Annoter les zones inondables et les catastrophes naturelles à partir d’images satellites

Pourquoi annoter les zones inondables à partir d’images satellites

Les inondations comptent parmi les catastrophes naturelles les plus coûteuses et les plus meurtrières au monde. Selon le World Resources Institute, plus de 250 millions de personnes peuvent être exposées chaque année, avec des dommages dépassant les milliards. L’imagerie par satellite est devenue un moyen fiable, rapide et évolutif de détecter et de surveiller les inondations. Mais les images brutes ne suffisent pas : les données annotées sont essentielles pour entraîner des modèles d’IA capables de comprendre ce qui se passe sur le terrain.

Le rôle de l’IA dans la détection des inondations

L’apprentissage automatique, en particulier les modèles d’apprentissage profond tels que les réseaux de neurones convolutifs (CNN), peuvent traiter des images satellites haute résolution pour détecter les zones inondées, identifier les dommages aux infrastructures et prévoir les risques d’inondation futurs. Ces modèles nécessitent des ensembles de données annotés montrant des images avant et après la catastrophe, avec des limites précises des zones inondables.

Sans données propres et bien annotées, les modèles risquent de ne pas être performants ou de commettre des erreurs critiques lors de scénarios de catastrophe en temps réel.

Qu’est-ce qui rend l’annotation des zones inondables si difficile ?

L’annotation des régions touchées par les inondations n’est pas une simple classification « eau ou non-eau ». Les images satellites peuvent présenter :

• Couverture nuageuse ou brume pendant les tempêtes
• Visibilité obstruée à cause de la végétation
• Réflexions et faux positifs sur les surfaces urbaines
• Évolution des niveaux d’eau au fil du temps
• Pixels mixtes près des rives ou de l’eau boueuse

Ces facteurs exigent un jugement humain minutieux et une compréhension du contexte. Par exemple, un champ boueux peut ressembler à une inondation peu profonde mais peut ne pas être dangereux. Les annotateurs doivent être formés pour identifier les modèles qui correspondent aux inondations, et pas seulement aux surfaces humides.

En outre, les impacts des inondations varient d’une région à l’autre. Une inondation urbaine à Jakarta est radicalement différente d’une crue fluviale au Bangladesh ou d’un ouragan à la Nouvelle-Orléans. La topographie locale, les infrastructures et les changements saisonniers influencent tous la façon dont les zones inondables se manifestent sur les images satellites.

Stratégies d’annotation pour les zones inondables

Pour garantir des ensembles de données de haute qualité, les professionnels suivent une combinaison d’analyses visuelles, d’intégration de métadonnées et de repères contextuels. Voici comment l’aborder :

Utiliser l’imagerie multitemporelle

L’une des techniques les plus efficaces consiste à comparer les images satellites « avant et après ». Cela permet de mettre en évidence les zones d’expansion de l’eau, d’identifier les infrastructures submergées et de valider l’étendue de l’inondation. Des outils tels que Sentinel Hub et NASA offrent un accès en temps quasi réel à ces données.

La superposition des deux périodes permet aux annotateurs d’identifier de nouveaux plans d’eau qui n’existaient pas avant l’événement.

Combinez les bandes visibles et infrarouges

Les eaux de crue peuvent parfois être masquées sur les images RVB standard. Les bandes proche infrarouge (NIR) et infrarouge à ondes courtes (SWIR) sont particulièrement utiles :

• NIR aide à identifier le stress ou la perte de végétation
• SWIR distingue plus précisément les sols humides des sols secs

L’utilisation de ces bandes spectrales fournit une confirmation supplémentaire et réduit l’ambiguïté. Des plateformes comme Google Earth Engine permettent de combiner plusieurs bandes pour une meilleure visualisation.

