Quand un versement d'inondation de 2 M$ dépend de distinguer l'eau d'une ombre

La première fois que je l'ai vraiment ressenti, je regardais une seule image en niveaux de gris sur un second écran, à presque minuit. C'était une trame radar Sentinel-1 — les données satellitaires européennes gratuites par lesquelles tout le monde commence dans le travail sur les inondations — et quelque part dans cette trame se trouvait une inondation. Le radar peint l'eau lisse en sombre, presque noir, car une surface d'eau plane renvoie le signal loin du satellite au lieu de le lui retourner. Je cherchais donc la tache sombre.

Le problème, c'est qu'il y avait deux taches sombres. L'une était de l'eau d'inondation. L'autre était l'ombre projetée par une crête montagneuse dans la géométrie radar, là où le relief bloque le faisceau et où rien ne revient. Sur l'écran, à cette heure-là, elles se ressemblaient comme des jumelles. Et je me souviens de cette pensée précise, dérangeante : quelque part, il y a un assureur qui va payer ou non un sinistre selon laquelle de ces deux taches j'appelle de l'eau.

Voilà tout le problème de l'intelligence satellitaire des inondations pour l'assurance paramétrique, résumé en une seule image. Une police paramétrique n'attend pas qu'un expert vienne inspecter un entrepôt inondé. Elle paie automatiquement lorsqu'un déclencheur mesuré s'active — un satellite indique que l'inondation a atteint une certaine étendue, et l'argent est transféré. C'est une idée magnifique pour un monde où la catastrophe s'accélère. Cela signifie aussi que la classification du satellite est le sinistre. Il n'y a aucun humain debout dans l'eau pour la contredire.

Un déclencheur paramétrique transforme une seule lecture d'un seul pixel satellitaire en un virement bancaire.

Et le satellite se trompe dans les deux sens.

La physique dont personne ne veut sur la présentation

Voici la partie que j'ai mis le plus longtemps à accepter, car j'étais arrivé en supposant que c'était un problème logiciel que je pourrais résoudre par l'ingénierie. Les ombres des nuages et l'eau d'inondation se ressemblent presque à l'identique dans l'imagerie satellitaire optique — pas seulement similaires, identiques dans les bandes qui comptent. Toutes deux absorbent la lumière proche infrarouge et infrarouge à courte longueur d'onde. Toutes deux ont des contours flous et amorphes. Toutes deux aplatissent la texture de ce qui se trouve en dessous en une traînée uniforme.

Les indices standard de détection de l'eau — NDWI et MNDWI, les calculs sur lesquels s'appuie tout pipeline d'inondation — signalent les deux comme « semblables à de l'eau », car la physique sous-jacente est réellement la même : une réflectance réduite dans les bandes infrarouges. Une seule trame optique capturée pendant une tempête ne peut pas distinguer de manière fiable une ombre d'une inondation, et aucune astuce de seuillage ne corrige un signal qui est véritablement ambigu à la source.

J'ai passé un mois convaincu que la réponse était un meilleur modèle. Nous avions de notre côté la littérature en apprentissage profond, et elle est véritablement impressionnante — un réseau DeepLabV3 modifié, alimenté par des données radar multi-polarisation et des données de relief, a atteint 98,4 % de précision globale dans des recherches publiées ; un U-Net avec attention par transformeur a rapporté 95,5 %. Ces chiffres sont réels. Je les ai cités dans un argumentaire de départ. Ce que je n'ai pas dit à voix haute, parce que je ne le comprenais pas encore, c'est que ces précisions sont mesurées sur des scènes de référence soigneusement sélectionnées, et que les jeux d'entraînement de catastrophes dont elles apprennent sont délibérément biaisés.

Ils sont biaisés pour une raison humaine. Manquer une véritable inondation peut tuer des gens, donc les étiquettes et les fonctions de perte pénalisent une inondation manquée bien plus sévèrement qu'une fausse alerte. Le résultat est une génération de classificateurs systématiquement enclins à déclencher — quand le signal est marginal, ils penchent vers « inondation ». C'est exactement le bon biais pour un système humanitaire d'alerte précoce et exactement le mauvais biais pour l'autorisation d'un versement de 2 M$, où une fausse alerte n'est pas une erreur d'arrondi. C'est un virement bancaire.

