Post-Earthquake Candidate Building-Loss Screening from Bitemporal Google Earth Imagery: An Object-Level Framework for the 2023 T¨urkiye Earthquakes

Lorsqu'un séisme majeur frappe, la priorité immédiate des équipes de secours est de savoir où les bâtiments se sont effondrés. Dans les heures et les jours chaotiques qui suivent une catastrophe, les ingénieurs ne peuvent pas visiter physiquement chaque rue pour inspecter les structures ; les routes peuvent être bloquées et le danger est trop élevé. Au lieu de cela, ils s'appuient sur des images prises d'en haut, regardant la ville comme une carte. Depuis des décennies, les scientifiques tentent d'apprendre aux ordinateurs à regarder ces images et à repérer la différence entre une maison debout et un tas de décombres. Le défi est que ces images sont rarement parfaites. Elles sont prises sous différents angles, à différents moments de la journée, et montrent souvent la même rue à des saisons différentes. Un bâtiment peut paraître différent simplement parce que le soleil est à un endroit différent, et non parce qu'il a été détruit. De plus, de nombreuses régions manquent de cartes numériques détaillées indiquant l'emplacement de chaque maison, ce qui rend difficile pour les ordinateurs de savoir ce qu'ils cherchent en premier lieu.

Cette difficulté est précisément ce qu'une nouvelle étude de Turquie vise à résoudre. Les chercheurs se sont concentrés sur les séismes dévastateurs qui ont frappé la Turquie en février 2023. Leur objectif était de créer un système capable de scanner automatiquement les images satellites historiques d'avant le séisme et de les comparer avec des images prises après, en utilisant uniquement les photos elles-mêmes. Ils ne se sont pas appuyés sur des cartes préexistantes de l'emplacement des bâtiments ou sur des données 3D complexes qui pourraient ne pas être disponibles lors d'une crise. Au lieu de cela, ils ont élaboré une méthode pour trouver d'abord les bâtiments, puis pour vérifier s'ils étaient toujours là plus tard. Le résultat est un outil qui agit comme un premier filtre, mettant en évidence les zones où les bâtiments semblent avoir disparu afin que les experts humains puissent concentrer leurs inspections détaillées sur les endroits les plus probables.

Pour construire ce système, les chercheurs ont d'abord dû apprendre à un ordinateur comment reconnaître les bâtiments dans des photos satellites. Ils ont rassemblé une collection massive d'images, combinant un ensemble de données public de photos satellites avec 150 paires d'images spécifiques de Google Earth prises dans les villes turques touchées. Un ensemble de ces images datait de 2022, avant la catastrophe, et l'autre de 2024, après la destruction. Parce que l'ordinateur devait apprendre à quoi ressemble un bâtiment, les chercheurs ont utilisé un processus semi-automatique. Ils ont laissé un programme informatique initial marquer les bâtiments, puis des humains ont soigneusement vérifié chaque marque, corrigeant les erreurs et ajoutant les bâtiments que l'ordinateur avait manqués. Cela a créé un ensemble d'entraînement de haute qualité où l'ordinateur pouvait apprendre à identifier des maisons, des appartements et d'autres structures, même lorsqu'ils étaient petits ou regroupés.

Une fois les données d'entraînement prêtes, l'équipe a testé six types différents de modèles de vision par ordinateur pour voir lequel était le meilleur pour trouver des bâtiments. Ces modèles sont comme différents ensembles d'yeux, chacun ayant sa propre façon de traiter l'information visuelle. Certains sont conçus pour être très rapides, tandis que d'autres sont conçus pour être extrêmement précis. Les chercheurs les ont tous testés dans les mêmes conditions pour voir lequel offrait le meilleur équilibre entre vitesse et précision. Ils ont découvert qu'un modèle appelé YOLOv12n était le plus performant. Il était capable de trouver le plus de bâtiments tout en maintenant un faible nombre de fausses alertes, et il le faisait assez rapidement pour être utile sur de grandes zones. Après avoir sélectionné ce vainqueur, ils l'ont réentraîné sur l'ensemble de la collection d'images pour le rendre encore plus affûté. Testé sur de nouvelles images inédites, ce modèle final était capable d'identifier correctement les bâtiments avec un haut degré de fiabilité, bien qu'il en manque encore certains, plus petits ou lourdement endommagés, ce qui est une limitation connue lors du traitement de scènes aussi complexes.

