Utilisation des images satellites pour améliorer le repérage des logements à Mayotte

Maëlys Bernard, Raya Berova, Thomas Faria (Insee)

25 novembre 2025

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

On commencera par une introduction pour poser le contexte et expliquer les enjeux du recensement dans les départements et régions d’outre mer, les DROM.
Ensuite, on vous présentera la méthodologie que nous avons adoptée, puis les données utilisées, notamment les images satellites.
Ce qui nous permettra de passer ensuite aux résultats obtenus.
La cinquième partie portera sur la question du passage de l’expérimentation à une utilisation en production.
Et enfin, on conclura par une discussion plus large sur les perspectives et les limites.

1️⃣ Introduction

Les images satellitaires

• Une source peu utilisée….
• …. mais à fort potentiel
  • données très haute résolution
  • couverture étendue

Les images satellitaires sont très peu utilisées, et pourtant il s’agit de données très riches qui offrent des bonnes opportunités pour améliorer et créer des indicateurs. En effet, il s’agit de données très haute résolution qui couvre une grande partie du territoire. Ces données sont d’ailleurs très utile dans le cadre du recensement de la population. –> diapo suivante

Un bon cas d’usage : le recensement dans les DROM

• Mauvaise qualité des données administratives dans les DROM
  • enquête cartographique pour une base de sondage exhaustive
• Contrôle qualité des enquêtes cartographiques
  • données satellites

Le recensement de la population en france et particulièrement sur les territoires des DROM en font un bon cas d’usage. En effet, dû à la mauvaise qualité des données administrative dans ces territoires une enquête cartographique est réalisée en amont de la collecte pour avoir une base de sondage exhaustive. Afin de réaliser un contrôle qualité de cette enquête cartographique, les données satellites ont été utilisées. Un exemple d’utilisation de l’utilisation des données satellites sur le contrôle qualité des enquête carto à Mayotte sera présenté juste après.

Nos cas d’usage

• Identifier les zones avec une forte densité de bâti 🏘️
  
• Détecter les évolutions du bâti de façon automatique
  
• Répondre à une urgence 🚨 : cyclone “Chido” à Mayotte

• Identifier les zones avec une forte densité de bâti, c’est à dire les zones prioritaires pour l’enquête cartographique et pour lesquelles il faut envoyer le plus d’agents.
• Pouvoir détecter les évolutions du bâti de façon automatique, notamment depuis le précédent inventaire du bâti effectué
  
• Répondre à une urgence : les conséquences du cyclone “Chido” sur le bâti à Mayotte

-> On va maintenant se pencher sur la méthodologie utilisée pour répondre à ces besoins.

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

2️⃣ Méthodologie

Segmentation sémantique

• Vision par ordinateur
  
• Classer chaque pixel d’une image
  
• Pour nos besoins : connaître les pixels de catégorie “bâtie”

Exemple de segmentation “bâtiment”

Pour détecter le bâti de façon automatique, nous nous sommes tourné vers la vision par ordinateur, qui est une branche du domaine de l’intelligence artificielle. La segmentation sémantique permet de classer chaque pixel d’une image dans l’une des classes définie en amont. La segmentation semantique peut utiliser toute sorte de classe, mais voici un exemple de résultat qui nous interesse : ex. J’AIMERAI PRECISER QU’avec uniquement de l’imagerie satellitaire, nous ne pourrons pas décider du caractère habitable ou non d’un bâtiment ni du nombre de logements à l’intérieur. Par conséquent, nous ne pouvons pas remplacer l’enquête cartographique, l’idée est d’aider les enquêteurs en mettant en valeur les zones avec le plus de bâtiments à visiter.

Entraîner un modèle de segmentation

• Il faut :
  • Une collection d’images satellites 🛰️
  • Des annotations 📍
• Le modèle apprend à reproduire les annotations des images pour généraliser sur de nouvelles images

Pour entrainer un modele il faut deux choses : des images et des annotations.

• Une annotation est “la vérité attendue”, comme par exemple l’image qui a été présentée à la slide précédente

• Le modèle apprend à reproduire les annotations des images pour généraliser sur de nouvelles images

De la segmentation à la détection de changements

Modèle utilisé

• Architecture du modèle 🧠
  • SegFormer : un modèle léger et performant
  • Transformers : mécanismes d’attention pour prendre en compte le contexte local et global
  • Décodeur : Multi Layer Perceptron
• Adapté pour nos données satellites

Le modèle que nous avons sélectionné s’appuie sur une architecture appelée SegFormer. Modele de segmentation d’image entrainé par NVIDIA et opensource Il a l’avantage d’etre très leger et donc rapide à entrainer Pour notre cas d’usage, c’est le modele qui a été le plus performant.

