evidoria

← Retour à la liste

Bonne pratique Importée

La Classification des Toits par IA Aide la Dominique à Reconstruire sa Résilience Immobilière Après l'Ouragan Maria

Dominique · Roseau · Voir le profil de Dominique · Voir le profil de Roseau

Preuves: Observationnel / avant-après Top 12% 80/100 · Demandez à Evidence Copilot à propos de cette pratique

La Banque mondiale/GFDRR a combiné des réseaux de neurones avec des images de drone et de satellite post-catastrophe pour classer les toits de 8 345 bâtiments en Dominique et à Sainte-Lucie, avec des scores F1 de 0,92–0,93, pour cibler les logements vulnérables aux ouragans.

8,345 buildings
Bâtiments classés (projet pilote) (2018–2023 pilot)
0.93 F1 score
Score F1, type de toiture (satellite + LiDAR) (pilot)
0.92 F1 score
Score F1, matériau de toiture (satellite + LiDAR) (pilot)
0.86 F1 score
Score F1, type de toiture (images de drone seules) (pilot)
0.90 F1 score
Score F1, matériau de toiture (images de drone seules) (pilot)
La Classification des Toits par IA Aide la Dominique à Reconstruire sa Résilience Immobilière Après l'Ouragan Maria

Détails

Maturité
Pilote
Promoteur
World Bank Group – Global Facility for Disaster Reduction and Recovery (GFDRR), Digital Earth Partnership, with the Government of the Commonwealth of Dominica and the Government of Saint Lucia
Période
2018–2023
Mots-clés
disaster risk management, geospatial AI, housing, digital public infrastructure

Contexte

L'ouragan Maria a frappé la Dominique en 2017 et endommagé environ 90 % du parc de logements de l'île, révélant à quel point les gouvernements disposaient de peu de données systématiques et actualisées sur les types et matériaux de toiture les plus vulnérables aux dégâts causés par les tempêtes.

Objectifs

Dans le cadre du « Digital Earth Project for Resilient Housing and Infrastructure in the Caribbean », financé par le GFDRR de la Banque mondiale et mené avec les gouvernements de la Dominique et de Sainte-Lucie, le projet visait à classer automatiquement le type et le matériau des toitures afin d'aider à cibler les logements vulnérables aux ouragans en vue d'investissements de résilience.

Activités

Les chercheurs ont entraîné des réseaux de neurones convolutifs (extracteurs de caractéristiques ResNet50, InceptionV3 et EfficientNet-B0 alimentant des classificateurs de régression logistique, Random Forest et SVM) sur des images aériennes RVB combinées à des modèles de surface issus de relevés LiDAR aéroportés, en classant le type et le matériau des toitures sur 8 345 bâtiments annotés échantillonnés à partir de 80 tuiles (zones) sur les deux îles. Le projet a également formé le personnel des administrations locales au pilotage de drones et à la gestion de vastes ensembles de données géospatiales.

Résultats

La combinaison d'images à résolution satellite et de données LiDAR a permis d'obtenir des scores F1 de 0,93 pour le type de toiture et de 0,92 pour le matériau de toiture ; les seules images de drone, moins coûteuses, ont tout de même permis d'atteindre des scores F1 de 0,86 et 0,90 respectivement.

Conclusions

Il s'agit encore d'un projet pilote technique portant sur des zones échantillonnées et non sur l'ensemble du parc de logements national, et aucun rapport public ne documente pour l'instant l'utilisation de ces données dans une décision réelle de reconstruction, de code de construction ou d'assurance.

Mise en œuvre
Coût indicatif
Moyen (50 k€–500 k€) — Not publicly disclosed; combines satellite imagery, airborne LiDAR capture and drone imagery acquisition plus local staff training.
Délai jusqu’aux résultats
Long (> 3 ans) — Project period 2018–2023, following Hurricane Maria's 2017 damage to an estimated 90% of Dominica's housing stock.
Personnel et compétences
World Bank Group / GFDRR Digital Earth Partnership research team, Governments of Dominica and Saint Lucia as partner administrations, Local government staff trained to operate drones and manage geospatial datasets

Conditions de réussite

  • Fusing higher-resolution satellite/LiDAR imagery with lower-cost drone imagery to balance accuracy and affordability
  • Training local government staff on drone operation and geospatial data management so agencies can keep the housing intelligence current themselves
  • Openly publishing methodology, training data references and code (arXiv preprint and public GitHub repository) for scrutiny and reuse

Modes d’échec courants

  • Pilot covers only sampled tiles (8,345 buildings across 80 tiles) rather than full national coverage
  • No public report yet documents the classified data being used in an actual reconstruction, building-code or insurance decision
  • Long-term institutional ownership after the project ends is not documented

Où cela s’applique

Type de gouvernance
national government with multilateral technical partner
Échelle
two-island pilot (Dominica, Saint Lucia)
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