Utiliser la tech pour des efforts de secours plus rapides en cas d'inondation

Les Inondations, c'est vraiment galère, surtout pour les pays d'Asie du Sud comme le Bangladesh, l'Inde et le Pakistan. Ils en font tellement souvent que c'est comme si la nature disait : "Surprise ! Voici de l'eau !" Mais en vrai, ces inondations peuvent foutre un sacré bordel, noyant des maisons et mettant des vies en danger.

Imagine devoir chercher des survivants dans une zone inondée. Ça prend du temps, et chaque minute compte. Heureusement, avec un peu de technologie astucieuse, on peut accélérer les choses. En utilisant des images aériennes et des algorithmes intelligents, on peut repérer où sont les inondations et exactement où se trouvent les gens et les maisons. Ça veut dire que les équipes de recherche et de Sauvetage peuvent aller aux bons endroits plus vite et sauver plus de vies.

#Le Nouveau Dataset : Les Images de Floods de Votre Quartier

Pour faire ça, on a créé un nouveau dataset plein d'images aériennes de floods en Asie du Sud. Cette collection, c'est comme une vraie caverne d'Ali Baba pour les missions de sauvetage. Le dataset contient des images triées en quatre catégories :

• Juste de l'eau
• Inondation avec des maisons
• Inondation avec des gens
• Pas d'inondation du tout

On n'a pas juste pris des photos au hasard. On a soigneusement sélectionné des images qui montrent les caractéristiques uniques des inondations dans les pays d'Asie du Sud. Par exemple, les formes des maisons et les couleurs de l'eau sont toutes similaires dans cette région, ce qui facilite la reconnaissance de motifs et de différences par nos outils technologiques.

#Les Modèles Super Intelligents

Pour classer ces images, on a utilisé plusieurs modèles informatiques avancés. On a essayé un modèle spécial appelé Compact Convolutional Transformer (CCT), avec quelques autres modèles bien connus basés sur une fondation similaire. Pensez à eux comme une bande de super-héros, chacun avec ses propres compétences pour relever le défi de la classification des inondations.

On a aussi utilisé un modèle de détection d'objets super cool appelé YOLOv8 pour localiser les maisons et les gens dans les images. C'est comme avoir des yeux d'aigle qui peuvent repérer ce qui est important dans le chaos d'une inondation. Ensuite, on a comparé l'efficacité de ces modèles, un peu comme une compétition amicale entre super-héros.

#Comprendre la Situation des Inondations

Les inondations sont parmi les désastres naturels les plus frustrants et dévastateurs. L'Asie du Sud est particulièrement vulnérable à cause de sa géographie. Des précipitations élevées, la montée du niveau de la mer, et des maisons construites avec différents matériaux peuvent tous contribuer à la catastrophe causée par les inondations.

Par exemple, en juin 2024, une énorme inondation au Bangladesh a laissé environ 1,8 million de personnes coincées. Ça montre à quel point beaucoup de gens ne sont pas préparés pendant de tels événements. Une situation similaire s'est produite au Pakistan en 2022, avec des inondations touchant un tiers de la nation et affectant environ 33 millions de vies.

En temps de désastre, divers groupes gouvernementaux et d'aide utilisent souvent des bateaux et des avions pour chercher des survivants, mais ça peut prendre beaucoup de temps précieux. Donc, trouver des moyens plus intelligents de localiser les gens rapidement est crucial.

#Apprendre des Travaux Passés

D'autres chercheurs ont aussi essayé de relever les défis des opérations de sauvetage après les inondations. Par exemple, certains ont utilisé des Drones et des réseaux neuronaux pour identifier les zones inondées. Utiliser la télédétection et des images satellites est une façon de rassembler des données, mais cette méthode a ses limites. Les drones peuvent se rapprocher et donner une image beaucoup plus claire de la situation actuelle.

L'objectif principal de notre travail est d'accélérer les efforts de sauvetage et de minimiser les pertes. En utilisant des images aériennes, on peut rapidement repérer où se trouvent les inondations, surtout dans les pays d'Asie du Sud où l'environnement géographique et culturel est similaire.

#Un Potentiel Énorme pour le Changement

Notre travail se concentre sur l'amélioration des initiatives de recherche et de sauvetage dans ces zones inondables de l'Asie du Sud. L'utilisation de drones pour l'imagerie aérienne peut donner un avantage aux équipes de secours en les aidant à cartographier avec précision les zones inondées et à trouver des gens. Avec l'introduction de modèles basés sur des transformateurs pour la classification d'images, on peut rendre ce processus encore plus efficace.

