L'IA a vu une inondation qui n'existait pas — et ça a coûté une fortune

Je fixais une image satellite d'une autoroute en Asie du Sud-Est lorsque j'ai ressenti pour la première fois ce type d'effroi bien particulier qui naît quand on regarde une IA se tromper avec assurance sur quelque chose de catastrophique.

L'image montrait une forme sombre et irrégulière étalée sur l'asphalte — indéniablement de l'eau, du moins pour le modèle. Le système l'a signalée comme une inondation. Le reroutage automatisé s'est déclenché. Cinquante camions déviés sur des routes secondaires, ajoutant plus de cent kilomètres chacun à leur trajet. Les créneaux de livraison se sont effondrés. Les marchandises périssables ont commencé à se dégrader. Les dégâts financiers ont dépassé les six chiffres avant que quiconque ne songe à vérifier.

La route était complètement sèche.

Ce que le modèle avait vu — ce dont il avait été certain d'avoir vu — était l'ombre d'un nuage. Un cumulus dérivant à deux mille mètres d'altitude, projetant sur le sol une tache sombre qui ressemblait, pour une IA traitant une seule image satellite, exactement à de l'eau stagnante. C'est ce que j'appelle désormais l'échec de l'inférence à image unique : le moment où une IA, prisonnière d'un instant figé, sans aucun souvenir de ce qui l'a précédé ou suivi, hallucine une réalité qui n'existe pas. Et ce n'est pas un cas marginal rare. C'est la vulnérabilité déterminante de presque tous les systèmes de vision par ordinateur déployés aujourd'hui pour la détection des inondations.

Cet incident est devenu la raison d'être de mon équipe chez Veriprajna. Non pas pour construire un énième wrapper autour d'un modèle pré-entraîné. Mais pour construire quelque chose qui comprend réellement ce qu'il regarde.

Pourquoi l'IA confond-elle les ombres avec l'eau ?

La réponse relève de la physique, et elle est d'une simplicité embarrassante une fois qu'on la voit.

Les satellites optiques — Sentinel-2, Landsat, ceux sur lesquels reposent la plupart des systèmes de détection des inondations — captent la lumière solaire réfléchie à différentes longueurs d'onde. L'eau absorbe agressivement le rayonnement proche infrarouge et infrarouge à ondes courtes. Ainsi, sur l'imagerie satellite, l'eau apparaît sombre.

Mais l'eau n'a pas le monopole de l'obscurité. Les ombres des nuages sont sombres. Les ombres de terrain projetées par des collines escarpées sont sombres. L'asphalte fraîchement posé est sombre. Et pour un réseau de neurones convolutif entraîné sur des images statiques, « une forme amorphe sombre aux contours flous » est la signature d'une inondation. Le modèle ne sait pas pourquoi les pixels sont sombres. Il sait seulement qu'ils sont sombres.

Voici ce qui aggrave les choses : dans les scénarios d'intervention en cas de catastrophe, ces modèles sont délibérément réglés pour avoir la gâchette facile. Les fonctions de perte pénalisent bien plus les inondations manquées que les fausses alertes. Le modèle penche donc du côté de la panique. Chaque ombre devient une catastrophe potentielle.

L'ombre d'un nuage se déplace à la vitesse du vent. Les eaux de crue obéissent à la gravité et au relief. Mais un modèle à image unique ne peut pas faire la différence, car il n'a jamais vu ni l'une ni l'autre se déplacer.

La recherche confirme que ce n'est pas théorique. Les ombres des nuages sont documentées comme le « plus grand défi » de la détection automatique des inondations en quasi temps réel à partir de l'imagerie satellite optique. Dans les jeux de données haute résolution, les ombres apparaissent fréquemment comme des entités détachées — séparées du nuage qui les a projetées — rendant les méthodes de correction géométrique peu fiables, en particulier lorsque l'altitude du nuage est inconnue.

La nuit où nous avons cassé notre propre modèle

Je veux être honnête à propos de quelque chose. Lorsque nous avons commencé à développer la détection des inondations chez Veriprajna, nous avons commis la même erreur que tout le monde. Nous avons pris une solide architecture de segmentation, l'avons affinée sur des images d'inondation annotées, et obtenu des chiffres qui semblaient excellents sur l'ensemble de validation. Une précision supérieure à 90 %. Nous étions ravis.

