Images satellites pour améliorer le repérage des logements dans les DROM

Raya Berova, Thomas Faria (Insee)

3 juillet 2025

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Discussion

1️⃣ Introduction

Contexte

  • Mission principale de l’Insee → le recensement de la population :
    • Communes ≥ 10 000 hab : 8% /an
    • Communes < 10 000 hab : 100% /5 ans
  • Information du nombre de logements ?

Répertoire des Immeubles Localisés

  • Le RIL :
    • Inventaire du bâti
    • Communes de +10 000 habitants
    • Permis de construire et informations locales
    • Bases de sondage des enquêtes de recensement

La qualité du RIL est bonne en France hexagonale ✅… mais loin d’être fiable dans les DROM ⚠️
→ Autre méthode : découpage en îlots

Recensement dans les territoires d’outre mer

  • Contexte critique : Mayotte et Guyane

  • Pour compléter le RIL dans les DROM : enquête cartographique → très lourde

  • L’imagerie satellitaire pour optimiser le processus du recensement dans les DROM ? 🛰️

Nos cas d’usage

  • Identifier les zones avec une forte densité de bâti 🏘️
  • Détecter les évolutions du bâti de façon automatique
  • Aider l’estimation de la population dans les DROM 👥
  • Répondre à une urgence 🚨 : cyclone “Chido” à Mayotte

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ 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”

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

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

Évaluation

Pour évaluer les performances du modèle entraîné :

IOU = Intersection Over Union

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ 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

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

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ 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

Dashboard Interactive 🚀

👉 Application interactive: Cliquez ici

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Discussion

5️⃣ De l’expérimentation à la production ?

Pipeline globale 🛠️

Application Architecture 🧩

Plan

1️⃣ Introduction

2️⃣ Méthodologie

3️⃣ Données

4️⃣ Résultats

5️⃣ De l’expérimentation à la production ?

6️⃣ Discussion

6️⃣ 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