La démonstration qui a signalé une montagne comme inondée

Nous avons d'abord construit la chose évidente. Un classificateur mono-trame, piloté par le radar pour pouvoir voir à travers les nuages, réglé finement, qui faisait une démonstration impeccable sur les scènes que nous avions choisies. J'en étais fier. Puis un collègue qui comprenait réellement la géométrie radar l'a fait tourner sur une région de test montagneuse, et il a marqué une pente comme inondée avec une grande confiance. Pas un jugement marginal — un jugement assuré. Il avait trouvé une ombre radar, le même genre de tache sombre qui m'avait troublé sur cette trame de minuit, et l'avait qualifiée d'eau.

Je pense encore à l'e-mail imaginaire que cette scène aurait généré s'il s'était agi d'un déclencheur réel. Un actuaire, à trois fuseaux horaires de distance, regardant notre détermination automatisée selon laquelle un flanc de colline était sous deux mètres d'eau, répondant par la seule question qui compte : êtes-vous sûr que c'est de l'eau et non une ombre ? Et notre système n'ayant pour toute réponse qu'un score de confiance auquel il n'avait aucun droit.

Un chiffre de confiance n'est pas une preuve. C'est une opinion avec des décimales.

C'est l'échec qui a payé pour tout ce qui a suivi. Car la leçon n'était pas « régler le modèle plus finement ». La leçon était que aucune trame unique et aucun capteur unique ne peut porter la preuve, et que j'avais tenté de gagner un débat que la physique avait déjà perdu.

Le radar est vendu comme le remède — il voit à travers les nuages, après tout, ce que les capteurs optiques ne peuvent pas faire. Mais la rétrodiffusion radar chute au-dessus de l'eau lisse et au-dessus des ombres de relief, du basculement (layover) et du raccourcissement (foreshortening) en terrain accidenté. Il a ses propres faux positifs sur les sols arides, lors des cycles de gel-dégel, dans les cultures industrielles, et pire encore dans les villes, où le double rebond du signal sur les bâtiments peut masquer complètement l'eau stagnante. Le propre produit mondial d'inondation en temps quasi réel de la NASA le démontre à l'échelle planétaire : sa composite d'un jour comporte tellement de faux positifs que la NASA refuse de la publier dans son visualiseur public Worldview. Seules les composites de deux et trois jours — celles qui utilisent le temps, et non un seul relevé — sont considérées comme opérationnelles. Les nouveaux réservoirs sont lus comme des inondations dans ces produits pendant jusqu'à trois ans, jusqu'à ce que le masque des eaux permanentes se mette à jour.

Le schéma était là depuis le début. Le correctif pour les faux positifs n'a jamais été une image plus nette. C'était un deuxième regard, et un troisième — la même scène à travers le temps.

Qu'est-ce qui distingue réellement une inondation d'une ombre ?

Ce qui distingue une inondation d'une ombre, ce n'est pas son apparence sur une seule trame. C'est son comportement à travers de nombreuses trames. L'ombre radar d'une montagne est au même endroit à chaque passage, toute l'année — c'est de la géométrie, pas de la météo. L'eau d'inondation apparaît par rapport à une base de référence sèche et se retire. Une ombre de nuage a disparu au prochain jour clair. Le signal discriminant réside dans la pile temporelle, non dans le pixel.

Nous avons donc cessé de demander « ce pixel est-il de l'eau ? » et avons commencé à demander « cet endroit a-t-il changé d'une manière que seule une inondation explique, au regard de tout ce que nous savons de son apparence habituelle ? » Ce recadrage constitue toute l'architecture de ce que nous avons fini par construire, et c'est pourquoi nous nous appuyons sur plusieurs capteurs plutôt que de miser sur un seul. Une trame radar pour voir à travers les nuages de tempête. Des trames optiques avant et après pour établir la base de référence sèche et confirmer le retrait. Un modèle de relief pour écarter la géométrie qui simule de l'eau dans les deux cas. Il a été démontré que la fusion du radar et de l'optique multispectral améliore la détection dans les zones affectées par les nuages et les ombres de plus de 23 % par rapport aux méthodes à capteur unique — non pas parce que les capteurs sont individuellement meilleurs, mais parce que le mode de défaillance de chacun est quelque chose que les autres peuvent traverser du regard.

