacer, les experts humains, en fournissant une première estimation rapide et cohérente.

6. Limites et Travaux Futurs

• Limites actuelles : La précision diminue en cas d'occlusion par la végétation ou les ombres, et pour les bâtiments aux textures uniformes avant/après la catastrophe. La résolution basse des images satellites peut aussi limiter la détection des petits détails.
• Perspectives :
  • Intégration d'images de drones pour une vue au niveau de la rue et une résolution accrue.
  • Utilisation d'images SAR (Radar à ouverture synthétique) ou multispectrales pour fonctionner par temps couvert (nuages, fumée).
  • Exploration d'architectures plus avancées (DeepLabv3+, Transformers) et intégration dans des systèmes GIS en temps réel pour la gestion de crise.

En conclusion, « Satellite to Street » démontre le potentiel de l'IA pour transformer l'évaluation des dégâts, passant d'une approche réactive et manuelle à une analyse proactive, automatisée et hautement détaillée.