Il est basé sur une technologie appelée Transformer, connue pour ses performances dans de nombreux domaines de l’intelligence artificielle, notamment le traitement du langage, mais qui a aussi été adaptée à l’image. Ce n’est pas la plus répendue en vision par ordinateur.

Un des atouts de cette architecture, ce sont les mécanismes d’attention, qui permettent au modèle de prendre en compte le contexte local et global de l’image. Pour le décodeur, c’est Multi Layer Perceptron classique.

Enfin, nous avons ajusté le modèle à nos données spécifiques : des images satellites et des annotations.

Évaluation

Pour évaluer les performances du modèle entraîné :

IOU = Intersection Over Union

Transition pour la suite : pour faire un entraînement, il ne faut plus que des données…

L’IoU, ou Intersection over Union, est une mesure qu’on utilise pour évaluer la qualité d’une prédiction en segmentation d’image.

Concrètement, on compare deux zones :
- celle que le modèle a prédite comme appartenant à une certaine classe,
- et la zone réelle, qu’on appelle le label de vérité terrain.

On mesure alors l’intersection entre ces deux zones – c’est la partie correctement prédite –
et on la divise par l’union des deux – c’est-à-dire l’ensemble de tout ce qui a été soit prédit, soit annoté.

Un IoU de 1 signifie une correspondance parfaite.
Un IoU de 0 signifie aucune correspondance.

Plus l’IoU est élevé, plus la prédiction est précise.
C’est une métrique particulièrement adaptée pour des tâches comme la nôtre, où on doit prédire la forme exacte des bâtiments ou des routes, pixel par pixel.

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

3️⃣ Données

Pléiades vs Sentinel-2 🛰️

Pléiades :

• 3 bandes (RGB)
  
• Résolution 0.5m
  
• Archives gratuites
  
• Acquisition sur-demande payante
  

Mamoudzou, Mayotte 2024

Sentinel2 :

• 13 bandes
  
• Résolution 10m, 20m ou 60m (en fonction de la bande)
  
• Acquisition tous les 5j
  
• Gratuit
  

Il existe de nombreux produits satellitaires disponibles. Nous nous sommes surtout concentrés sur deux d’entre eux.
Les images satellites Pléiades sont un produit intéressant pour notre cas d’usage - Caractéristiques: - 3 bandes spectrales (RGB) 🎨 - 4e bande : NIR (pas dans nos données) - Résolution spatial : 0.5m × 0.5m 🔍 - Archives gratuites (avec accord) - Acquisition sur-demande et payante (6-8 mois par département), Airbus © licence 📅

Pour le cyclone Chido qui a ravagé Mayotte, un plan d’urgence a été mis en place. Nous avons pu obtenir une mosaique d’images Pléiades de Mayotte post cyclone datant du premier trimestre de 2025 gratuitement.

Comme je vous disais au début, c’est grâce à l’IGN que nous avons pu mener à bien notre projet car ils nous fournissent des mosaiques d’images Pléiades. Une mosaique est une reconstitution complète d’un territoire avec des prises de vues de plusieurs dates, permettant ainsi d’avoir une couverture le moins ennuagée et la plus propre possible. Ce travail est très important pour avoir de bonnes images pour l’entraînement.

Mais un autre type d’images satellites est à notre disposition : Sentinel-2. Elles sont open source et l’acquisition se fait tous les 5 jours. Cependant, leur résolution est moins précise que les images pléiades.