Comprendre les indicateurs contextuels

Les zones inondées ont tendance à être en corrélation avec :

• Zones de débordement des rivières
• Ondes de tempête côtières
• Terrain de faible altitude dans les modèles numériques d’altitude (DEM)
• Zones situées à proximité de digues ou de systèmes de drainage endommagés

L’intégration de couches SIG, telles que des cartes hydrologiques ou des modèles de pente du terrain, peut améliorer considérablement la précision des annotations.

Au-delà des inondations : autres catastrophes naturelles

L’annotation des inondations n’est qu’une partie d’un effort plus vaste visant à entraîner des modèles d’IA à la détection des catastrophes. D’autres événements naturels, tels que les feux de forêt, les glissements de terrain, les ouragans et les éruptions volcaniques, bénéficient également de l’annotation des images satellites. Chacun apporte ses propres défis et sa propre logique d’annotation.

Incendies de forêt

Lors de la détection des feux de forêt, l’annotation implique souvent l’annotation des cicatrices de brûlures, des flammes actives (provenant de capteurs thermiques) et des panaches de fumée. L’imagerie multispectrale est cruciale, notamment pour identifier la gravité des brûlures.

Glissements de terrain

L’annotation des glissements de terrain est particulièrement complexe en raison des changements subtils du terrain. Les annotateurs doivent détecter les changements de pente, les traînées de débris et la configuration des sédiments, ce qui nécessite souvent des superpositions LiDAR ou DEM.

Dommages causés par les ouragans et les tempêtes

L’imagerie post-événement en haute résolution permet d’annoter les bâtiments détruits, les routes bloquées et les zones inondées. Ces annotations alimentent les évaluations des dommages après les catastrophes et les modèles de reconstruction urbaine.

Cas d’usage qui reposent sur des annotations précises

Des ensembles de données bien annotés alimentent directement de nombreuses applications du monde réel. Explorons quelques exemples clés.

Intervention en cas d’urgence et surveillance en temps réel

L’imagerie annotée permet aux agences d’urgence telles que UNSPIDER ou FEMA pour prendre rapidement des décisions éclairées. Les systèmes d’IA peuvent :

• Prévoir les trajectoires des inondations
• Cartographier les zones d’évacuation
• Identifier les communautés isolées
• Prioriser les réparations des infrastructures

Assurance et évaluation des risques

Des entreprises comme Swiss Re utiliser les informations obtenues par satellite pour évaluer les risques d’inondation et traiter les demandes d’indemnisation. Les cartes d’inondation annotées aident à :

• Évaluer avant/après les dommages
• Automatisez la validation des réclamations
• Tarifer dynamiquement l’assurance contre les inondations

Planification urbaine et protection des infrastructures

Les urbanistes utilisent des données annotées sur les inondations pour :

• Concevoir une infrastructure résistante aux inondations
• Moderniser les systèmes de drainage
• Mettre à jour les lois de zonage
• Évitez de construire dans des zones à haut risque

Modélisation et recherche climatiques

Les ensembles de données d’annotation à long terme soutiennent des initiatives de recherche mondiales telles que Le programme SERVIR de la NASA ou Services de gestion des urgences de Copernicus. Ces jeux de données alimentent des modèles hydrologiques qui simulent :

• Schémas des précipitations et du ruissellement
• Érosion côtière
• Inondations provoquées par la fonte des glaciers

Meilleures pratiques pour une annotation de haute qualité des zones inondables

La précision et la cohérence sont essentielles lors de l’annotation des zones inondables et des impacts des catastrophes à partir de l’imagerie satellite. Une petite erreur d’annotation peut entraîner d’importantes erreurs de modèle, en particulier dans des applications critiques telles que la planification des évacuations ou l’évaluation des assurances. Vous trouverez ci-dessous une analyse plus approfondie des meilleures pratiques essentielles pour l’annotation des zones inondables :

Exploitez les données haute résolution et multi-capteurs

• Utilisez la résolution spatiale la plus élevée disponible (par exemple, 30 cm à 1 m par pixel) auprès de fournisseurs tels que Maxar ou Airbus, en particulier pour les inondations urbaines.
• Intégrez des capteurs basés sur des radars comme Sentinel-1 (SAR), qui pénètre dans les nuages et est particulièrement utile lors des tempêtes en cours ou lorsque les images optiques sont masquées.
• Comparez l’imagerie multicapteur (optique + SAR) pour confirmer l’étendue de l’eau dans différentes conditions.

