DLISCES : Deep Learning, Images Satellites et Cartographie d’Indicateurs Economiques et Sociaux

Un projet multidisciplinaire pour mieux évaluer la vulnérabilité socioéconomique et améliorer la protection des personnes et des territoires.

DLISCES est un projet de recherche multidisciplinaire qui mobilise plusieurs unités de recherche de l’Université Clermont Auvergne, du CNRS et de l’IRD, autour de la question de la vulnérabilité des populations et des territoires aux risques naturels.

L’équipe est composée de chercheurs du LIMOS, du CERDI, du CLERMA et du LMBP qui vont collaborer sur un projet financé par le Centre international de recherche “Risques naturels catastrophiques et vulnérabilité socio-économique” (CIR4), un programme de recherche d'ISite CAP 20-25, qui s'inscrit dans le cadre du Labex IDGM+. 

L'équipe

Contexte et objectifs du projet

Le projet mène une recherche exploratoire dont le but est de fournir des cartographies d’indicateurs variés pour évaluer de façon plus robuste la vulnérabilité des populations et des territoires exposés à des aléas climatiques. Des chercheurs en intelligence artificielle, en management et en économie vont unir leurs efforts pour relever ce défi de façon innovante en exploitant des données complexes et hétérogènes, des modèles et outils avancés en apprentissage profond et des expertises SHS.

Photo : Cristian123gme, CC BY-SA 4.0 via Wikimedia Commons

Les chercheurs ont choisi de s’intéresser en premier lieu au cas de la ville d’Arequipa au Pérou qui est périodiquement exposée à plusieurs aléas naturels. Située à proximité du volcan “El Misti”, cette ville de plus de 1,3 millions d’habitants est régulièrement touchée par des crues éclairs ainsi que des lahars particulièrement meurtriers. La dernière coulée de boue s’est produite en 2023, touchant près de 12 000 personnes, et causant 15 décés et une vingtaine de blessés. A noter, les équipes de recherche clermontoises ont une bonne connaissance de ce terrain de recherche où elles ont récemment mené plusieurs études.

Dans ce contexte, une meilleure estimation de la vulnérabilité des populations et des infrastructures à ces différents aléas climatiques contribuent à réduire les risques. Or, la cartographie d’indicateurs de vulnérabilité utilise principalement des enquêtes de terrain qui sont très partielles et coûteuses. Le projet DLISCES propose d’exploiter des données facilement accessibles (images satellites, données d’enquêtes disponibles, données topographiques, données climatiques, ...) en conjonction avec les méthodes de deep learning et de fusion d’information afin d’inférer des cartes complètes d’indicateurs divers de vulnérabilité.

Ces briques technologiques en data science pourront également être adaptée dans le cadre d’une application connexe en sciences actuarielle. En effet, la souscription à une assurance pour couvrir les risques climatiques reste très faible au Pérou. Pourtant, il existe un dispositif d’assurance qui couvre les désastres naturels et météorologiques, l’assurance indicielle. Ce type d’assurance verse une indemnisation en fonction d'un indice corrélé aux pertes. Les versements d’indemnités sont traités de manière mécanique et se déclenchent dès lors que l’indice de référence dépasse un seuil préétabli. Toutefois, la relation entre les seuils de déclenchement et les pertes réelles est imparfaite, ce qui engendre un décalage entre le paiement et les pertes réelles subies. Dans ce contexte également, les images satellites et les techniques d’IA pourraient permettre de parfaire l’estimation des indices de référence spatialisés.

Les équipes clermontoises vont, par ailleurs, développer des collaborations avec des experts au Pérou et des partenariats avec des consortiums au niveau européen et international.

Méthodologie

Ce projet promeut une recherche multidisciplinaire qui intègre la science des données, l’économie, la science de l’assurance, le management du risque et la géomatique.

L’équipe va exploiter de façon jointe plusieurs types de données massives et facilement accessibles : les images satellites, les données d’enquête de ménage, les données météorologiques et les données topographiques.

L’équipe va analyser et croiser ces données avec des techniques avancées de machine learning et de deep learning.

Résultats attendus

Ce projet permettra de proposer un prototype permettant de produire des cartes d’indicateurs unitaires et composites reflétant diverses dimensions de la vulnérabilité de la ville d’Arequipa face à différents aléas naturels tels que les crues éclairs et les lahars. Il donnera également lieu à un prototype conduisant à l’inférence de cartographies plus robustes d’indices de reférence et de seuils de déclenchement dans le contexte de l’assurance indicielles.

Les résultats de ces études pourront par la suite contribuer à définir des politiques d’atténuation des risques liés aux catastrophes naturelles. L’équipe envisage également d’appliquer ces prototypes à d’autres cas d’étude que celui d’Aréquipa.

Les partenaires