Objectifs
• Définir un pipeline de bout en bout depuis le téléchargement d’imagerie satellite jusqu’à la mise à jour des bases de données géospatiales avec les emplacements récents des bâtiments
• Déployer des méthodes de deep learning modernes et du post-traitement pour améliorer significativement les modèles de référence existants
• Assurer la scalabilité pour le déploiement dans plusieurs secteurs et régions géographiques
Description
Notre solution est basée sur la plateforme open-source RAMP. En utilisant des modèles et technologies de pointe, nous avons pu améliorer significativement les performances globales (voir tableau ci-dessous).
L’adaptabilité du système permet un fine-tuning local du modèle sur 55 000 tuiles d’imagerie en une seule journée. Cette rapidité permet une personnalisation efficace pour de nouvelles régions, types de bâtiments, ou paysages urbains en évolution sans besoin de cycles d’entraînement extensifs.
Notre pipeline de post-traitement effectue des opérations sophistiquées incluant le remplissage des zones manquantes, la suppression de petits objets, et l’expansion de bâtiments lorsque c’est nécessaire. Nous avons également implémenté une méthode de seuil statistique adaptatif qui peut être utilisée pour ajuster la sensibilité du modèle pendant l’inférence, optimisant les performances pour des cas d’usage spécifiques allant des environnements urbains denses aux zones rurales clairsemées.
Le workflow complet traite l’imagerie satellite brute à travers le téléchargement automatisé, la détection de bâtiments par IA, l’amélioration de la qualité, et l’intégration transparente dans les systèmes d’information géospatiale existants.
En Haïti—où la détection de bâtiments est notoirement difficile en raison de constructions informelles et de matériaux variés—notre solution a permis une amélioration significative par rapport au modèle de référence :
Nos prédictions de modèle en vert, sur Mésopotamie (Saint-Vincent)
Déploiement géographique
Évalué avec succès sur :
- Zones post-conflit (Afghanistan)
- Régions densément peuplées (Haïti)
- Terrain complexe (Pakistan)
- Zones urbaines établies (Suisse)
Contexte
La planification efficace d’interventions, dans n’importe quel secteur, repose sur la disponibilité de jeux de données infrastructurels à jour. Bien que les bases de données géospatiales existantes fournissent des informations sur les populations et les zones d’habitation pour de nombreux pays, ces données sont hautement volatiles et souvent obsolètes au moment où elles sont mises à disposition des planificateurs. Il est donc impératif de fournir des mises à jour de manière régulière.
Un aspect clé est l’emplacement précis des bâtiments, utile pour une multitude d’applications telles que l’estimation de population, la surveillance de la croissance urbaine, la planification de réseaux de télécommunications, la réponse d’urgence et l’évaluation des risques. Les bâtiments peuvent être extraits d’imagerie satellite haute résolution en utilisant des modèles de deep learning.