Annoter différents instantanés temporels

• Annotez les images selon différents horodatages : avant, pendant et après l’inondation.
• Utiliser une analyse en time-lapse pour suivre l’évolution des eaux de crue dans l’espace et dans le temps. Cela est particulièrement utile dans les modèles d’entraînement visant à reconnaître les modèles de progression.
• Assurez-vous que les annotations sont cohérentes sur toutes les périodes. Cette continuité est cruciale pour les modèles d’IA chronologiques.

Intégrer des couches de données externes

• Superposition Modèles numériques d’élévation (DEM) pour déterminer les voies naturelles d’inondation et les zones à risque de faible altitude.
• Intégrez les données hydrologiques provenant de sources telles que Centre mondial de données sur les eaux de ruissellement (GRDC) ou les autorités locales responsables de l’eau.
• Incluez des fichiers de formes de rivières, canaux, côtes et digues à partir de jeux de données SIG pour contextualiser le mouvement de l’eau.

Définissez les protocoles d’annotation à l’avance

• Définissez clairement ce qui constitue une zone inondée (par exemple, l’eau accumulée, les routes submergées ou la saturation du sol induite par l’eau).
• Établir des taxonomies de classes pour la gravité des inondations (par exemple, faible profondeur, modérée, grave) et pour les annotations au niveau des objets, telles que les routes, les maisons et les champs touchés.
• Assurez-vous que tous les annotateurs sont conformes à ces normes à l’aide d’un document de référence ou manuel d’annotations.

Prioriser la révision et l’assurance qualité

• Mettre en œuvre avis en plusieurs passes: annotation en premier passage par des annotateurs, suivi d’un examen par un expert ou un validateur senior.
• Utiliser mesures d’accord entre annotateurs pour évaluer la cohérence entre les étiqueteuses.
• Incorporer boucles de rétroaction, où les prédictions des modèles sont utilisées pour améliorer l’annotation humaine dans les zones d’ambiguïté ou de désaccord.

Utilisez une stratégie d’annotation à plusieurs niveaux

• Commencez par segmentation sémantique étendue des zones inondées.
• Faites un suivi avec annotation au niveau de l’instance (par exemple, bâtiments inondés, routes bloquées) pour entraîner des modèles plus granulaires.
• Si les ressources le permettent, incluez boîtes englobantes ou polygones pour les actifs concernés pour activer les prédictions spécifiques à l’objet.

Tenez compte de la variabilité saisonnière et géographique

• La visibilité de l’eau et la configuration du terrain varient selon les saisons et les régions. Les annotateurs doivent être conscients des tendances des inondations saisonnières (par exemple, les inondations provoquées par la mousson en Inde par rapport aux crues soudaines aux États-Unis).
• Formez votre équipe d’annotation à reconnaître caractéristiques de l’eau régionales (par exemple, les rizières par rapport aux eaux de crue) et les modèles de végétation saisonniers typiques qui peuvent être trompeurs.

Maintenez une structure de données propre

• Garantissez la cohérence des noms de fichiers, des hiérarchies de dossiers et du balisage des métadonnées.
• Enregistrez les annotations dans des formats standardisés (GeoJSON, COCO ou formats personnalisés compatibles avec les SIG) avec un référencement spatial clair.
• Stockez toutes les métadonnées source (par exemple, date d’acquisition, capteur, résolution, % de couverture nuageuse) à côté des images et des annotations.