Puis nous l'avons déployée sur un flux Sentinel-2 en direct au-dessus d'une région de l'Inde sujette à la mousson.

La première semaine, il a signalé onze inondations. Trois étaient réelles. Les autres étaient des ombres, des champs agricoles sombres après irrigation, et un tronçon de route fraîchement goudronnée. Mon ingénieur en chef m'a appelé à minuit, frustré, disant que le modèle « voyait de l'eau partout, comme une baguette de sourcier ».

Nous avons passé les deux jours suivants à examiner manuellement chaque faux positif. Et nous revenions sans cesse au même constat : le modèle n'avait aucune notion du temps. Il regardait chaque image comme une photographie tirée de la pellicule d'un inconnu — sans contexte, sans avant, sans après. Un analyste humain, face à la même tache sombre, basculerait instinctivement vers l'image précédente. Il verrait la forme sombre dériver vers l'est à cinquante kilomètres à l'heure et penserait : c'est l'ombre d'un nuage, pas une inondation. Notre modèle ne pouvait pas faire cela. Il n'avait aucune mémoire.

Ce fut le tournant. Nous avons cessé d'essayer de construire un meilleur classificateur à image unique et avons commencé à concevoir quelque chose de fondamentalement différent : un système qui traite le temps comme une dimension de la réalité, et non comme une variable gênante.

J'ai écrit en profondeur sur ce changement architectural dans la version interactive de nos recherches.

Que se passe-t-il lorsqu'on donne une mémoire à l'IA ?

Un analyste humain vérifie une inondation suspectée en attendant. Il consulte l'image suivante. Il remonte le temps. L'ombre d'un nuage se transforme et disparaît en quelques minutes. Les eaux de crue persistent pendant des heures ou des jours, s'étalant lentement selon la gravité et la résistance du terrain.

La cohérence temporelle est la vérité terrain que l'inférence à image unique jette aux oubliettes.

Chez Veriprajna, notre entrée n'est pas une image. C'est un tenseur de données de séries temporelles — une séquence d'images où le modèle observe les pixels évoluer. Nous utilisons des réseaux de neurones convolutifs 3D, où le noyau de convolution possède une dimension temporelle. Au lieu de glisser sur la hauteur et la largeur, il glisse sur la hauteur, la largeur, et le temps.

L'effet est profond. Un pixel qui est clair, puis sombre, puis de nouveau clair est signalé comme une anomalie transitoire — une ombre qui passe. Un pixel qui passe de la végétation à l'eau et reste de l'eau image après image est classé comme une inondation. Le gradient temporel raconte l'histoire qu'une seule image ne pourrait jamais raconter.

Pour les schémas à plus long terme — une inondation qui évolue sur des jours, et non des minutes — nous superposons des réseaux LSTM convolutifs. Ceux-ci préservent la structure spatiale de l'imagerie (contrairement aux LSTM standard qui aplatissent tout en vecteurs unidimensionnels) tout en conservant une « mémoire » de l'état de l'inondation. La porte d'oubli élimine le bruit transitoire. La porte d'entrée admet le changement persistant. Le modèle ne se contente pas de dire « il y a une inondation ». Il peut prédire « il inondera ici dans deux heures », offrant aux opérateurs logistiques un véritable temps d'avance.

Lorsque nous avons ajouté la profondeur temporelle, notre taux de faux positifs sur la mauvaise classification des ombres a chuté de 85 %. Non pas parce que nous avons construit un meilleur classificateur — mais parce que nous avons cessé de poser la mauvaise question.

Nous modélisons également la propagation des inondations le long des réseaux routiers à l'aide de réseaux de neurones convolutifs sur graphes spatio-temporels. Les routes ne sont pas des grilles de pixels ; ce sont des graphes connectés. Si un nœud en amont est inondé, le réseau apprend à augmenter la probabilité d'inondation aux nœuds en aval en fonction des gradients d'altitude et de la capacité de drainage — avant même que l'eau n'apparaisse sur l'imagerie satellite. Cela nous permet d'intégrer les relevés des jauges fluviales, les données de vitesse du trafic et les prévisions météorologiques directement dans le pipeline d'inférence visuelle.

