Pléiades4UrbanFlood

Dans un contexte d’intensification des précipitations, P4UF prototype un service d’évaluation à priori de la sensibilité d’un environnement urbain aux inondations à travers la production de cartes de risque. Sa plus-value réside dans l’obtention de la topographie (bâti et végétation) et de la physique (imperméabilisation) urbaines, exclusivement à base d’imagerie THRS monoscopique.

[en]

Image satellite Pléiades des inondations au nord de Narbonne (Aude) le 20 octobre 2018. © Airbus D&S

Apport de Pléiades à l’adaptation du tissu urbain pour l’aléa inondation

PRÉSENTATION

Les phénomènes d’inondations ont connu une forte augmentation depuis plusieurs décennies et plus particulièrement lors d’épisodes d’inondations exceptionnels qui ont touché plusieurs pays d’Europe, dont la France. Les précipitations intenses, liées au changement climatique, font courir un risque plus important aux milieux urbains et fortement anthropisés. De ce fait, le changement climatique s’impose à la gestion des territoires et plus particulièrement pour une planification résiliente face au risque accru d’inondation. Pour cela, ce projet rendra compte de la topographie des objets artificiels et naturels de ce maillage urbain par une approximation suivant la méthode de Lindner.

Dans ce contexte, des réponses seront proposées à ces deux grands défis identifiés :

Produire des données de morphologie sur les éléments artificiels et naturels d’un territoire sans faire appel à la stéréo mais en utilisant des images monoscopiques*, sur la base d’analyse de texture et des ombres portées ;
Automatiser au maximum les chaînes de production des différents paramètres, sans toutefois chercher à s’abstenir de l’opérateur afin de trouver le bon compromis entre coût de production et fiabilité.

Méthodologie

Dans un premier temps, le projet proposera des couches d’occupation du sol obtenues à partir d’images monoscopiques* Pléiades afin de réduire les coûts de production et être en capacité d’utiliser les larges bases de données existantes d’archives d’images. La détection et l’estimation de la hauteur du bâti et de la végétation se basera sur la caractérisation des ombres portées des bâtiments et de la texture des images via une approche hybride de la classification de l'environnement par apprentissage profond à partir d'imagerie haute-résolution et exploreront une approche de fusion de capteur multi-résolution avec des données Pléiades et Pléiades Neo.

Dans un second temps, cette couche d’occupation du sol (OCS) sera utilisée pour une première caractérisation de l'emprise (Dpi) et de l'espacement (Spi) (i.e paramètres de la formule de Lindner) des bâtiments et des zones de végétation haute dans la modélisation hydrodynamique des inondations en milieu urbain. Le but est d’étudier la transférabilité de ces indicateurs aux obstacles caractéristiques du milieu urbain. Le niveau d’imperméabilisation pourra également être extrait de cette couche d’OCS. Ces trois paramètres pourront 1) être utilisés directement en entrée de modèles hydrauliques pour des simulations préliminaires et ainsi fournir des informations sur la variabilité du coefficient de frottement, 2) définir des morpho-types d’îlots urbains qui pourront être transposés dans des secteurs où l’information sur le maillage du bâti est manquante et 3) définir un ou plusieurs indicateurs des zones présentant une forte susceptibilité au risque d’inondation afin de réaliser des cartes préliminaires de risque d’inondation lié au maillage urbain.

* L’imagerie monoscopique offre une seule prise de vue d'un paysage donné alors que l’imagerie stéréoscopique consiste, pour ce même paysage, à générer deux images prises avec des angles de vue différents afin de reconstruire la 3e dimension (hauteur).

Site(s) d’application

Montpellier Métropole, France

DONNÉES

Satellite

Pléiades
Pléiades Neo

RÉSULTATS – PRODUITS FINAUX

Cartes d’occupation du sol produites à partir d’images monoscopiques* Pléiades ;
Paramètres dérivés de la formule de Lindner et de l'imperméabilisation ;
Définition de morpho-types d’îlots urbains ;
Indicateurs de zones à forte susceptibilité au risque d’inondation lié au maillage urbain.

Références

Pléiades4UrbanFlood sur GEO Knowledge Hub du Group on Earth Observations (GEO), un référentiel numérique pérenne : https://doi.org/10.60566/gxa8d-t6t06

Bertola, M. et al. 2020. Flood trends in Europe: are changes in small and big floods different? Hydrology and Earth System Sciences 24, 1805–1822.
Bevacqua, E. et al. 2019. Higher probability of compound flooding from precipitation and storm surge in Europe under anthropogenic climate change. Science Advances 5.
Nair, V. et al. 2019. Shadow detection and removal from images using machine learning and morphological operations. The Journal of Engineering 1, 11-18.
Robinson, C. et al. 2020. Large scale high-resolution land cover mapping with multi-resolution data. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.
Sameen, M. I. et al. 2018. Classification of Very High Resolution Aerial Photos Using Spectral-Spatial Convolutional Neural Networks. Journal of Sensors 2018.
Tabari, H. 2020. Climate change impact on flood and extreme precipitation increases with water availability. Scientific Reports 10, 13768.
Wang, Y et al. 2018. An integrated framework for high-resolution urban flood modelling considering multiple information sources and urban features. Environmental Modelling & Software 107, 85-95.