Des projets d’annotation dans le monde réel dont vous pouvez tirer des leçons

Un certain nombre d’initiatives d’annotation géospatiale à grande échelle ont jeté les bases de la recherche sur l’IA liée aux inondations et aux catastrophes. Ces projets sont non seulement une source d’inspiration, mais fournissent également des ensembles de données, des protocoles et des apprentissages open source sur lesquels vous pouvez vous appuyer.

xView2 du DIU et Carnegie Mellon

XView 2 est un ensemble de données de référence mondialement reconnu axé sur l’évaluation des dommages aux bâtiments après une catastrophe à l’aide de l’imagerie satellite. Ce qui en fait sa valeur :

• Comprend plus de 1 million de bâtiments labellisés lors de catastrophes multiples : inondations, ouragans, feux de forêt et tremblements de terre.
• Offres catégorisation des dommages multiclasses (aucun dommage, mineur, majeur, détruit).
• Combine imagerie avant et après avec une diversité géographique.
• Fréquemment utilisé pour évaluer des modèles d’IA dans des contextes de défis réels tels que la compétition XView2.

Plats à emporter: Leur protocole de classification des dommages aux bâtiments après une catastrophe peut être adapté à la classification de gravité des zones inondables (par exemple, touchées ou submergées).

FloodNet par l’université de Buffalo et la NASA

FloodNet est un effort de recherche collaboratif qui construit des pipelines de détection des inondations en temps réel à l’aide d’images satellitaires et participatives.

• Combine les données des satellites, des drones et des réseaux sociaux pour cartographier les inondations en milieu urbain.
• Prend en charge cartographie précise des inondations au niveau de la rue, essentiel pour répondre aux catastrophes localisées.
• Utilise modèles d’apprentissage en profondeur entraînés à partir de données annotées sur les inondations à la suite des récents ouragans et crues soudaines.

Plats à emporter: FloodNet montre comment sources de données hybrides (par exemple, drones et satellites) peuvent améliorer les stratégies d’annotation, en particulier dans les zones encombrées ou urbaines où la visibilité des satellites est limitée.

Global Flood Database par Cloud to Street et la NASA

Ce libre accès Global Flood Database cartographie plus de 900 inondations entre 2000 et 2018 à l’aide des données MODIS et Landsat.

• Housses 14 millions de km² de zone inondée dans le monde entier.
• Annote les inondations en fonction du seuil d’étendue d’eau obtenu à partir de séries chronologiques de données satellitaires.
• A été utilisé pour entraîner des modèles mondiaux de prévision des inondations et valider les statistiques d’exposition aux catastrophes pour les banques de développement et les chercheurs en climatologie.

Plats à emporter: des annotations longitudinales normalisées comme celles-ci permettent analyse des tendances et la entraînement de modèles de prévision des risques d’inondation. Cette base de données définit la norme en matière de cohérence temporelle en matière d’annotation des inondations.

Programme catastrophes de la NASA Earth Science

Le NASA collabore avec les agences d’intervention pour fournir des produits satellites annotés lors de catastrophes mondiales.

• Propose des cartes des inondations annotées à l’aide de SAR (Sentinel-1, ALOS-2) et des données optiques (Landsat, MODIS).
• Des équipes avec la FEMA, l’USAID et des agences internationales en cas d’urgence.
• Les cartes d’annotation sont partagées publiquement via NASA, souvent dans les 24 à 48 heures suivant les événements.

Plats à emporter: montre la valeur opérationnelle des annotations ponctuelles et la nécessité de disposer de pipelines semi-automatisés qui produisent des cartes des catastrophes utilisables à grande échelle.

Projet d’intervention d’urgence Sentinel Asia

Géré par le Forum régional des agences spatiales pour l’Asie-Pacifique (APRSAF), Sentinel Asia fournit une assistance géospatiale en cas de catastrophe aux pays asiatiques.

• Intègre des données satellitaires multi-capteurs pour les inondations, les glissements de terrain, les feux de forêt et les volcans.
• S'appuie à la fois sur des analystes professionnels et sur des équipes d’annotation bénévoles.
• Les cartes sont utilisées par les autorités nationales chargées des catastrophes pour une planification immédiate.

