L'ombre n'est pas l'eau : au-delà de l'inférence à image unique dans l'intelligence inondation d'entreprise

Synthèse

L'illusion d'intelligence à l'âge des wrappers

Dans le paysage en évolution rapide de l'intelligence artificielle, une dichotomie dangereuse a émergé, séparant l'implémentation superficielle de l'ingénierie structurelle profonde. D'un côté, le marché est saturé de solutions « wrapper » — de minces couches applicatives qui relaient des prompts vers des grands modèles de langage (LLM) généralisés ou des API de vision par ordinateur préentraînées. Ces systèmes, bien qu'accessibles, ne diffèrent guère des moteurs de recherche basiques ou des tokens probabilistes prédicteurs ; il leur manque le raisonnement causal et l'ancrage physique. De l'autre côté se trouve la Deep AI : des systèmes conçus sur mesure, architecturalement nouveaux, destinés à modéliser la physique, la causalité et la continuité temporelle du monde réel.

La distinction entre ces deux approches n'est pas seulement académique ; elle est opérationnelle, financière, et parfois existentielle. La genèse de ce livre blanc réside dans un mode de défaillance récurrent de la vision par ordinateur standard, qui sert de puissante métaphore aux limites du secteur : la « route inondée » qui n'existait pas.

Considérez un modèle standard de vision par ordinateur, déployé par un conglomérat logistique pour surveiller les itinéraires d'approvisionnement via l'imagerie satellitaire. Le modèle traite une image d'une autoroute critique. Il détecte une forme sombre et amorphe s'étendant sur l'asphalte. Ses données d'entraînement, fortement biaisées vers les valeurs de pixels statiques et la simple détection de contours, corrèlent une faible réflectance avec l'eau. Le système signale la route comme « inondée ». Les protocoles automatisés s'enclenchent immédiatement. Les algorithmes de réacheminement détournent une flotte de camions vers des routes secondaires, ajoutant des centaines de kilomètres au trajet. Les fenêtres de livraison juste-à-temps sont manquées. Les cargaisons périssables se dégradent. L'impact financier se mesure en centaines de milliers de dollars.

La réalité ? La route était sèche. Un cumulus, dérivant à 2 000 mètres, projetait une ombre que l'IA, prisonnière d'un instant unique — inférence à image unique — a hallucinée comme une inondation.

Cet échec est le talon d'Achille de l'IA moderne de télédétection. ¹ Lorsqu'une IA voit le monde comme une collection disjointe d'instantanés, il lui manque le contexte temporel pour distinguer une ombre transitoire d'une inondation persistante. Il lui manque la profondeur multi-sensorielle pour « voir à travers » le nuage qui a projeté l'ombre.

L'approche Veriprajna

Veriprajna existe pour résoudre le problème de l'« ombre de nuage » — non seulement comme un enjeu littéral d' interférence météorologique, mais comme un défi définissant pour l'IA de grade entreprise. Nous ne construisons pas de wrappers. Nous construisons des architectures spatio-temporelles qui traitent le temps comme une caractéristique fondamentale de la réalité, et non comme un artefact de collecte de données. Nous fusionnons les données optiques avec le radar à synthèse d'ouverture (SAR), en combinant le contexte visuel de l'œil humain avec la physique des micro-ondes capable de pénétrer les nuages. ³

Ce livre blanc détaille la philosophie d'ingénierie et l'architecture technique derrière les solutions Deep AI de Veriprajna. Nous explorons pourquoi les modèles statiques échouent, la physique de la tromperie spectrale, et les mathématiques rigoureuses de nos moteurs propriétaires de fusion spatio-temporelle. Nous démontrons comment l'intégration de mécanismes d'attention croisée, de neurones convolutifs 3D réseaux (CNN 3D), et un apprentissage guidé par la physique nous permet de délivrer une inondation de grade entreprise intelligence qui distingue l'ombre de l'eau avec une précision sans précédent.

Section 1 : La physique de la tromperie — pourquoi l'IA superficielle échoue

1.1 Le piège spectral : quand l'obscurité imite la profondeur

Pour comprendre pourquoi les modèles d'IA génériques échouent en détection d'inondation, il faut d'abord comprendre la physique de la télédétection. L'imagerie satellitaire optique, telle que celle fournie par les constellations Sentinel-2 ou Landsat, capture le rayonnement solaire réfléchi sur diverses longueurs d'onde. L'eau est naturellement un fort absorbeur du proche infrarouge (NIR) et de l'infrarouge à ondes courtes (SWIR) rayonnement. ² Par conséquent, dans un composite fausse couleur standard ou même un indice calculé comme l'indice de différence normalisée de l'eau (NDWI), l'eau apparaît sombre ou presque noire.

Cependant, l'eau n'est pas l'unique propriétaire de l'« obscurité » dans le domaine spectral. Les ombres de nuages, les ombres de terrain projetées par une topographie escarpée, et les surfaces anthropiques sombres comme l'asphalte frais produisent aussi de faibles valeurs de radiance atteignant le capteur.

1.1.1 L'angle mort de l'image unique

Un réseau de neurones convolutif (CNN) entraîné sur des images statiques uniques opère sur des caractéristiques spatiales —textures, bords et intensités de pixels. Lorsqu'une ombre de nuage tombe sur une route ou un champ, l'amas de pixels résultant présente des caractéristiques dangereusement similaires aux eaux d'inondation :

1.​ Faible réflectance SWIR : Tout comme l'eau, les ombres absorbent ou occultent la lumière qui se réfléchirait typiquement sur le sol. ²

2.​ Frontières amorphes : Les ombres ont souvent des bords doux et irréguliers qui imitent les motifs d'étalement de l'eau sur un terrain inégal.

3.​ Suppression de texture : Les ombres masquent la texture sous-jacente du sol (p. ex. rangs de cultures, marquages routiers), tout comme le fait l'eau turbide. ⁵

Pour un modèle à image unique, la distance mathématique entre le vecteur de caractéristiques d'une « ombre de nuage » et d'un « champ inondé » est minimale. ² Sans contexte externe, le modèle maximise sa fonction de probabilité à partir des données limitées disponibles. Dans les scénarios de réponse aux catastrophes, les fonctions de perte sont souvent pondérées pour pénaliser davantage les faux négatifs (manquer une inondation) que les faux positifs. Cela produit des modèles « gâchettes faciles », classant toute tache sombre comme une inondation pour éviter de manquer une catastrophe.

La recherche indique que les ombres de nuages sont le « plus grand défi » pour la détection automatique d'inondation en quasi temps réel à partir de l'imagerie satellitaire optique. ² Dans les jeux de données haute résolution, les ombres apparaissent non seulement comme des caractéristiques de bordure entourant les nuages, mais comme des caractéristiques détachées — issues de cumulus dispersés ou de traînées de condensation à haute altitude — qui n'ont aucune connexion spectrale avec le nuage qui les a projetées dans le cadre recadré. ⁵ Cette séparation rend les méthodes simples de projection géométrique (essayer de deviner où se trouve l'ombre d'après l'angle du soleil et la position du nuage) sujettes à l'échec, surtout lorsque la hauteur du nuage est inconnue ou variable. ⁷

1.2 L'échec du masquage conventionnel

La télédétection traditionnelle s'appuie sur des masques algorithmiques comme Fmask (Function of mask) pour identifier les nuages et les ombres avant l'analyse. Ces systèmes à règles s'appuient sur les bandes thermiques et les seuils de luminosité. ⁸ Cependant, ces méthodes sont fragiles :

●​ Ambiguïté thermique : Les cirrus minces ou les petits cumulus peuvent ne pas être assez froids pour déclencher les seuils thermiques, et pourtant ils projettent des ombres distinctes.

●​ Hypothèses géométriques : Les algorithmes supposent souvent un gradient thermique constant ou une hauteur de nuage pour projeter les emplacements d'ombre. Si le nuage est plus bas ou plus haut que l'hypothèse, l' emplacement d'ombre prédit est faux, laissant l'ombre réelle non masquée et susceptible d'être mal classée comme de l'eau. ⁷

●​ Confusion spectrale : En milieu urbain ou sur une végétation sombre, la signature spectrale d'une ombre est indiscernable du bruit de fond, produisant un bruit « sel et poivre » dans les masques de classification. ¹⁰

Une solution d'IA « wrapper » qui s'appuie sur ces masques amont hérite de toutes leurs erreurs. Si Fmask échoue à étiqueter une ombre, le modèle de segmentation aval — traitant l'entrée comme vérité terrain — l'étiquettera avec confiance comme une inondation. C'est le principe « Garbage In, Garbage Out » amplifié par la tendance de l'apprentissage profond à l'excès de confiance dans ses prédictions.

1.3 Les limites des architectures « wrapper »

Le marché est actuellement inondé de « solutions IA » qui sont essentiellement des wrappers autour de modèles de fondation généralistes. Une approche « wrapper » de la détection d'inondation pourrait consister à prendre un modèle de segmentation d'image préentraîné (comme le Segment Anything Model - SAM ou un U-Net générique) et à l'adapter par fine-tuning sur un petit jeu de masques d'eau.

Si cette approche produit des démonstrations impressionnantes et une haute précision sur des ensembles de validation soigneusement constitués, elle échoue en production parce que :

1.​ Absence d'embeddings de physique : Ces modèles ne comprennent pas la différence radiométrique entre une ombre et l'eau ; ils ne connaissent que la similarité visuelle. ¹ Ce sont des reconnaisseurs de motifs, pas des simulateurs de physique.

2.​ Amnésie temporelle : Ils traitent Image $t$ sans aucune connaissance de Image $t-1$. Ils ne peuvent pas voir que l'« eau » se déplaçait à 50 km/h (la vitesse du nuage), ce qui est physiquement impossible pour l'eau d'inondation. ⁴

3.​ Agnosticisme capteur : Ils traitent souvent les données de radar à synthèse d'ouverture (SAR) et optiques comme de simples « images », ignorant les propriétés physiques distinctes (rétrodiffusion vs réflectance) qui rendent la fusion puissante. Un wrapper pourrait alimenter une image SAR dans un modèle entraîné sur des données optiques, en espérant un transfer learning, mais en ignorant que le bruit de chatoiement radar est fondamentalement différent du bruit gaussien optique. ¹²

Veriprajna rejette cette approche superficielle. Nous reconnaissons que pour résoudre le problème de la « route inondée qui n'existait pas », nous devons concevoir des systèmes qui perçoivent le monde en quatre dimensions (espace + temps) et à travers le spectre électromagnétique.

Section 2 : Le coût de l'illusion — impact économique et opérationnel

L'incapacité à distinguer une ombre d'une inondation n'est pas un simple dysfonctionnement technique ; c'est une hémorragie économique. Dans les environnements d'entreprise, le coût d'un faux positif est rarement nul. Il se propage dans les chaînes d'approvisionnement, distord les modèles de risque et érode la confiance dans les systèmes automatisés.

2.1 Perturbation de la logistique et de la chaîne d'approvisionnement

Les chaînes d'approvisionnement modernes opèrent sur des marges d'efficacité infimes, utilisant souvent des protocoles de livraison juste-à-temps (JIT). Les algorithmes d'optimisation d'itinéraires s'appuient sur des données de graphe précises, en temps réel, concernant la disponibilité du réseau routier.

2.1.1 La pénalité de réacheminement

Une fausse alerte d'inondation sur une artère majeure force les algorithmes à calculer des détours. Si une flotte de 50 camions est réacheminée de 100km à cause d'une inondation fantôme, l'écart de carburant et de main-d'œuvre est immédiat.

●​ Coûts directs : La consommation de carburant augmente ; les heures de conduite (et les éventuelles heures supplémentaires) s'accumulent.

●​ Coûts d'opportunité : Les camions retardés sur des détours manquent leurs créneaux dans les centres de distribution, entraînant des retards en cascade pour les chargements suivants.

●​ Échec d'optimisation : L'optimisation d'itinéraires peut réduire les coûts de transport jusqu'à 15% et la consommation de carburant de 25 %. ¹³ L'introduction de fausses contraintes (routes bloquées) force l' optimiseur vers des minima locaux sous-optimaux, annulant ces gains d'efficacité.

2.1.2 Stagnation des stocks et effet coup de fouet

Les coûts d'entreposage et d'administration logistique augmentent avec la dispersion géographique et les retards. ¹⁴ De fausses données injectent un frottement artificiel dans ces systèmes. Plus critique encore, une perturbation perçue à un nœud local (un entrepôt ou une route « inondés ») peut déclencher l'effet coup de fouet . Les fournisseurs amont, anticipant un échec de livraison, peuvent commander en panique ou stocker des matières premières. Cette surcompensation réactive déstabilise toute la chaîne, menant à des stocks gonflés et à du capital immobilisé dans des stocks inutiles. ¹⁵

Des études indiquent que de mauvaises données de localisation — y compris de faux aléas environnementaux — peuvent coûter aux entreprises des milliards chaque année en mouvements gaspillés et en tampons de stock. ¹⁵ Un faux positif n'est pas seulement une étiquette fausse ; c'est un signal qui déclenche des actions physiques coûteuses et irréversibles dans le monde réel.

2.2 Réponse aux catastrophes et confiance publique

Pour les clients publics, les ONG et les intervenants d'urgence, la monnaie est la confiance et le temps de réponse.

2.2.1 Mauvaise allocation des ressources

Déployer des équipes de recherche et sauvetage, des véhicules à haute garde au sol ou des barrières anti-inondation vers un lieu sec (une ombre de nuage) laisse les véritables victimes vulnérables ailleurs. La recherche montre que l'optimisation du « dernier kilomètre » de la distribution de secours est critique ; de faux signaux de demande dégradent le ratio bénéfices-coûts des opérations d'urgence. ¹⁸ Un faux positif détourne des ressources finies — hélicoptères, bateaux, personnel — loin des zones de besoin réel, mesurant potentiellement le coût en vies plutôt qu'en dollars.

2.2.2 Paralysie opérationnelle et fatigue d'alerte

Si un système d'aide à la décision a un taux de fausses alarmes (FAR) élevé, les opérateurs humains finissent par se désengager. Ils se mettent à douter de chaque alerte, réintroduisant une latence de vérification manuelle que l'IA était censée éliminer. ²⁰ Cette fatigue d'alerte mène à un scénario du « cri du loup » où les alertes d'inondation légitimes sont ignorées ou retardées parce que les opérateurs supposent que ce n'est « encore une ombre ».

●​ Épuisement : Les équipes de sécurité et d'intervention confrontées à d'incessants faux positifs souffrent d' épuisement et d'une baisse de satisfaction au travail, menant à un fort turnover. ²⁰

●​ Érosion de la confiance : Si les outils de sécurité génèrent constamment des alertes inexactes, les organisations perdent foi en leurs systèmes de cybersécurité et de sécurité physique, hésitant à s'appuyer sur des réponses automatisées. ²⁰

2.3 Assurance : la précision des indemnisations

Dans le secteur de l'assurance paramétrique, les polices sont déclenchées automatiquement par des paramètres de données satellitaires (p. ex. « inondation détectée dans un rayon de 500 m de l'actif X »). La précision est une monnaie juridique.

●​ Faux positif : Déclenche une indemnisation injustifiée, frappant directement le ratio de sinistres de l'assureur.

●​ Faux négatif : Refuse une demande légitime, invitant procès et dommages réputationnels.

L'approche de Veriprajna fournit la preuve de grade forensique requise pour étayer ces contrats automatisés. En enregistrant non seulement l'étiquette « inondation » mais les preuves spatio-temporelles (p. ex. « l'eau a persisté 6 heures », « la rétrodiffusion radar a confirmé un changement de rugosité de surface »), nous fournissons une piste d'audit vérifiable qui résiste à l'examen.

Section 3 : La quatrième dimension — architectures spatio-temporelles

3.1 Le temps comme discriminant ultime

Comment un analyste humain vérifie-t-il si une tache sombre sur une carte est une ombre ou de l'eau ? Il attend. Il bascule vers l'image suivante. Il regarde l'heure précédente. Une ombre de nuage se déplace, se métamorphose et disparaît en quelques minutes, poussée par les courants de vent en altitude. Une inondation persiste, évolue lentement selon la résistance hydraulique, et obéit aux lois de la gravité et de la topographie.

La consistance temporelle est la vérité terrain que l'inférence à image unique ignore. ²¹ Chez Veriprajna, nous construisons des architectures où l'entrée n'est pas une image statique, mais un tenseur de données en séries temporelles . Nous traitons le temps comme un discriminant, en utilisant la signature temporelle des pixels pour les classer.

3.2 Réseaux de neurones convolutifs 3D (CNN 3D)

Les CNN standard utilisent des noyaux 2D ($k_x \times k_y$) pour glisser sur une image, en extrayant des caractéristiques spatiales comme les bords et les formes. Pour capturer le mouvement et l'évolution temporelle, nous employons des 3D CNN, où le noyau a une dimension temporelle ($k_x \times k_y \times k_t$).

3.2.1 Le mécanisme d'action

Dans un CNN 3D, l'opération de convolution extrait des caractéristiques d'un volume de frames séquentielles. La valeur de la carte de caractéristiques à la position $(x, y, t)$ est calculée comme :

$$FeatureMap(x, y, t) = \sum_{i} \sum_{j} \sum_{k} Input(x-i, y-j, t-k) \times Kernel(i, j, k)$$ Cela permet au réseau d'apprendre des caractéristiques spatio-temporelles distinctes des caractéristiques purement spatiales :

●​ Détection d'ombres : Le noyau 3D détecte des changements temporels haute fréquence. Un pixel qui est lumineux à $t_1$, sombre à $t_2$, et lumineux à $t_3$ est classé comme une transitoire anomalie (ombre). Le gradient de changement sur l' $t$ axe est raide.

●​ Cartographie d'inondation : Un pixel qui passe de la végétation à l'eau et reste de l'eau pendant $t_2, t_3, \dots t_n$ est classé comme un événement d'inondation. Le gradient temporel est faible après l' inondation initiale. ²²

La recherche confirme que les CNN 3D surpassent nettement les baselines 2D pour distinguer le bruit environnemental dynamique des aléas statiques, en particulier dans des milieux urbains complexes où les ombres des bâtiments et des nuages s'entrelacent. ²⁴ En analysant la « vidéo » du passage satellite plutôt qu'une image unique, le modèle apprend la physique du mouvement.

3.3 Architectures récurrentes : ConvLSTM pour la mémoire à long terme

Si les CNN 3D sont puissants pour le mouvement à court terme (détecter le déplacement d'un nuage en quelques minutes), capturer les dépendances à long terme (p. ex. une inondation évoluant sur plusieurs jours) exige de la mémoire. Nous utilisons des réseaux Convolutional Long Short-Term Memory (ConvLSTM). ²⁵

Contrairement aux LSTM standard utilisés en traitement de texte (qui aplatissent les données en vecteurs 1D, perdant le contexte spatial), les ConvLSTM remplacent les multiplications matricielles internes par des opérations de convolution. Cela préserve la structure spatiale 2D de l'imagerie satellitaire tout en propageant la « mémoire » de l'état d'inondation à travers le temps.

Implémentation ConvLSTM de Veriprajna :

1.​ Entrée : Une séquence d'images Sentinel-1 (SAR) ou Sentinel-2 (optique).

2.​ État de cellule ($C_t$): Maintient une « carte de probabilité d'inondation » qui résiste aux fluctuations rapides (bruit) mais se met à jour lorsqu'un changement cohérent est observé.

3.​ Mécanismes de portes :

○​ La porte d'oubli permet au modèle d'écarter les caractéristiques transitoires (comme l'ombre d'un nuage passant) de l'état de mémoire.

○​ La porte d'entrée admet les changements persistants (eaux d'inondation) dans la mémoire à long terme. ²⁶

Cette architecture est particulièrement efficace pour le Nowcasting — prédire la trajectoire future immédiate d'une inondation à partir de son historique spatio-temporel. Au lieu de se contenter de dire « il y a inondation », le système peut prédire « il y aura inondation ici dans 2 heures », donnant aux responsables logistiques un temps d'avance prédictif. ²⁷

3.4 Réseaux convolutifs de graphes spatio-temporels (STGCN)

Pour modéliser la propagation d'inondation le long des réseaux routiers ou des chenaux fluviaux, les méthodes basées sur les pixels peuvent être inefficaces. Une route n'est pas seulement une collection de pixels ; c'est un graphe connecté. Veriprajna emploie des réseaux convolutifs de graphes spatio-temporels (STGCN) . ²⁷

●​ Construction du graphe : Nous modélisons la région d'intérêt comme un graphe $G(V, E)$, où les nœuds ($V$) représentent des emplacements spécifiques (p. ex. intersections routières, capteurs, passages de ponts) et les arêtes ($E$) représentent la connectivité (routes, chemins d'écoulement fluvial).

●​ Convolution temporelle : Traite les attributs changeants de chaque nœud dans le temps (profondeur d'eau, réflectance, vitesse du trafic).

●​ Convolution spatiale de graphe : Agrège l'information des nœuds voisins. Si le nœud A (amont) est inondé, le réseau apprend à augmenter la probabilité d'inondation du nœud B (aval), apprenant effectivement la topologie du terrain.

Cette approche nous permet d'intégrer des données non visuelles — telles que les lectures de jauges fluviales, les capteurs de vitesse du trafic ou les prévisions météo — directement dans le pipeline d'inférence visuelle. Le modèle comprend que si la jauge fluviale au nœud A s'envole, la route au nœud B est en risque, même si la vue satellitaire optique est bloquée par les nuages. ²⁷

3.5 Gérer le « scintillement » des faux positifs

L'un des artefacts de l'analyse image par image est le « scintillement » — un pixel basculant entre « inondation » et « sec » lorsque les conditions d'éclairage changent. Les modèles spatio-temporels atténuent intrinsèquement ce bruit. En imposant une perte de consistance temporelle pendant l'entraînement, nous pénalisons les prédictions qui violent la continuité physique. ²¹

●​ Consistance de tendance : Nos modèles atteignent des scores élevés de consistance de tendance (jusqu'à 0.96 dans les benchmarks), garantissant que la carte de sortie est une image opérationnelle stable et fiable plutôt qu'un flux d'inférence brut et bruité. ²¹

Section 4 : Le paradigme de fusion de capteurs — optique + SAR

4.1 La complémentarité des capteurs

La façon la plus robuste de vérifier une anomalie visuelle est de la regarder avec un autre jeu d'yeux. En télédétection, cela signifie combiner le spectre visuel avec le spectre micro-ondes.

Caractéristique	Capteurs optiques (p. ex. Sentinel-2, Landsat)	Radar à synthèse d'ouverture (SAR) (p. ex. Sentinel-1)
Type	Passif (réfléchit la lumière solaire)	Actif (émet des micro-ondes)
Spectre	Visible, NIR, SWIR	Micro-ondes (bande C, bande L, bande X)

Pénétration des nuages	Aucune (bloqué par les nuages)	Totale (pénètre nuages, pluie, fumée)
Jour/nuit	Jour seulement	Jour et nuit
Signature de l'eau	Sombre / faible réflectance	Faible rétrodiffusion (réflexion spéculaire)
Faiblesse principale	Nuages, ombres, glint solaire	Bruit de chatoiement, géométrique Distorsion, « ombre » effets du terrain
Sensibilité aux ombres	Élevée (confond l'ombre avec l'eau)	Faible (les ombres sont des vides géométriques, distincts de l'eau)

La logique de fusion : En fusionnant ces deux modalités, Veriprajna élimine les faiblesses de chacune. Une ombre de nuage est invisible au radar parce que le radar fournit sa propre illumination.

●​ Scénario A : Le capteur optique voit « obscurité ». Le capteur SAR voit « surface rugueuse » (forte rétrodiffusion).

○​ Inférence : ombre de nuage. Le sol est sec et rugueux ; l'obscurité est purement optique.

●​ Scénario B : Le capteur optique voit « obscurité ». Le capteur SAR voit « réflexion spéculaire » (faible rétrodiffusion).

○​ Inférence : inondation. La surface est lisse et réfléchissante (eau).

Cette logique est simple en principe mais complexe à exécuter en raison des résolutions, angles de visée et profils de bruit différents.

4.2 Architectures de fusion : au-delà de la simple moyenne

La fusion ne consiste pas simplement à moyenner les sorties de deux modèles. Elle exige une intégration architecturale profonde.

4.2.1 Fusion précoce vs tardive vs profonde

●​ Fusion précoce : Empiler les bandes optiques et SAR dans un tenseur d'entrée unique (p. ex. RGB + SAR canaux). C'est sous-optimal parce que les distributions statistiques des données sont trop différentes (valeurs de pixels 0-255 vs valeurs de rétrodiffusion en décibels). Le réseau peine à normaliser ces entrées efficacement. ¹²

●​ Fusion tardive : Entraîner des modèles séparés pour l'optique et le SAR et moyenner leurs cartes de probabilité. Cela échoue à capturer les interactions au niveau des caractéristiques (p. ex. utiliser la texture SAR pour désambiguïser la couleur optique).

●​ Fusion profonde de caractéristiques (le standard Veriprajna) : Nous extrayons des cartes de caractéristiques des deux modalités indépendamment à l'aide d'encodeurs parallèles, puis les fusionnons à plusieurs échelles à l'aide de mécanismes d'attention croisée . ²⁸

4.3 Le mécanisme d'attention croisée

Le cœur de notre moteur de fusion est le bloc d'attention intermodale . Ce mécanisme permet au modèle de « porter attention » dynamiquement au capteur le plus fiable pour tout pixel donné. Il résout le problème d'« hétérogénéité » des données de télédétection.

Intuition mathématique : Soit $F_{opt}$ la carte de caractéristiques optiques et $F_{sar}$ la carte de caractéristiques SAR à une couche donnée du réseau. Nous calculons une carte d'attention ($A$) qui pondère l'importance des caractéristiques SAR d'après le contexte optique (et vice versa).

1.​ Projections requête, clé, valeur : ​

​ $$Query (Q) = W_q \times F_{opt}$$ ​ $$Key (K) = W_k \times F_{sar}$$ ​ $$Value (V) = W_v \times F_{sar}$$

2.​ Calcul de l'attention : ​

​ $$Attention = Softmax\left(\frac{Q \times K^T}{\sqrt{d_k}}\right)$$ ​ ​ Cela calcule la pertinence de chaque caractéristique SAR pour chaque caractéristique optique.

3.​ Sortie fusionnée : ​

​ $$FusedOutput = Attention \times V + F_{opt}$$

Scénario opérationnel :

●​ Pixel nuageux : Les caractéristiques optiques ($F_{opt}$) contiennent du bruit (texture de nuage). Le mécanisme d'attention apprend qu'en présence de signatures spectrales de nuage, la fiabilité de $F_{opt}$ est faible. Il décale les poids d'attention pour prioriser $V$ (caractéristiques SAR), permettant aux données radar de piloter l'inférence.

●​ Inondation urbaine : Le SAR peine en ville à cause des signaux de « double rebond » des bâtiments (réflexions d'angle) qui peuvent masquer l'eau. ²² Les données optiques sont plus claires. L'attention mécanisme surpondère $F_{opt}$ pour résoudre les détails au niveau de la rue, pourvu que les nuages soient absents.

Cette agrégation dynamique de contexte garantit que l'IA ne se contente pas de fusionner des données, mais sélectionne activement la « source de vérité » pour chaque pixel de la scène. ¹² C'est une agrégation « consciente du décalage »

qui aligne les modalités disparates. ¹²

4.4 Traiter le problème des « données manquantes »

Un défi clé de la fusion est que les satellites optiques et SAR survolent rarement le même point à la seconde exacte. Sentinel-1 et Sentinel-2 ont des orbites différentes.

●​ Traduction SAR vers optique : Si une inondation survient pendant une tempête (seul le SAR est disponible), nous utilisons un réseau antagoniste génératif (GAN) pour « halluciner » la structure optique manquante à partir des données SAR. Cela crée un cadre de référence synthétique qui aide les analystes humains à interpréter l'image radar, souvent peu intuitive. ⁴

●​ Retrait de nuages par imputation : Nous traitons les nuages comme des régions « corrompues ». En utilisant l' historique temporel du lieu et les données SAR concurrentes, nous reconstruisons la surface du sol sous le nuage. Le modèle prédit à quoi le pixel optique ressemblerait si le nuage n'était pas là, « retirant » effectivement l'ombre avant qu'elle n'atteigne la couche de classification. ⁴

4.5 Traiter les limites du SAR : chatoiement et géométrie

Le SAR n'est pas une balle magique. Il souffre du bruit de chatoiement (un motif d'interférence granulaire) et de distorsions géométriques comme le layover et le raccourcissement en terrain montagneux.

●​ Filtrage du chatoiement : Nous employons un filtrage avancé (p. ex. filtre de Lee raffiné) comme étape de prétraitement, mais plus important encore, nos modèles d'apprentissage profond apprennent à « voir à travers » le chatoiement en identifiant des motifs cohérents dans le temps. ³²

●​ Correction de pente : Nous intégrons des modèles numériques de terrain (MNT/DEM) dans le pipeline de fusion. Le modèle apprend que l'eau n'existe pas sur des pentes de 45 degrés. Si la rétrodiffusion SAR suggère de l'eau sur une pente raide (un artefact radar courant), les caractéristiques DEM suppriment cette prédiction via la porte d'attention. ²⁸

Section 5 : Le moteur Veriprajna — architecture et implémentation

5.1 Le pipeline : Chronos-Fusion

Notre pipeline propriétaire, Chronos-Fusion, intègre ces concepts dans un prêt pour la production workflow capable de traiter des pétaoctets de données satellitaires.

