Segmentation de scènes d'inondation basée sur les transformateurs pour les pays en développement

Les inondations sont des catastrophes naturelles à grande échelle qui provoquent souvent un nombre massif de décès, des dégâts matériels importants et une instabilité économique. Leurs effets sont plus étendus et durables dans les pays en développement à forte densité de population et à faibles ressources. Les Systèmes d'Alerte Précoce (SAP) évaluent constamment les niveaux d'eau et d'autres facteurs pour prédire les inondations, afin d'aider à minimiser les dommages. Après la catastrophe, les équipes de réponse aux désastres effectuent une Évaluation des Besoins Post-Désastre (EBPD) pour évaluer les dégâts structurels et déterminer les stratégies optimales pour répondre aux quartiers hautement affectés. Cependant, même aujourd'hui dans les pays en développement, l'analyse par les SAP et l'EBPD de grands volumes de données d'images et de vidéos est principalement un processus manuel réalisé par les premiers intervenants et les bénévoles. Nous proposons FloodTransformer, qui, selon nos connaissances, est le premier modèle basé sur un transformateur visuel pour détecter et segmenter les zones inondées à partir d'images aériennes sur les sites de désastres. Nous proposons également une métrique personnalisée, la Capacité d'Inondation (CI), pour mesurer l'étendue spatiale de la couverture d'eau et quantifier la zone inondée segmentée pour les analyses SAP et EBPD. Nous utilisons le jeu de données SWOC Flood segmentation et obtenons un mIoU de 0,93, surpassant toutes les autres méthodes. Nous démontrons en outre la robustesse de cette approche en la validant sur des images d'inondations non vues provenant d'autres sources de données sur les inondations.