Armés du meilleur détecteur de bâtiments, les chercheurs sont passés à la deuxième étape : la comparaison des images avant et après. Cette étape était délicate car les deux images d'un même lieu n'étaient pas parfaitement alignées ; l'une pouvait être légèrement décalée ou pivotée par rapport à l'autre. Pour corriger cela, le système ignorait les bâtiments eux-mêmes, qui pourraient avoir été détruits, et se concentrait plutôt sur des éléments stables comme les routes, les intersections et les bordures de champs. En utilisant ces points fixes, l'ordinateur a ajusté l'image de 2024 pour qu'elle corresponde parfaitement à celle de 2022. Une fois les images alignées, le système a examiné chaque bâtiment qu'il avait trouvé en 2022 et a tenté de trouver son jumeau dans l'image de 2024.

Les résultats de cette comparaison ont été frappants. Le système a traité 145 paires d'images couvrant divers districts des régions les plus durement touchées. Dans les images de 2022, il a identifié 2 872 bâtiments. Dans les images de 2024, il en a trouvé 2 039. Lorsqu'il a tenté de les faire correspondre, il a réussi à lier 842 bâtiments qui apparaissaient les deux années. Cependant, 2 030 bâtiments présents en 2022 n'avaient pas de contrepartie correspondante en 2024. Le système a marqué ces 2 030 bâtiments manquants comme « pertes candidates ». Cela ne signifie pas qu'ils ont été définitivement détruits par le séisme ; cela signifie simplement qu'ils ont disparu de la vue entre les deux dates. Ils auraient pu être démolis, reconstruits, ou peut-être que l'ordinateur les a simplement manqués dans la seconde image. Le système est conçu pour capturer toutes ces possibilités afin que les humains puissent examiner de plus près.

L'étude a révélé que le taux de ces pertes candidates variait considérablement selon l'emplacement. Dans le district d'Antakya, par exemple, le système a signalé 715 bâtiments comme manquants, ce qui représentait plus de 86 % des bâtiments qu'il avait vus là avant le séisme. À Kahramanmaraş, le district central présentait un taux de perte de près de 79 %. D'autres zones avaient des taux plus bas, mais le schéma était clair : le système pouvait localiser précisément là où les changements les plus dramatiques avaient eu lieu. Les chercheurs ont également noté que les bâtiments signalés comme manquants n'étaient pas seulement ceux dont l'ordinateur n'était pas sûr ; beaucoup présentaient des scores de confiance élevés, ce qui signifie que le système était assez certain de les avoir vus auparavant et était certain de ne pas les voir après.

Ce travail démontre qu'il est possible de mener un examen préliminaire à grande échelle des dommages causés par un séisme en utilisant uniquement des images publiques, sans avoir besoin de cartes spécialisées ou de capteurs coûteux. Le système ne prétend pas savoir avec certitude quels bâtiments se sont effondrés ; il fournit plutôt une liste priorisée de lieux nécessitant l'attention humaine. En réduisant la recherche de milliers de bâtiments à quelques milliers de candidats probables, la méthode fait gagner du temps et des ressources aux équipes de secours et aux ingénieurs. Elle transforme une tâche massive et accablante en une tâche gérable, permettant aux experts de concentrer leur énergie là où les preuves de perte sont les plus fortes. L'étude conclut que si l'ordinateur ne peut remplacer l'œil humain, il peut servir de guide puissant, montant la voie vers les zones les plus critiques au lendemain d'une catastrophe.