Annotations : COSIA

• Projet Cosia par IGN 👏
• Utilisé pour annoter nos données d’entraînement

Pleiades © CNES_2023, Distribution AIRBUS DS

Couverture du sol COSIA 2023

Légende COSIA

Pour les annotations, il est possible de prendre des annotations binaires : bâtiment oui ou non, ou des annotations multiclasses comme le projet Cosia présenté précédement. - C’est une couverture du sol générée par l’IA - Basé sur les photographies aériennes de l’IGN à une résolution 20cm 🗺️ Les polygones COSIA, disponibles pour les DROM, sont utilisés comme annotations dans nos données d’entraînement, malgré un possible décalage temporaire entre nos images et la productions de polygones. D’autres sources ont été testées comme annotations pour entrainer notre modele, mais COSIA fournit une couverture du sol multiclasse très précise, ce qui est un avantage pour les performances du modele.

les mosaiques d’images et les collections d’annotations COSIA de MAYOTTE 2023, MARTINIQUE 2022 et GUADELOUPE 2022 ont été utilisés pour entrainer notre modele, et des zones de test fixées ont été définies. Voyons voir les résultats produits par notre fameux entraînement.

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

4️⃣ Résultats

Zone de test à Mayotte

Pleiades © CNES_2023, Distribution AIRBUS DS

Couverture du sol COSIA 2023

Prédictions 2023

Légende COSIA

	Train	Test
IOU moyenne ∀classe	0.81	0.78
IOU “bâtiment”	0.84	0.76

Dans un projet de recherche, une IoU moyenne de 0.6 peut déjà être considérée comme un excellent score, surtout dans des zones complexes comme les DOM où l’environnement est très hétérogène, et des écarts peuvent se créer un peu partout.

• À ce stade, nous avons donc construit et entraîné notre modèle, et vérifié ses performances

• Questions clés : comment partager nos résultats ?

• L’objectif n’était pas de publier un article, mais plutôt d’aider les collègues des territoires d’outre-mer à anticiper les enquêtes cartographiques avec un outil visuel

Dashboard Interactive 🚀

👉 Application interactive: Cliquez ici

Figure 1: Statistiques sur le bâti prédit de Mayotte et son évolution 2017-2018

Dashboard Interactive 🚀

Figure 2: Carte avec images satellites Pleiades © CNES_2017

Dashboard Interactive 🚀

Figure 3: Carte avec prédictions bâti 2017

Transition : Notre entraînement a plutot bien marché, notre application web permet une bonne visualisation de nos prédictions… on peut dire que nous avons mené notre petite expérience à bien. Serait il temps de passer de l’experience à la “pseudo” production ?

• Nous avons décidé de créer une petite webapp
• Nous avons calculé les surfaces des bâtiments à partir de nos prédictions : cela nous donne une valeur binaire pour chaque pixel, agrégée par niveau administratif

⚠️ Avertissement : ceci est une version très préliminaire de notre application. Aucun contrôle ni processus qualité n’a encore été effectué.

• Carte standard Leaflet avec un fond OpenStreetMap affichant Pléiades 2023

• Suivi des changements de bâtiments au niveau administratif :

  • Sélection par unités administratives (communes, quartiers)
    
  • Contrôle qualité des changements détectés

• Fonctionnalités clés :

  • Comparaison temporelle côte à côte
    
  • Indicateurs statistiques par zone
    
  • Validation visuelle interactive
    

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

5️⃣ De l’expérimentation à la production ?

Pipeline globale 🛠️

Figure 4

Voici la pipeline globale. Les étapes 2 et 3 ne sont faites que lors de l’entrainement du modele. Ayant un entraînement qualitatif à notre disposition, pour prédire de nouvelles images, nous passons directement de l’étape 1 à l’étape 4. Un exemple très parlant et récent : le cyclone chido en une nuit -> pred

1. Standardisation de l’acquisition des données — actuellement rudimentaire. Besoin d’images sans nuages, datées précisément, avec une méthodologie cohérente (challenge avec Pléiades).
   
2. Phase d’entraînement : suppression des nuages, équilibrage du jeu de données, annotation, découpage.
   
3. PyTorch avec modèle pré-entraîné depuis HuggingFace (requiert GPU).
   
4. Construction de l’API : prédiction sur images, regroupement / boîtes englobantes, calculs statistiques (surface bâtie).
   
5. Déploiement via GeoServer et application web.
   
6. Résultats utilisés par les collègues de l’INSEE pour analyses statistiques.

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

6️⃣ Cas d’usage

Cas d’usage : Le recensement à Mayotte

• En 2021 : début du recensement avec fonctionnement quinquennal
  • territoire divisé en îlots
  • ilôts répartis dans 5 groupes de rotation

Pour précisier, ces travaux font référence aux enquêtes ayant eu lieu de 2021 à 2024. En 2025, du fait du cyclone Chido, la cinquième et dernière enquête du premier cycle n’a pas pu être réalisée. Il a alors été décidé de réaliser de nouveau un recensement exhaustif de la population qui aura lieu du 27 novembre 2025 au 10 janvier 2026.

