Thèse Cadre d'IA Géospatiale pour la Gestion des Catastrophes H/F

Université Paris-Saclay GS Informatique et sciences du numérique

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Laboratoire d'Ingénierie des Systèmes de Versailles
Direction de la thèse : Amar RAMDANE-CHERIF
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-07-31T23:59:59

Les catastrophes naturelles exigent une connaissance rapide de la situation sur de vastes zones, un besoin de plus en plus satisfait par l'imagerie satellitaire et l'intelligence artificielle (IA) [1]. Les algorithmes d'IA permettent l'analyse en temps réel de ces données, rendant possibles des évaluations immédiates des dommages pour des événements tels que les ouragans, les tremblements de terre et les inondations [2]. Dans le cadre d'une évolution mondiale vers une gestion proactive des catastrophes, il existe un besoin de recherche pressant pour développer des modèles de vision fondés sur l'IA, capables de comprendre des images satellitaires haute résolution et de produire en temps réel des cartes sémantiques riches des impacts d'une catastrophe [3, 4, 5]. Ces modèles promettent des alertes précoces plus efficaces, de meilleures évaluations des dommages et une allocation optimisée des ressources, ce qui permet in fine de sauver des vies et de réduire les pertes.
Cette proposition de thèse se concentre sur un cadre d'IA en deux étapes pour la gestion des catastrophes à partir d'imagerie satellitaire. Dans la Phase 1, nous explorerons des méthodes de construction de cartes spatiales hybrides à partir de données satellitaires, intégrant des caractéristiques visuelles (par exemple bâtiments, routes, zones inondées) avec des étiquettes sémantiques voire des descripteurs linguistiques. L'objectif est d'obtenir une carte sémantique du territoire sinistré, potentiellement enrichie par des informations multimodales telles que des légendes d'images ou des données textuelles. Dans la Phase 2, nous visons à développer des techniques fondées sur l'IA pour interpréter et apprendre à partir de ces représentations cartographiques. Cela inclut des approches d'apprentissage supervisé et non supervisé pour reconnaître des motifs (par exemple la distribution de la gravité des dommages), des stratégies d'entraînement adaptées à la rareté des labels et aux changements de domaine, ainsi que l'intégration de modèles du monde (« world models ») [4] pour simuler ou prédire l'évolution de la catastrophe. En couplant des représentations cartographiques riches à des modèles d'apprentissage puissants, cette recherche ambitionne de faire progresser l'état de l'art en matière de réponse rapide aux catastrophes fondée sur l'IA.

Cette thèse se situe à l'intersection de la télédétection, de la vision par ordinateur, de la géomatique (GeoAI) et de l'apprentissage automatique appliqués à la gestion des risques. Dans un contexte où les crises naturelles deviennent plus fréquentes et plus coûteuses, la réponse opérationnelle dépend fortement de la capacité à produire, en quelques heures, une information fiable sur l'état du territoire : extension d'inondation, dégâts aux bâtiments, rupture de connectivité routière, vulnérabilité d'infrastructures critiques, etc. L'imagerie satellitaire multi-capteurs (optique, radar) rend cette observation possible à grande échelle, mais elle impose des contraintes fortes : variabilité des capteurs, différences de résolutions, occultations, bruit, et surtout écarts de domaine d'un événement à l'autre et d'une région à l'autre. Sur le plan scientifique, les travaux récents ont largement progressé sur la segmentation, la détection de changements et l'estimation des dommages, mais ces sorties restent souvent fragmentées (cartes locales, scores isolés) et difficiles à intégrer dans une chaîne décisionnelle. D'où l'intérêt d'une cartographie sémantique structurée : une représentation unifiée qui organise les entités spatiales (objets, réseaux, zones) et leurs relations, afin de faciliter (i) l'agrégation multi-échelle, (ii) la comparaison temporelle avant/après, (iii) la fusion multimodale (images + métadonnées/texte lorsque disponible), et (iv) l'apprentissage de critères directement utiles à la décision (priorisation, accessibilité, estimation d'impact). Enfin, l'émergence de l'auto-supervision et des modèles génératifs ouvre la voie à des modèles du monde capables de proposer des scénarios plausibles d'évolution, ce qui est particulièrement pertinent lorsque l'observation est incomplète ou retardée en situation de crise.

This PhD lies at the crossroads of remote sensing, computer vision, geospatial AI (GeoAI), and machine learning for disaster management. As natural hazards become more frequent and more costly, effective response increasingly depends on producing reliable territorial intelligence within hours: flood extent, building damage, road network disruption, and exposure of critical infrastructure. Multi-sensor satellite imagery (optical and SAR) enables large-scale monitoring, but it also introduces major challenges: sensor variability, resolution gaps, occlusions, noise, and strong domain shifts across regions, seasons, and event types. From a scientific standpoint, recent advances in segmentation, change detection, and damage assessment have improved performance, yet outputs are often fragmented (local maps, isolated scores) and difficult to integrate into decision pipelines. This motivates structured semantic mapping: a unified representation that organizes spatial entities (objects, networks, zones) and their relations to support (i) multi-scale aggregation, (ii) temporal pre-/post-event comparison, (iii) multimodal fusion (imagery plus metadata/text when available), and (iv) learning operational indicators that are directly actionable (prioritization, accessibility, impact estimation). Finally, the rise of self-supervised learning and generative modeling enables world-model approaches that can suggest plausible evolution scenarios; especially valuable when observations are incomplete, delayed, or uncertain during crises.

L'objectif de cette thèse est de transformer l'imagerie satellitaire multi-capteurs en représentations cartographiques sémantiques structurées et en indicateurs opérationnels pour l'aide à la décision en gestion des catastrophes, en proposant (i) une cartographie sémantique hybride des zones sinistrées intégrant entités spatiales, états liés à l'événement et contexte exploitable (métadonnées et, lorsque disponible, descripteurs linguistiques), (ii) des méthodes d'apprentissage robustes avec peu d'annotations et face aux changements de domaine (capteurs, résolutions, régions, types d'événements), (iii) l'estimation d'indicateurs actionnables (sévérité des dommages, accessibilité/connectivité du réseau routier, priorisation des zones, exposition d'infrastructures critiques) accompagnés de mesures d'incertitude pour renforcer la fiabilité, (iv) l'intégration d'un modèle d'évolution (world model) afin d'anticiper des trajectoires plausibles (p. ex. extension d'une inondation, dégradation d'accès) lorsque l'observation est partielle ou retardée, et (v) la définition d'un protocole d'évaluation reproductible orienté usage opérationnel, couvrant qualité cartographique, robustesse, utilité décisionnelle et contraintes de latence

The goal of this PhD is to turn multi-sensor satellite imagery into structured semantic map representations and operational decision indicators for disaster management by (i) building hybrid semantic maps of affected areas that integrate spatial entities, event-related states, and exploitable context (metadata and, when available, linguistic descriptors), (ii) developing learning strategies that remain robust with limited labels and under strong domain shifts (sensors, resolutions, regions, disaster types), (iii) deriving actionable indicators (damage severity, road accessibility/connectivity, intervention prioritization, and exposure of critical infrastructure) together with uncertainty estimates to improve reliability, (iv) incorporating a world-model component to simulate or predict plausible evolution trajectories (e.g., flood spread, access degradation) when observations are partial or delayed, and (v) establishing an operational and reproducible evaluation protocol covering mapping quality, robustness, decision utility, and latency constraints

La thèse suit une approche en deux temps. (1) Cartographie sémantique hybride : à partir d'images satellitaires multi-capteurs (optique et/ou SAR) pré-/post-événement, des modèles de vision extraient les entités clés (bâtiments, routes, eau, végétation, infrastructures) et leurs états liés au sinistre (p. ex. endommagé, inondé, bloqué), puis consolident ces sorties dans une représentation structurée (multi-couches et/ou graphe du réseau) intégrant attributs, relations spatiales et, lorsque disponible, métadonnées/texte alignés pour renforcer la cohérence et l'interprétabilité. (2) Apprentissage et aide à la décision : sur la base de ces cartes, des stratégies parcimonieuses en labels (auto/faible supervision, adaptation de domaine) produisent des indicateurs actionnables (sévérité, accessibilité/connectivité, priorisation, exposition d'infrastructures critiques) avec estimation d'incertitude, et explorent un module d'évolution (world model) pour proposer des scénarios plausibles. L'évaluation est menée via des protocoles reproductibles (qualité cartographique, robustesse, utilité opérationnelle, latence).

The thesis follows a two-stage approach. (1) Hybrid semantic mapping: from multi-sensor satellite imagery (optical and/or SAR) in pre/post-event settings, vision models extract key entities (buildings, roads, water, vegetation, infrastructure) and disaster-related states (e.g., damaged, flooded, blocked), then consolidate them into a structured representation (multi-layer maps and/or a network graph) integrating attributes, spatial relations, and (when available) aligned metadata/text to improve coherence and interpretability. (2) Learning and decision support: label-efficient strategies (self/weak supervision, domain adaptation) learn from these maps to produce actionable indicators (severity, road accessibility/connectivity, prioritization, critical infrastructure exposure) with uncertainty estimates and explore a world model component to generate plausible evolution scenarios. Evaluation relies on reproducible protocols covering mapping quality, robustness, operational utility, and latency.