#Un Regard de Plus Près sur le Dataset

On appelle notre dataset l'AFSSA (Aerial Flood Scene South Asia). Contrairement aux autres datasets qui comprennent des images du monde entier, le nôtre est spécifiquement conçu pour l'Asie du Sud. Ça lui donne une meilleure chance de réussir dans les tâches de classification des inondations dans la région.

Pour rassembler les images, on a fouillé YouTube à la recherche d'images réelles d'événements d'inondations capturées par des drones. Ces vidéos nous ont donné une vue plus authentique de la situation. On a collecté des vidéos du Bangladesh, de l'Inde et du Pakistan pour s'assurer qu'on avait un dataset bien équilibré avec des scènes d'inondations variées.

Après avoir collecté les vidéos, on a extrait des images et les a classées dans les quatre classes mentionnées plus haut. On a rassemblé plus de 300 images pour chaque catégorie, s'assurant d'avoir suffisamment de données à exploiter.

#Créer Plus d'Images avec l'Augmentation

Pour rendre notre dataset encore plus grand, on a utilisé une technique appelée augmentation d'images. Cela implique de créer des variations de nos images en les faisant pivoter, en les déplaçant et en les retournant. Après cette étape, on a fini avec plus de 8600 images, rendant notre dataset assez solide.

On a aussi amélioré le contraste de nos images en utilisant une méthode appelée CLAHE. Ça aide à faire ressortir les détails importants, rendant plus facile pour nos modèles d'apprendre et de faire des prédictions précises.

#Garder ça Éthique

On s'est assuré de suivre des pratiques éthiques en collectant nos images. Toutes les vidéos YouTube qu'on a utilisées étaient publiques, et on a crédité les créateurs de contenu comme il se doit. Pas besoin d'être sournois quand il y a un moyen de faire ça correctement.

#Nos Modèles : Les Stars du Spectacle

On a mis en œuvre plusieurs modèles différents pour nos tâches de classification. Chaque modèle a son propre nombre de paramètres, ce qui est juste un terme sophistiqué pour dire à quel point le modèle est compliqué. Le modèle CCT s'est démarqué avec la meilleure performance, affichant une précision impressionnante de 98,62 %.

Les autres modèles basés sur des transformateurs qu'on a testés, comme le Vision Transformer (ViT) et le Swin Transformer, ont aussi bien fonctionné, mais ils n'ont pas pu rivaliser avec le CCT.

Pendant ce temps, nos modèles basés sur des CNN ont montré des niveaux de succès variés. Le modèle d'assemblage, qui combine plusieurs CNN, a aussi réussi à obtenir une précision assez élevée.

#Les Résultats Sont Là !

Après avoir fait tourner tous nos modèles, on a évalué leur performance en utilisant des métriques comme la précision, la précision et le rappel. Les modèles basés sur des transformateurs ont généralement mieux performé que ceux basés sur des CNN. Le CCT a été le champion, montrant à quel point il est efficace pour classifier les scènes d'inondations.

La matrice de confusion, c'est comme un tableau de score qui montre comment chaque modèle a fait. Le CCT a eu un bon nombre de vrais positifs - ce qui signifie qu'il a correctement identifié les zones inondées et la présence de personnes.

#L'Impact de Notre Recherche

Cette recherche n'est pas juste un exercice académique. Elle a des implications réelles pour les gens vivant dans les régions inondables. En permettant aux drones et autres systèmes aériens d'identifier les maisons et les gens dans les zones inondées, on peut aider les sauveteurs à atteindre ceux qui en ont besoin beaucoup plus vite.

Dans un moment critique, cette technologie pourrait faire la différence entre la vie et la mort pour quelqu'un bloqué à cause d'une inondation.

#Et Maintenant ?

En regardant vers l'avenir, on prévoit d'améliorer encore notre dataset. On veut rassembler autant d'images supplémentaires que possible et augmenter la complexité de nos modèles. Plus on a de données, mieux nos modèles peuvent apprendre et s'adapter.

On veut aussi explorer l'idée d'intégrer nos modèles de classification dans des plateformes UAV existantes. Comme ça, on pourrait avoir un ensemble d'outils de recherche et de sauvetage puissant facilement disponible pour ceux qui en ont le plus besoin en cas de catastrophes naturelles.

En conclusion, notre travail offre un aperçu de comment la technologie peut aider à relever les défis posés par les inondations. Avec un peu de créativité et les bons outils, on peut faire une différence, potentiellement sauver des vies en passant. Il s'agit de transformer ces inondations d'une catastrophe en une situation gérable, image par image.

Croisons les doigts pour moins d'inondations à l'avenir et plus de solutions technologiques pour aider les personnes touchées !