C'est la couche que nous construisons chez Veriprajna : un système de vérification satellitaire des inondations qui distingue les ombres de l'eau grâce à la fusion temporelle SAR-optique, et produit une piste de preuves de qualité médico-légale pour chaque événement déclencheur — non pas un verdict, mais un argument que vous pouvez remettre à un actuaire ou à un tribunal.

La réserve honnête d'ingénierie, celle que je voudrais qu'un acheteur entende avant de signer quoi que ce soit : les données gratuites ont une horloge. La constellation Sentinel-1 à deux satellites restaurée offre une revisite de six jours. Un pic d'inondation qui culmine et se draine entre deux passages peut être manqué par des données gratuites mais lentes. Une partie du métier consiste donc à savoir quand les données Sentinel gratuites suffisent et quand un événement exige de commander (tasking) un satellite radar commercial — ce qui coûte entre mille et cinq mille dollars par scène selon la résolution et l'urgence. Ce compromis est un jugement au cas par cas, non un palier d'abonnement.

Pourquoi ne pas simplement acheter le rapport d'inondation ?

Nous avons eu un véritable débat interne sur la question de savoir si tout cela valait la peine d'être construit. L'argument contre était simple : des entreprises vendent déjà des rapports d'inondation. Pourquoi ne pas les revendre ?

C'est une objection légitime, et les fournisseurs sont véritablement bons. ICEYE possède la plus grande constellation radar commerciale au monde — plus de 60 satellites — et pendant l'ouragan Helene, elle a fait passer plus de 150 images à travers les nuages de tempête et cartographié plus de 80 000 bâtiments en Floride. C'est extraordinaire. Mais vous achetez leur produit, vous ne construisez pas une capacité de renseignement, et la vérification médico-légale par événement à l'échelle d'un portefeuille se heurte rapidement à leur tarification. Floodbase, soutenue par Munich Re et partenaire de la constellation radar Capella, a bâti une véritable solution paramétrique de bout en bout — conception du déclencheur, tarification, certification des versements. Mais vous obtenez leur méthodologie, réglée pour leurs partenariats de capteurs, non un système façonné pour votre portefeuille d'activités spécifique.

Et la référence gratuite absolue a son propre plafond. Le service européen Copernicus de gestion des urgences est le système auquel tout un continent fait confiance pour la cartographie des catastrophes. Pourtant, son palier de service de cartographie rapide fonctionne de 8h à 20h, heure de Bruxelles, les jours ouvrables seulement. Je reviens sans cesse à Valence, octobre 2024 — l'équivalent d'une année de pluie en huit heures, plus de 227 morts. Copernicus a mis trois à quatre jours à publier l'étendue de l'inondation. Quand elle est arrivée, elle a confirmé 15 633 hectares et environ 190 000 personnes affectées. Le retard n'était pas un bug. Les 24 premières heures cruciales sont tombées pendant la nuit et en soirée, hors de la plage de service. Le système de renseignement sur les inondations du continent était, fonctionnellement, fermé pendant les heures où il était le plus nécessaire.

L'argument s'est donc résolu de lui-même. Les fournisseurs sont excellents dans ce pour quoi ils ont été conçus. Aucun d'eux n'est conçu pour être une couche de vérification neutre vis-à-vis des fournisseurs qui fusionne les capteurs que l'événement requiert réellement et vous remet des preuves défendables pour votre déclencheur. Ce vide, c'était l'entreprise.

L'échec qui fait le plus mal : l'inondation qui ne paie pas

Pendant longtemps, j'ai vu ce travail comme un problème de faux positifs — empêcher le système de payer pour des inondations qui n'ont pas eu lieu. Puis j'ai lu au sujet du Nagaland.

Un dispositif paramétrique d'assurance inondation au Nagaland, en Inde, ne s'est pas déclenché malgré de fortes précipitations et une inondation confirmée sur le terrain. Le seuil dérivé du satellite avait été fixé trop haut par rapport à la réalité du terrain. Des gens étaient inondés. La police était censée payer. Elle ne l'a pas fait. C'est l'autre mode de défaillance, et en termes humains c'est le pire.