A la différence des autres départements, à Mayotte la méthode est différente entre les habitations en dur et les habitations de fortune. Pour les habitations de fortune, le recensement y est exhaustif que ça soit en petite ou grande commune, par contre pour les logements en dur; il n’est exhaustif qu’en petite commune et par sondage dans les communes de plus de 10 000 habitants.

Contrôle de la couverture de l’enquête cartographique

🧾

Enquête cartographique → alimente le RIL → constitue la base de sondage des logements durs des communes ≥ 10 000 habitants

⬇️

⚠️

Sous-estimation du nb logements dans l’enquête carto → populations et logements déduits sous-estimés

⬇️

🔍

Contrôle qualité de l’enquête cartographique important : utilisation des données satellites

Contrôle de la couverture de l’enquête cartographique

💡 Objectif : identifier les îlots avec une sous-couverture potentielle

📈 Données utilisées :

🟠 Évolutions comparées	Surface bâtie (prédite)	Nombre de logements
⏱️ Temporalité	entre 2017 et 2021/2022	entre 2017 et 2021/2022
📂 Données utilisées	données satellites	RP 2017, enquêtes cartographiques 2021 et 2022

Construction d’un score

⚠️ On s’intéresse uniquement aux îlots pour lesquels l’évolution du bâti issue des données satellites est plus importante que l’évolution issue de l’enquête cartographique

• Le \(score\) est calculé sur 2 sous ensembles :

  • ensemble des logements

  • uniquement les logements en dur

\(score=score_{évolution} + score_{sens} + score_{distance}\)

Construction d’un score

\(score=score_{évolution} + score_{sens} + score_{distance}\)

⚙️ Définition des scores :

✅ \(Score_{évolution}\) = 1 si évolution nb_log recensement < évolution bâti prédit, sinon 0

✅ \(score_{sens}\) = 1 si évolution nb_log recensement opposé évolution bâti prédit, sinon 0

✅ \(score_{distance}\) selon la distribution :

\(distance_{îlot}\)	\(score_{distance}\)
< Q₁	0
Q₁ ≤ \(distance_{îlot}\) < Médiane	1
Médiane ≤ \(distance_{îlot}\) < Q₃	2
≥ Q₃	3

Définition des ordres de priorité

Table 1: Ordres de priorité des îlots avec sous-couverture de logements supposée

Ordre de priorité	Score (ensemble des logements – logements durs)
1	5-5
2	4-5 ou 5-4
3	4-4
4	3-5 ou 5-3
5	3-4 ou 4-3
6	3-3
7	2-5 ou 5-2
8	2-4 ou 4-2

-> cartographie complémentaire sur les îlots avec un ordre de priorité 1 à 8

Exemple d’îlot

• • : enquête cartographique initiale
• • : enquête cartographique complémentaire

Exemple d’un examen en 2024 d’un îlot de 2021, Bandrele

• nouveaux logements qui n’existaient pas lors de l’enquête cartographique initiale
• logements possiblement omis lors de l’enquête cartographique initiale

Bilan

✅ Avantages

• Permet de cibler des îlots avec une sous couverture potentielle qui a permis une nouvelle enquête cartographique → amélioration possible de la qualité des pondérations des logements dans les EAR
• Mobiliser pour l’enquête cartographique préparatrice à la collecte exhaustive 2025/2026

⚠️ Inconvénients

• Nuages peuvent nuire à la qualité des données satellites
• Images livrées une fois par an → décalage avec la prédiction et la collecte car évolution du bâti rapide
• Estimation de la surface bâtie mais pas du nombre de logements

📌 Les images satellites peuvent servir à prédire les moyens à mobiliser zone par zone, mais ne remplacent pas le travail de repérage sur le terrain.

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Cas d’usage

7️⃣ Discussion

7️⃣ Discussion

Défis & Perspectives

• Coûts de maintenance élevés en raison de la complexité technique 💸
  
• Besoin de compétences spécialisées 🧑‍💻
  
• Environnement technique complexe dû à :
  • Volumes de données importants 🗃️
    
  • Forts besoins en calcul (GPU) ⚡
    
• Résultats initiaux prometteurs pour accompagner les enquêtes cartographiques

Merci pour votre attention