Une Cartographie Nationale par IA de Plus de 43 000 Bâtiments Renforce la Planification de la Résilience aux Catastrophes à Saint-Vincent-et-les-Grenadines

Les petits États insulaires comme Saint-Vincent-et-les-Grenadines sont exposés à des risques récurrents de cyclones, d'inondations et de glissements de terrain, mais des données nationales détaillées sur le parc de bâtiments — matériau, pente et état des toitures — sont coûteuses à collecter et deviennent rapidement obsolètes après chaque tempête.

Dans le cadre du partenariat Digital Earth Partnership du GFDRR de la Banque mondiale pour les Caraïbes, les chercheurs visaient à classer, à l'échelle nationale, la pente et le matériau des toitures à l'aide d'images satellites et d'apprentissage profond (deep learning), afin de fournir aux planificateurs des données permettant de cibler les risques de cyclones et d'inondations.

Les chercheurs ont comparé des modèles de fondation géospatiaux (Scale-MAE, GASSL avec des classificateurs par régression logistique/SVM/MLP) à des classificateurs d'apprentissage profond affinés (ConvNeXt, variantes de Vision Transformer), appliqués à des images satellites Maxar mises en correspondance avec le jeu de données Building Footprints de Microsoft, en entraînant les modèles sur 3 243 bâtiments annotés à Saint-Vincent-et-les-Grenadines et en testant si l'ajout de bâtiments annotés provenant de Sainte-Lucie et de la Dominique améliorait la précision locale.

Le modèle ConvNeXt-large affiné, entraîné sur le jeu de données régional agrégé, a atteint un score F1 de 0,878 pour la classification de la pente des toitures, et un modèle entraîné localement a atteint un score F1 de 0,835 pour la classification du matériau des toitures ; les modèles d'apprentissage profond ont surpassé les modèles de fondation préentraînés utilisés comme référence. Le modèle retenu a été appliqué à l'échelle nationale, produisant des cartes classifiées des empreintes de bâtiments pour l'ensemble des 43 061 structures du pays.

Publié en septembre 2025 en tant que résultat de recherche technique ; aucune source publique ne confirme pour l'instant que ces classifications ont été formellement intégrées à un code de construction gouvernemental, à un régime d'assurance ou à un processus décisionnel en matière d'aménagement.