evidoria

← Retour à la liste

Bonne pratique Importée

L'évaluation des dégâts aux bâtiments par IA de l'AFAD — comment le laboratoire AI for Good de Microsoft a cartographié la destruction du séisme de 2023 à partir d'images satellite

Turquie · Kahramanmaraş · Voir le profil de Turquie

Preuves: Observationnel / avant-après Top 25% 73/100 · Demandez à Evidence Copilot à propos de cette pratique

Dans les trois jours suivant les séismes de 2023 à Kahramanmaraş, le laboratoire AI for Good de Microsoft a repéré par satellite 3 849 bâtiments endommagés, pour l'AFAD, la Banque mondiale, la FICR et le PAM — collaboration ponctuelle, non une capacité institutionnalisée.

3,849
Bâtiments signalés comme endommagés/détruits (Feb 2023 (3-day assessment))
7.44 %
Bâtiments visibles endommagés à Kahramanmaraş (Feb 2023)
>0.99
AUC académique indépendante pour la détection des bâtiments effondrés (post-2023 academic study)
L'évaluation des dégâts aux bâtiments par IA de l'AFAD — comment le laboratoire AI for Good de Microsoft a cartographié la destruction du séisme de 2023 à partir d'images satellite

Détails

Maturité
Pilote
Promoteur
Türkiye Disaster and Emergency Management Presidency (AFAD), Ministry of Interior, with Microsoft AI for Good Lab
Période
February 2023 (3-day rapid assessment)
Mots-clés
disaster response, remote sensing, emergency management, computer vision

Contexte

Deux séismes (magnitude 7,8 et 7,7) ont frappé le centre-sud de la Türkiye le 6 février 2023, tuant plus de 40 000 personnes et dévastant des villes comme Kahramanmaraş, Gaziantep, Hatay et Adıyaman. Les relevés de terrain sur une zone sinistrée de cette ampleur prennent des jours, voire des semaines, mais les équipes de recherche et de secours ainsi que les agences d'aide avaient besoin de savoir rapidement quels bâtiments s'étaient effondrés.

Activités

L'AI for Good Lab de Microsoft a travaillé avec la Présidence de la gestion des catastrophes et des situations d'urgence de Türkiye (AFAD), rattachée au ministère de l'Intérieur, pour exécuter des modèles d'apprentissage profond sur des images satellite avant et après le séisme, fournies par Planet Labs (résolution de 50 cm) et Maxar Technologies (résolution de 30 cm), couvrant les trois premiers jours suivant la catastrophe.

Résultats

Les modèles ont signalé 3 849 bâtiments endommagés ou détruits dans quatre des villes les plus touchées, Kahramanmaraş affichant 7,44 % des bâtiments visibles endommagés. Les estimations ont été partagées avec les équipes d'intervention de l'AFAD elles-mêmes, ainsi qu'avec la Banque mondiale, la Fédération internationale des sociétés de la Croix-Rouge et du Croissant-Rouge, et le Programme alimentaire mondial, afin d'orienter les secours. Des équipes universitaires indépendantes ont ensuite appliqué des approches comparables d'apprentissage profond à la même séquence sismique et, en comparant avec des relevés de terrain de référence, ont rapporté des scores de précision AUC supérieurs à 0,99 pour la détection des bâtiments effondrés dans certaines zones d'étude.

Conclusions

Il s'agissait d'une collaboration rapide et ponctuelle entre un laboratoire d'IA privé et une agence gouvernementale de gestion des catastrophes pour un événement unique, et non d'un système que l'AFAD possède, exploite ou a inscrit dans sa doctrine permanente de gestion des urgences. Aucune preuve publique n'indique que la Türkiye ait depuis adopté l'évaluation des dégâts par IA satellitaire comme une capacité institutionnalisée et routinière.

Mise en œuvre
Coût indicatif
Faible (< 50 k€) — No cost figures are disclosed; the assessment relied on existing commercial satellite-imagery subscriptions and Microsoft's own AI for Good Lab resources provided as a pro-bono crisis response rather than a funded government programme.
Délai jusqu’aux résultats
Court (< 1 an) — Time-boxed to the first three days after the 6 February 2023 earthquakes; no evidence of continued or repeated use since.
Personnel et compétences
Microsoft AI for Good Lab (model development and imagery analysis), AFAD, Türkiye Disaster and Emergency Management Presidency (response-team recipient)

Conditions de réussite

  • Rapid access to pre- and post-event high-resolution commercial satellite imagery (Planet Labs, Maxar)
  • Pre-existing relationship between Microsoft AI for Good Lab and a government disaster agency enabling fast collaboration
  • Public methodology report and open-sourced toolkit enabling external review and reuse

Modes d’échec courants

  • One-off crisis collaboration rather than an institutionalised AFAD capability — no public evidence of routine adoption since 2023
  • Detections used for response decisions were not independently ground-truthed by AFAD at the time
  • System was designed, hosted and run by Microsoft with no disclosed AFAD-side oversight or audit framework

Où cela s’applique

Type de gouvernance
private AI lab collaborating ad hoc with a national disaster agency
Échelle
four cities
Niveau de revenu
upper-middle-income

Kit de réplication

Artefacts réutilisables de cette pratique — tels que publiés par leurs sources.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles