IA évalue les dégâts urbains sur images satellites partielles

Une équipe de chercheurs dirigée par le professeur In Ho Cho de l'Université nationale de Séoul a mis au point un cadre d'intelligence artificielle scientifique capable de prédire rapidement les dégâts structurels à l'échelle d'une ville, même lorsque les images satellites sont partiellement occultées par des nuages, de la fumée ou d'autres obstacles. Les résultats de cette étude ont été publiés dans la revue Scientific Reports. Face à l'intensification des catastrophes naturelles et à la complexité croissante des infrastructures, identifier immédiatement les zones sinistrées est essentiel pour orienter les secours et planifier la reconstruction. Cependant, les méthodes actuelles reposent souvent sur de vastes ensembles d'images satellites complètes et nécessitent des phases d'entraînement coûteuses en données et en puissance de calcul, ce qui les rend peu adaptées aux situations d'urgence. Pour contourner ces limites, l'équipe a intégré des connaissances en génie civil au processus d'analyse et a combiné cette approche avec une méthode statistique d'imputation. Cette technique permet de reconstituer les informations manquantes dans les images en s'appuyant sur les motifs et similarités environnants, plutôt que de les supprimer ou de les remplacer par des valeurs moyennes. Le système utilise également l'entropie visuelle, un indicateur quantifiant le désordre dans l'image, pour mesurer les modifications subies par les bâtiments et leur environnement avant et après la catastrophe. En croisant ces données satellitaires avec des informations publiques ouvertes, le modèle génère des estimations de dégâts sans nécessiter de phase d'entraînement dédiée à chaque nouvelle situation. La validation du cadre s'est appuyée sur les répercussions d'un typhon majeur et d'un incendie de grande ampleur. Les tests ont confirmé que le modèle prédit avec une marge d'erreur inférieure à cinq pour cent la structure des bâtiments endommagés, même lorsque plus de la moitié des images est masquée. L'absence de processus d'apprentissage préalable permet un déploiement immédiat, offrant une réponse rapide aux opérateurs de secours et aux gestionnaires d'infrastructures. Au-delà de l'urgence humanitaire, cette approche ouvre des perspectives pour la planification urbaine, la gestion du patrimoine bâti vieillissant, l'évaluation visuelle de machines ou de véhicules, ainsi que pour des applications liées à la défense. Le professeur Cho souligne que cette méthodologie démontre la valeur de l'IA scientifique, qui fusionne expertise physique et correction statistique pour extraire des jugements fiables à partir de données partielles. La recherche implique également des équipes de l'Université d'État de l'Iowa et du laboratoire de recherche de l'US Air Force.