Le radar qui voit à travers les nuages

Voici la cruelle ironie de la détection des inondations : les inondations s'accompagnent de tempêtes, et les tempêtes s'accompagnent de nuages. Les conditions mêmes qui provoquent les inondations sont celles qui aveuglent les satellites optiques.

C'est là que la fusion de capteurs devient non négociable. Le radar à synthèse d'ouverture — SAR — est un capteur actif. Il émet ses propres impulsions micro-ondes et écoute l'écho. Les micro-ondes traversent les nuages, la pluie et la fumée. Elles fonctionnent jour et nuit. Et surtout, elles interagissent avec l'eau différemment de la lumière optique.

L'ombre d'un nuage est invisible au radar. Le radar fournit son propre éclairage — il se moque de ce que fait le soleil. Ainsi, lorsque le capteur optique voit de l'obscurité et que le radar voit une surface rugueuse et sèche à forte rétrodiffusion, la réponse est claire : une ombre. Lorsque les deux capteurs s'accordent sur une surface lisse et spéculaire à faible rétrodiffusion, la réponse est tout aussi claire : de l'eau.

Simple en principe. Brutalement complexe à mettre en œuvre.

Pourquoi ne peut-on pas simplement faire la moyenne de deux capteurs ?

C'est la question qu'on me pose le plus souvent, et la réponse révèle pourquoi la plupart des approches de « fusion » ne sont que du théâtre.

On ne peut pas empiler les bandes optiques et SAR dans un seul tenseur d'entrée en espérant que le réseau s'en sorte. Les distributions statistiques sont fondamentalement différentes — des valeurs de pixels RVB face à des mesures de rétrodiffusion en décibels. On ne peut pas entraîner des modèles distincts et faire la moyenne de leurs cartes de probabilité, car cela passe à côté des interactions au niveau des caractéristiques, là où se produit la véritable désambiguïsation.

Ce que nous avons construit à la place est un mécanisme d'attention intermodale. L'encodeur optique et l'encodeur SAR extraient les caractéristiques de manière indépendante à travers des flux parallèles. Ensuite, à plusieurs échelles, un bloc d'attention croisée permet à chaque modalité de « prêter attention » à l'autre. Le modèle calcule, pixel par pixel, quel capteur est le plus fiable à cet instant.

Lorsque les caractéristiques optiques présentent la signature statistique du bruit nuageux — forte variance, faible corrélation spectrale — la porte d'attention déplace le poids vers le signal radar. Dans les environnements urbains où le SAR peine avec les artefacts de double rebond provenant des bâtiments, la porte revient vers les données optiques. Ce n'est pas une moyenne. C'est une sélection dynamique de la source.

L'IA ne fusionne pas les données. Elle choisit activement quel capteur croire, pour chaque pixel, dans chaque image.

Un problème pratique que nous avons dû résoudre : Sentinel-1 et Sentinel-2 ne survolent pas le même endroit au même moment. Lorsqu'une inondation survient pendant une tempête et que seules les données SAR sont disponibles, nous utilisons un réseau antagoniste génératif pour synthétiser ce à quoi la vue optique ressemblerait en fonction du signal radar renvoyé. Il ne s'agit pas de fabriquer des données — il s'agit de donner aux analystes humains un cadre de référence interprétable, car l'imagerie radar brute est notoirement peu intuitive à lire.

Pour l'analyse technique complète de notre architecture de fusion et de notre méthodologie d'entraînement, consultez notre article de recherche.

Le débat qui a failli diviser mon équipe

Il y a eu une semaine, au début, où mon équipe était véritablement divisée. La moitié voulait se concentrer uniquement sur la modélisation temporelle — l'argument étant que si vous disposez de suffisamment d'images dans le temps, vous pouvez distinguer les ombres de l'eau à l'aide des seules données optiques. L'autre moitié soutenait que les données temporelles sont inutiles lorsque vous avez cinq images nuageuses consécutives — ce qui est exactement ce qui se produit pendant les inondations que vous avez le plus besoin de détecter.

