La promesse silencieuse de RISAT : décoder les catastrophes grâce au radar à synthèse d’ouverture

en regardant les données satellite, il me semblait totalement impossible qu’un vaisseau spatial qui orbite autour de la Terre à une distance de plusieurs centaines de kilomètres puisse réellement voir une rue inondée dans ma ville. Les inondations sont très désordonnées, sales et généralement imprévisibles. Cependant, les satellites radar sont devenus très sensibles ces dernières années et les algorithmes sont devenus très intelligents. Il est désormais possible de surveiller l’eau qui coule dans les maisons, les champs et les berges des rivières. J’ai écrit cet article pour expliquer comment fonctionne l’astuce. Ce n’est pas la version parfaite « IA + satellites = magie », mais la version réelle, du point de vue d’une personne qui a passé de nombreuses nuits à regarder des images SAR (Synthetic Aperture Radar) pleines de bruit, essayant de comprendre ce qu’elles signifient réellement.

Mon message principal : pour pouvoir localiser les inondations en temps réel et pouvoir s’appuyer sur de telles cartes, il faut aller au-delà des images optiques et comprendre la géométrie de la rétrodiffusion SAR. Le programme indien RISAT (Radar Imaging Satellite) est un excellent exemple de la manière dont les pipelines de données basés sur la physique peuvent assurer la stabilité et l’indépendance météorologique nécessaires à la fourniture en temps opportun de renseignements sur les inondations pouvant être utilisés dans des situations de catastrophes extrêmes, telles que la saison de la mousson.

L’étrange beauté et la physique des données SAR

La plupart des gens considèrent les satellites comme des appareils de prise de photos, mais le SAR est très différent d’un appareil photo. Il n’enregistre pas la lumière ; en fait, il génère sa propre lumière. Dans le cas d’un satellite tel que RISAT, il s’agit d’une opération active dans laquelle le satellite envoie un faisceau concentré de micro-ondes vers la Terre et enregistre la très petite partie de l’énergie qui y est réfléchie, appelée rétrodiffusion.

Pourquoi l’eau semble sombre (l’effet spéculaire)

La luminosité de l’image produite n’est pas une mesure de la lumière visible, mais un compte rendu de la façon dont l’énergie du radar change par interaction avec la surface située en dessous. Une telle interaction dépend de la rugosité et des propriétés de la surface par rapport à la longueur d’onde du radar.

• Surfaces sèches et rugueuses (végétation, zones urbaines) : Les ondes radar se dispersent dans de nombreuses directions différentes lorsqu’elles frappent une surface rugueuse, comme la lumière frappant un morceau de papier froissé. Une grande partie de cette énergie diffusée retourne au satellite → Bright Pixels.
• Surfaces d’eau lisses : Une surface d’eau calme est comme un miroir très lisse. Lorsque les ondes radar le frappent, elles réfléchissent presque toute l’énergie du satellite, tout comme un miroir réfléchit la lumière dans une seule direction. Seule une très petite quantité d’énergie est renvoyée au capteur → Pixels sombres (indiquant une très faible rétrodiffusion).

Une telle capacité à pénétrer l’obscurité, la pluie, la poussière et la fumée rend le SAR irremplaçable pour les interventions en cas de catastrophe dans des environnements nuageux et très humides.

Le pipeline principal de cartographie des inondations : de l’écho à la carte

‍ Une image satellite SAR n’est pas directement disponible à partir du téléchargement. Un processus moyen de détection des inondations RISAT est un pipeline scientifique de données bien organisé et basé sur la physique. Toute erreur commise au début peut gâcher tous les résultats qui suivent, c’est pourquoi un traitement minutieux est très important. ‍ ‍‌

1. Préparation des données radar

Essentiellement, la première étape consiste à modifier les données brutes du satellite de manière à ce qu’elles expriment des mesures de rétrodiffusion significatives. Cette étape fait des valeurs numériques de l’image une représentation fidèle de la surface de la Terre qui peut être comparée de manière fiable avec d’autres images.

2. Réduire le bruit de l’image

Speckle est un bruit granulaire de type poivre et sel que les images SAR possèdent intrinsèquement. Ce bruit devrait être atténué de manière à ne pas brouiller les contours du terrain, en particulier les limites nettes entre la terre et l’eau.

Le défi : Une utilisation inappropriée et intensive d’une méthode de réduction du bruit peut supprimer de petits détails sur l’inondation ou modifier les limites de l’eau. Une méthode insuffisamment puissante laisse trop de bruit pouvant entraîner des erreurs dans l’identification des zones inondées.

La solution : Il s’agit d’un résultat clair de l’image, qui se prête à l’analyse, car des filtres spécialisés sont introduits pour lisser les parties bruyantes tout en préservant les bords importants.

3. Détecter le changement : la pièce maîtresse algorithmique

Essentiellement, l’inondation est un changement majeur dans la réflectivité de la surface par rapport à l’énergie radar – d’une surface terrestre à diffusion lumineuse à une surface d’eau à diffusion sombre. Ainsi, la comparaison d’une image radar prise avant l’inondation avec celle prise après permet de déterminer les emplacements exacts de l’inondation.

