Deep Learning, Images Satellites et Cartographie d’Indicateaurs Economiques et Sociaux (DLISCES)

Afin de définir des politiques permettant de réduire le risque associé à des catastrophes naturelles au sein d’un territoire exposé à un aléa climatique, il est important de disposer de cartes complètes et robustes d’indicateurs évaluant différentes dimensions de la vulnérabilité. Or, la construction classique d’indicateurs de vulnérabilité se fait de façon parcellaire à partir de données économiques et sociales issues d’enquêtes auprès de ménages. Ces enquêtes de terrain sont coûteuses en temps et en matériel et sont ainsi trop peu nombreuses, notamment dans les pays du Sud. Ce manque d’information dans l’espace et dans le temps empêche la bonne modélisation et compréhension des vulnérabilités de la population, des habitations et des infrastructures d’une région face à un risque climatique.


Dans ce contexte, le projet DLISCES cherche à exploiter les techniques de deep learning et de machine learning pour analyser des images satellitaires facilement disponibles (données Copernicus par exemple) en conjonction avec des données socio-économiques (données LSMS par exemple), afin d’estimer sur tout un territoire, les valeurs d’indicateurs de vulnérabilités humaines et matérielles. Les méthodes avancées en intelligence artificielle peuvent, en effet, contribuer de façon significative à la science de la durabilité et à la gestion des risques naturels. Elles permettent de combiner des données non-structurées, hétérogènes, massives, afin d’inférer des modèles complexes capables d’estimer efficacement divers types d’indicateurs territorialisés. Dans notre contexte, il s’agit d’exploiter ensemble, des images satellitaires, des données socio-économiques géoréférencées et des informations spatialisées diverses, dans le but d’estimer différentes variables sur toute la région considérée et de produire in fine des cartes d’indicateurs de vulnérabilité complètes et précises.


Le projet DLISCES promeut une recherche pluridisciplinaire intégrant la data science, l’économie, la science de l’assurance, le management du risque et la géomatique. Afin de mettre en œuvre ces travaux sur un premier cas pratique, le projet s’intéresse à la ville d’Arequipa au Pérou qui est exposée à plusieurs aléas naturels. Il s’agit de la 2 ème plus grande agglomération du Pérou avec plus de 1.3 millions d’habitants. A 17 km de la ville, se trouve le volcan actif “El Misti”. Au-delà des risques d’éruption, la ville d’Arequipa est régulièrement touchée par des lahars et des crues éclair.


 

Julien AH-PINE – LIMOS/CERDI
Pascale PHELINAS – CERDI
Michaël GOUJON – CERDI
Selim MANKAI – CleRMa
Andrzej STOS – LMPB
Olivier SANTONI – FERDI