C'est ce que le secteur appelle le risque de base — l'écart entre ce que mesure le déclencheur et ce que l'assuré vit réellement. Un faux positif épuise les réserves d'un assureur et invite à la fraude. Un faux négatif détruit la confiance de l'assuré et engendre des litiges. Les deux défaillances s'attaquent à la même chose : la crédibilité du modèle paramétrique lui-même — ce qui le rend plus difficile à vendre et plus difficile à approuver pour les régulateurs. On ne peut pas résoudre un sens en penchant davantage dans l'autre. Resserrer le seuil pour stopper les versements injustifiés est exactement la façon de fabriquer un Nagaland.

On ne corrige pas le risque de base en choisissant de quel côté se tromper. On le corrige en étant capable de prouver ce qui était réellement sous l'eau.

C'est pourquoi la sortie de notre système n'est pas un oui/non. C'est une carte de confiance par pixel accompagnée d'une piste d'audit — ce qui a été observé, par quels capteurs, à quels moments, avec quelle certitude, et ce qui a été écarté. Des preuves qui résistent à l'examen actuariel et à l'examen juridique, car dans ce métier la décision de déclenchement finira par être contestée par quelqu'un qui n'était pas là.

Pourquoi la couverture paramétrique des inondations devient-elle soudain le problème de tout le monde ?

La raison pour laquelle tout cela compte davantage chaque année est brutalement simple : l'eau est en train de gagner. Les pertes mondiales assurées liées aux catastrophes naturelles ont atteint 129 Mds$ en 2025. Et l'écart de protection — la part des pertes catastrophiques que personne n'a assurée — se situe autour de 52 à 56 % à l'échelle mondiale. En 2024, les catastrophes climatiques ont causé 368 Mds$ de pertes, dont 223 Mds$ non assurées, soit un écart de 61 %. Aux États-Unis, les pertes annuelles d'inondation pour les maisons individuelles s'élèvent à 24,4 Mds$, et environ 70 % de cela n'est pas assuré.

L'assurance paramétrique existe pour combler cet écart, et elle croît rapidement — un marché de 21-24 Mds$ en 2026, projeté vers 38,7 Mds$ d'ici 2030 — précisément parce qu'elle peut payer en jours plutôt qu'en mois et atteindre des gens que l'assurance traditionnelle ne touche jamais. En mars 2026, un dispositif paramétrique d'assurance inondation conçu par un consortium comprenant AXA Climate, Swiss Re et ICEYE est entré en service à Lagos, au Nigeria, couvrant quatre millions de personnes. Quatre millions de personnes dont les sinistres seront décidés par la lecture qu'un satellite fera de l'endroit où se trouvait l'eau.

Cette échelle est l'argument en faveur d'une vérification correcte. Quand le déclencheur couvre quatre millions de personnes, « probablement inondé » n'est pas une norme défendable. Ce qui sépare un programme paramétrique d'une catastrophe de réputation, c'est la capacité de prouver, trame par trame, que le déclencheur s'est activé sur de l'eau et non sur une ombre.

On me demande si la prévision météo par IA rend la couche satellitaire redondante — les modèles prédictifs d'inondation deviennent véritablement bons. Elle ne la rend pas redondante. Une prévision vous dit ce qui pourrait arriver ; un versement paramétrique exige la preuve de ce qui s'est réellement produit. D'autres demandent si les capteurs au sol, les jauges de profondeur physiques que certains assureurs utilisent pour réduire le risque de base, rendent les satellites inutiles. Ils aident énormément là où ils existent, mais on ne peut pas placer une jauge sur chaque kilomètre de plaine inondable sur Terre. Les satellites sont la façon de voir les lieux que personne n'a instrumentés — ce qui, pendant une catastrophe, représente la plupart des lieux.

La trame de minuit avec ses deux taches sombres reste l'image la plus juste de ce travail que je connaisse. L'une était de l'eau. L'autre était une ombre. Toute la discipline se résume à construire un système capable de vous dire laquelle — puis de montrer son raisonnement à la personne sur le point de transférer l'argent. Si vous concevez ou souscrivez un programme paramétrique d'assurance inondation et que cette distinction vous empêche de dormir, c'est le problème pour lequel nous construisons.

L'eau ne va pas devenir plus facile à lire. La preuve, c'est le produit.