Le débat s'est envenimé. Une ingénieure a affiché des images de la saison de la mousson au-dessus du Bangladesh et a montré douze jours d'affilée où Sentinel-2 n'a capté que des sommets de nuages. « Votre modèle temporel regarde les nuages évoluer », a-t-elle dit. « Il n'a aucune idée de ce qui se passe au sol. »

Elle avait raison. Et le camp temporel avait aussi raison — quand vous pouvez voir le sol, le temps est le discriminateur le plus puissant qui soit.

La résolution n'a pas été un compromis. Ce fut la prise de conscience que les deux approches sont incomplètes isolément et transformatrices ensemble. La modélisation spatio-temporelle gère les cas où la visibilité optique est intermittente. La fusion SAR gère les cas où l'optique est complètement bloquée. Et le mécanisme d'attention croisée apprend, dynamiquement, à quelle combinaison d'indices se fier.

Nous avons baptisé le pipeline intégré Chronos-Fusion. Il traite les données SAR de Sentinel-1 et les données optiques de Sentinel-2 à travers des encodeurs à double flux, les fusionne via l'attention croisée à plusieurs échelles, les décode à travers un réseau de déconvolution 3D, et impose la cohérence temporelle grâce à une fonction de perte qui pénalise les prédictions physiquement impossibles — comme de l'eau qui apparaît et disparaît en quelques secondes, ou qui s'accumule sur une pente à 45 degrés.

Nos tests de référence internes en disent long :

• Référence statique optique seule : ~0.65 mIoU (intersection sur union moyenne)
• Référence statique SAR seul : ~0.70 mIoU
• Chronos-Fusion spatio-temporel : >0.91 mIoU
• Cohérence temporelle : 96 % de stabilité de tendance — aucun scintillement, aucune inondation fantôme

Et les partisans du « il suffit d'utiliser un modèle de fondation » ?

J'entends cela en permanence. Un investisseur m'a dit l'an dernier, en toute sincérité : « Ne pouvez-vous pas simplement affiner SAM sur quelques images d'inondation et le déployer ? » SAM — le Segment Anything Model — est une technologie impressionnante. Mais c'est un moteur de segmentation à usage général. Il ne comprend pas que l'eau absorbe le rayonnement proche infrarouge. Il ne sait pas que la rétrodiffusion radar chute lorsqu'une surface devient spéculaire. Il n'a jamais appris que les ombres se déplacent avec le vent tandis que les inondations obéissent à la gravité.

Ces approches de type wrapper — prendre un modèle pré-entraîné, l'affiner sur un petit jeu de données annoté, le déployer — produisent des démos impressionnantes. Elles obtiennent de bons scores sur des ensembles de validation soigneusement sélectionnés. Et elles échouent en production, car le monde réel est hostile d'une manière que les jeux de données propres ne sont pas.

Le modèle pré-entraîné ne sait pas qu'un champ sombre au Pendjab après irrigation est spectralement identique à une inondation peu profonde. Il ne sait pas que les nuages de mousson au Kerala peuvent persister pendant des semaines, rendant la détection optique seule inutile pendant toute la durée de l'événement. Il ne sait pas que l'imagerie SAR urbaine à Mumbai produit des artefacts de double rebond provenant des bâtiments qui imitent les signatures de l'eau.

Une IA de type wrapper hérite de chaque défaillance de son prétraitement en amont. Si le masque de nuages rate une ombre, le modèle de segmentation l'étiquettera avec assurance comme une inondation. À données erronées en entrée, données erronées mais assurées en sortie.

La distinction entre une IA de type wrapper et ce que nous construisons n'est pas théorique. C'est la différence entre un système qui fonctionne dans une démo et un système qui fonctionne quand la mousson frappe.

Le véritable coût, ce ne sont pas les camions déroutés

J'ai commencé cet essai par un exemple logistique parce que les dégâts financiers sont tangibles et immédiats. Mais le coût plus profond, c'est la confiance.

Lorsqu'un système de détection des inondations a un taux élevé de fausses alertes, les opérateurs humains cessent de lui faire confiance. Ils se mettent à vérifier manuellement chaque alerte, réintroduisant la latence que l'IA était censée éliminer. Les intervenants d'urgence développent ce que les chercheurs appellent la fatigue d'alerte — une dynamique de « crier au loup » où les avertissements légitimes sont retardés ou ignorés parce que les cinq derniers n'étaient que des ombres.