Plats à emporter: Démontre importance des protocoles d’annotation multilingues et sensibles à la culture, en particulier dans le cadre de collaborations multi-pays.

Autres projets qui méritent d’être explorés

• OpenAerialMap — Imagerie aérienne open source utilisée pour l’annotation des catastrophes.
• HOT Tasking Manager — Plateforme d’annotation alimentée par la foule utilisée après des catastrophes majeures (par exemple, tremblements de terre, cyclones).
• NASA — Héberge des ensembles de données géospatiales annotés, y compris des corpus de détection des inondations.

Le rôle du crowdsourcing dans les annotations relatives aux catastrophes

Des plateformes comme Zooniverse et Tomnod (archivé) ont réussi à mobiliser les foules pour annoter l’étendue des inondations lors de catastrophes majeures.

À la suite de l’ouragan Harvey ou du cyclone Idai, des bénévoles ont aidé à classer rapidement les bâtiments, les routes et les zones inondés. Alors que les équipes d’annotation professionnelles garantissent une plus grande précision, le crowdsourcing excelle dans les domaines suivants :

• Rapidité en période de crise
• Couverture géographique
• Création de jeux de données initiaux

La combinaison d’avis d’experts et de données annotées par la foule crée un modèle hybride qui équilibre rapidité et qualité.

Améliorer les annotations grâce aux outils assistés par IA

Bien que cet article évite de se concentrer sur les outils en tant que tels, il convient de noter que les flux de travail semi-automatisés révolutionnent l’annotation des catastrophes. La segmentation assistée par IA, les algorithmes de détection des changements et les pipelines d’apprentissage actifs peuvent :

• Réduire le temps d’annotation manuelle
• Surligner les zones anormales
• Suggérer des corrections d’étiquettes
• Améliorer la cohérence des ensembles de données à grande échelle

Ces outils sont particulièrement utiles lorsque vous travaillez avec des images satellites à haute résolution couvrant des centaines de kilomètres carrés après une catastrophe.

Harmoniser les parties prenantes

Les données satellitaires annotées jouent un rôle dans un vaste écosystème. Les parties prenantes incluent :

• Agences gouvernementales pour la préparation aux catastrophes
• ONG pour la planification des secours
• Compagnies d’assurance pour la validation des réclamations
• Le monde universitaire pour la recherche sur le climat
• Secteur privé pour la surveillance de l’infrastructure

Pour maximiser l’impact, les projets d’annotation doivent définir clairement les objectifs et impliquer une collaboration intersectorielle dès le premier jour.

Cela garantit que le format du jeu de données, la granularité de la gravité et la portée géographique correspondent à l’IA ou au cas d’usage opérationnel prévu.

En résumé

L’annotation précise des zones inondables et des catastrophes naturelles à partir de l’imagerie satellite représente bien plus qu’un défi technique, c’est un impératif humain, environnemental et sociétal. Qu’il s’agisse de permettre une réponse aux crises pilotée par IA, d’élaborer des stratégies climatiques à long terme ou de créer de meilleurs produits d’assurance, la première étape consiste à créer des données annotées fiables.

Dans un monde où chaque heure compte en cas de catastrophe, les images satellites annotées peuvent sauver des vies, protéger les communautés et contribuer à une planification résiliente.

Vous préparez un projet d’annotation satellite ?

Vous souhaitez externaliser des annotations de haute qualité pour l’imagerie des inondations et des catastrophes ? Ou peut-être êtes-vous en train de créer votre propre pipeline d’annotation et avez-vous besoin d’aide ? À DataVLab, nous sommes spécialisés dans l’annotation géospatiale pour les équipes d’IA travaillant sur des cas d’usage du climat, de l’agriculture et des satellites.

Transformons les données brutes en impact réel. Contactez notre équipe pour des services d’annotation spécialisés adaptés à votre mission.