Il s’agit dans cette thèse d’évaluer les apports de l’intelligence artificielle à mieux évaluer la vulnérabilité des enjeux face aux aléas naturels, en déroulant des scénarios d’impact dans une optique multi-risques et multi-échelles.

Le caractère fortement multimodal et hétérogène des données collectées en télédétection pour caractériser un territoire, fait émerger un nouveau défi méthodologique : développer des architectures de réseau adaptées pour la classification et la segmentation sémantique de ces données massives et complexes. De plus, le manque de bases d’entraînement en télédétection oriente les travaux vers des approches semi-supervisées avec des données partiellement annotées. C’est par la mutualisation de données hétérogènes proposée dans cette thèse, que la vérité terrain va être substantiellement enrichie. Les modèles de réseaux devront aussi s’adapter à des situations dégradées à l’étranger, ou une partie des données ne sont pas disponibles.

Ces travaux sont liés étroitement au projet Région Centre Val de Loire CERES – Cartographie et caractérisation des éléments exposés de la région CVL à partir d’images satellites – avec des perspectives applicatives pour les acteurs économiques de la région, préoccupés par les risques croissants liés aux inondations et aux fissurations des constructions. CERES prend en charge l’accès aux données payantes et le calcul intensif en ligne sur les modèles deep learning élaborés pendant la thèse. Ces travaux de thèse sont aussi en synergie avec les actions menées au BRGM (H2020 COCLICO, VIGIRISKS, ANR RESIFLEX) et l’ANR-IA où des travaux communs se sont engagés entre PRISME et le BRGM.
–
–

In remote sensing, the intensive production of multi-sensor satellite and airborne
data of ever-increasing spatial resolution (visible, IR, hyperspectral, lidar, radar,
topography, spectral material libraries, etc.) enables very detailed observation of the earth.
In particular, ENMAP satellite has opened up to the scientific community a considerable
field of investigation for earth observation with a spatial resolution of 30m. This potential
remains under-utilized, however, as conventional methods are unable to absorb such a
mass of data, especially hyperspectral imagery, which extends over hundreds of bands.
Artificial intelligence techniques, which have revolutionized the field of Computer
Vision, are opening up a new avenue in remote sensing for semantic segmentation, with
the automatic extraction of characteristics of features exposed to natural hazards. With
climate change, natural disasters are on the increase, demonstrating the urgent need to
establish up-to-date risk scenarios.
The aim of this thesis is to evaluate the contribution of artificial intelligence to better
assess vulnerability in the face of natural hazards, by unfolding impact scenarios from a
multi-risk, multi-scale perspective.
The highly multimodal and heterogeneous nature of the data collected by remote
sensing to characterize a territory has given rise to a new methodological challenge:
developing suitable network architectures for the classification and semantic segmentation
of this massive and complex data. What’s more, the lack of remote sensing training
databases is driving work towards semi-supervised approaches with partially annotated
data. It is through the pooling of heterogeneous data proposed in this thesis that ground
truth will be substantially enriched. Network models will also have to adapt to degraded
situations abroad, where some data are unavailable.
This work is closely linked to the Région Centre Val de Loire CERES project –
Mapping and characterizing exposed elements in the CVL region from satellite images –
with application prospects for the region’s economic operators, concerned by the growing
risks associated with flooding and building cracking. CERES is in charge of access to paid
data and intensive online computing on the deep learning models developed during the
thesis. This work is also in synergy with actions carried out at BRGM (H2020 COCLICO,
VIGIRISKS, ANR RESIFLEX) and the ANR-IA, where joint work is underway between
PRISME and BRGM.
–
–

Début de la thèse : 02/09/2024

Nature du financement