Dans l'intervention en cas de catastrophe, cela se mesure en vies humaines. Déployer des équipes de recherche et de sauvetage vers un lieu sec — l'ombre d'un nuage — laisse de vraies victimes d'inondation dans l'attente. La recherche montre qu'optimiser le « dernier kilomètre » de la distribution des secours est essentiel, et que de faux signaux de demande dégradent le rapport bénéfice-coût de l'ensemble de l'opération.

Dans l'assurance paramétrique, où les polices se déclenchent automatiquement à partir des données satellite (« inondation détectée dans un rayon de 500 mètres autour de l'actif X »), la précision est une monnaie juridique. Un faux positif déclenche une indemnisation injustifiée. Un faux négatif refuse une réclamation légitime. Notre système enregistre non seulement l'étiquette d'inondation, mais toute la chaîne de preuves spatio-temporelle : l'eau a persisté pendant six heures, la rétrodiffusion radar a confirmé un changement de rugosité de surface, l'analyse temporelle a écarté l'hypothèse d'une ombre. C'est une piste d'audit forensique, et non un score de probabilité.

Comment entraîner une IA à comprendre une physique qu'elle ne peut pas voir ?

Les gens me posent cette question, et la réponse honnête est : on ne l'entraîne pas directement sur la physique. On l'entraîne sur d'immenses archives de données satellite en séries temporelles où la physique est implicite.

Nous utilisons l'apprentissage auto-supervisé sur des images non annotées. Le modèle voit une séquence d'images dont la dernière est masquée, et il doit prédire ce qui vient ensuite. À travers des millions de ces prédictions, il apprend que les nuages se déplacent vite et que l'eau se déplace lentement. Il apprend que les ombres ont des gradients temporels marqués et que les inondations en ont de progressifs. Il apprend la physique du changement sans qu'on lui ait jamais énoncé les lois de Newton.

Ensuite, nous affinons sur les meilleurs jeux de données annotés disponibles — Sen1Floods11 avec ses 4 831 vignettes annotées couvrant 11 événements d'inondation à l'échelle mondiale, WorldFloods avec 159 événements d'inondation capturant diverses morphologies, AllClear avec 4 millions d'images pour la suppression des nuages et des ombres, UrbanSARFloods spécialisé dans le cauchemar des environnements urbains. Aucun jeu de données à lui seul ne suffit. Chacun porte ses propres biais d'annotation, et l'entraînement sur l'ensemble d'entre eux force le modèle à généraliser plutôt qu'à mémoriser.

L'ombre n'est pas l'eau

Je reviens sans cesse à cette première image. La forme sombre sur l'autoroute. L'étiquette rouge affirmée : INONDATION. Les cinquante camions déjà en train d'être déroutés au moment où quelqu'un l'a remise en question.

Le problème n'a jamais été que l'IA était stupide. Le problème, c'est que nous lui avons demandé de comprendre un monde à quatre dimensions en regardant un instantané à deux dimensions. Nous lui avons donné une photographie et lui avons demandé de nous raconter une histoire. Bien sûr qu'elle a halluciné.

L'ère de l'inférence à image unique pour les décisions relatives aux infrastructures critiques est révolue. Le changement climatique accélère la fréquence des événements météorologiques extrêmes — et de la couverture nuageuse qui les accompagne. Les systèmes qui deviennent aveugles quand il pleut ne sont pas prudents. Ils sont obsolètes.

Ce que nous construisons chez Veriprajna n'est pas un meilleur classificateur. C'est une autre façon de voir. Nous observons l'écoulement du temps. Nous fusionnons le spectre électromagnétique. Nous modélisons la physique du comportement réel de l'eau sur le terrain, et non la manière dont des pixels sombres se regroupent dans un JPEG. Là où le modèle wrapper a vu une route inondée et paniqué, notre système a vérifié le radar, rembobiné la bande, contrôlé la cohérence temporelle et libéré l'itinéraire.

L'ombre n'est pas l'eau. Mais vous ne connaîtrez jamais la différence si vous ne regardez qu'une seule fois.