L’une des méthodes les plus efficaces consiste à déterminer l’évolution de la luminosité entre les images prises avant et après l’inondation. Les emplacements qui sont passés de la terre à l’eau auront une énorme différence, révélant ainsi la zone inondée presque entièrement.

4. Isoler et affiner les zones inondables

Les dernières opérations consistent à trouver les pixels qui correspondent aux zones inondées et à s’assurer de l’exactitude de la carte :

• Seuil : une méthode automatique localise les pixels dont le changement est suffisamment important pour être considéré comme « inondé ». Ainsi, une première carte des zones inondées est obtenue.

• Utilisation de données supplémentaires : Pour affiner la précision, nous avons recours à différents types de données géographiques. Par exemple, nous supprimons les zones qui sont toujours sous l’eau (comme les lacs ou rivières permanents) et ne considérons pas les pentes très raides (qui peuvent parfois être interprétées à tort comme des zones sombres dans les images radar en raison des ombres). Cela permet d’éliminer les fausses détections et de garantir que la carte finale des inondations est « exacte ».

La nuance des paramètres radar et de l’intervention humaine

L’une des petites décisions qui a plus d’impact que l’algorithme est le choix des bons réglages du radar, notamment la manière dont les ondes radar sont envoyées et reçues (appelée polarisation).

Différentes configurations de polarisation peuvent révéler différents aspects du terrain. Lorsqu’il s’agit de surveillance des inondations, un certain réglage de polarisation (souvent appelé polarisation VV) est généralement sélectionné car il entraîne le plus grand contraste entre le signal sombre provenant de l’eau et le signal lumineux provenant de la terre qui l’entoure.

Pourquoi le jugement humain est toujours en tête de l’IA pure

Dans la cartographie opérationnelle actuelle des inondations, les méthodes traditionnelles se sont avérées produire des résultats plus fiables que les modèles complexes d’intelligence artificielle. Cela s’explique principalement par le fait que les méthodes traditionnelles sont plus cohérentes et adaptables.

• Le défi de l’IA : les modèles d’IA à usage général ont du mal à gérer le bruit inhérent aux données radar. De plus, ces modèles échouent lorsqu’ils sont déplacés vers une nouvelle zone géographique. Par exemple, un modèle d’IA formé sur les inondations dans une ville urbaine plate pourrait ne pas être applicable dans un delta fluvial agricole vallonné.
• L’avantage humain : même si les mêmes données satellite sont utilisées, deux analystes experts peuvent produire des cartes d’inondation légèrement différentes. Ce n’est pas une inexactitude, c’est plutôt une nuance. L’analyste applique ses connaissances à :
  • Ajustez les zones inondables en fonction du contexte local (en reconnaissant qu’une rizière inondée serait différente d’une route inondée).
  • Pesez la nécessité de trouver toutes les zones inondées par rapport à la possibilité d’identifier les zones non inondées comme inondées (fausses alarmes).

Si l’IA gagne progressivement du terrain, c’est surtout dans un rôle d’aide. Les méthodes avancées utilisent les principes physiques fiables du radar ainsi que l’IA pour non seulement réduire les limites des inondations, mais également pour élever le niveau de détail. Ce faisant, la compréhension de la physique des radars reste la principale considération tandis que l’IA est utilisée pour améliorer le produit final.

Conclusion

Le programme RISAT est l’une de ces initiatives qui accomplit essentiellement cet objectif en fournissant des données cohérentes et fiables qui contribuent à transformer le chaos des inondations en une intelligence géospatiale gérable et stratégique. À l’heure actuelle, la cartographie des inondations constitue essentiellement le point de convergence des derniers développements en matière de modèles physiques, de traitement des données et d’application de l’expertise géospatiale par les agents humains.

Comprendre et interpréter les schémas de rétrodiffusion est l’étape clé pour passer d’un simple visuel de la catastrophe à une compréhension approfondie de l’étendue et du déroulement de la catastrophe, permettant ainsi une intervention opportune. En outre, RISAT et les initiatives similaires ne doivent pas être considérées comme de simples dispositifs technologiques stationnés quelque part dans l’espace, mais plutôt comme des instruments indispensables au fonctionnement harmonieux des écosystèmes d’analystes et d’intervenants. Autrement dit, plus nos cartes deviennent rapides et précises, les équipes de secours sont capables de se mobiliser et d’exécuter leurs tâches dans un délai beaucoup plus court, ce qui constitue un exemple parfait de la façon dont la science des données peut être un atout direct pour l’humanité.

Merci de votre visite et de votre lecture.

Références

1. ISRO, « RISAT-1A Mission Overview » (2022), site Web de l’ISRO.
2. ESA, « Tutoriels de traitement SAR Sentinel-1 » (2021), Documentation de l’ESA.
3. J.ain, Kumar, Singh. « Techniques de cartographie des inondations basées sur SAR : une revue », (2020), Applications de télédétection.
4. NRSC, « Atlas des risques d’inondation en Inde » (2019), Rapport du Centre national de télédétection.
5. Schumann & Moller, « Télédétection par micro-ondes des inondations » (2015), Journal of Hydrology.