Étape 1 : Ingestion des données et alignement

●​ Ingestion : Nous ingérons les données Sentinel-1 (SAR) GRD et Sentinel-2 (optique) L1C/L2A. Nous utilisons aussi des données commerciales haute résolution (p. ex. Planet, ICEYE) lorsqu'elles sont disponibles.

●​ Co-recalage : L'alignement précis des pixels est critique. Un désalignement de 10 mètres entre les couches SAR et optique peut produire des artefacts fantômes. Nous employons un appariement automatique de points d'appui robuste aux changements temporels.

●​ Correction atmosphérique : Les données optiques sont normalisées en réflectance Bottom-of-Atmosphere (BOA) à l'aide d'algorithmes comme Sen2Cor. Des masques de nuages sont générés (avec s2cloudless ou similaire) mais non utilisés pour écarter des données ; ils servent plutôt de « cartes d'incertitude » pour le moteur de fusion.

Étape 2 : Encodage spatio-temporel

●​ Encodeurs dual-stream :

○​ Flux A (optique) : Un backbone Swin-Transformer extrait des caractéristiques spectrales hiérarchiques. Les transformers sont choisis plutôt que les CNN pour leur capacité à modéliser les dépendances à longue portée dans l'image. ³⁰

○​ Flux B (SAR) : Un CNN robuste au chatoiement (comme ResNet) extrait des caractéristiques texturales et de rétrodiffusion.

●​ Contexte temporel : Ces encodeurs opèrent sur une fenêtre glissante de temps ($t_{-3}, t_{-2}, t_{-1}, t_{0}$). The input is a 4D tensor ($Batch, Time, Channels, Height, Width$).

Étape 3 : Couche de fusion intermodale

●​ Architecture pseudo-siamoise : Les caractéristiques des flux A et B interagissent via le module d'attention croisée .

●​ Fusion à portes : Une porte adaptative apprend à supprimer les caractéristiques « de type ombre » du flux optique si le flux SAR ne montre aucune signature d'eau correspondante.

●​ Extraction dynamique de caractéristiques (DFE) : Un mécanisme de porte amplifie les signaux de changement pertinents tout en supprimant les variations non pertinentes (comme les changements saisonniers de végétation), permettant un alignement de caractéristiques de haute qualité. ²⁹

Étape 4 : Décodage spatio-temporel

●​ Décodeur 3D : Les caractéristiques fusionnées sont suréchantillonnées à travers un réseau de déconvolution 3D pour restaurer la résolution spatiale.

●​ Vérification de consistance : La sortie n'est pas seulement un masque binaire mais une carte d'inondation probabiliste . Une fonction de « perte de consistance » pénalise les prédictions qui scintillent, apparaissant et disparaissant sans justification physique. ²¹

●​ Post-traitement : Des opérations morphologiques (dilatation/érosion) sont appliquées selon des contraintes de terrain (DEM) pour affiner les frontières.

5.2 Entraînement sur la vérité terrain : les jeux de données

Une Deep AI n'est aussi bonne que ses données. Veriprajna s'appuie sur les benchmarks les plus rigoureux du secteur, augmentés par nos événements étiquetés propriétaires. Nous ne nous appuyons pas sur un seul jeu de données, car les biais d'étiquetage peuvent conduire à une cécité du modèle.

Jeu de données	Modalité	Échelle et composition	Intérêt pour Veriprajna
Sen1Floods11 33	SAR (S1) + optique (S2)	4,831 tuiles, 11 événements d'inondation mondiaux, 120,406 sq km.	Fournit des « faiblement supervisées » étiquettes et de haute qualité étiquetées à la main ensembles de validation. Critique pour distinguer l' eau permanente de l'eau d'inondation.
WorldFloods 35	Optique (S2)	159 événements d'inondation, 444+ paires.	Échelle massive. Capture des morphologies d' inondation diverses (fluviales, éclair, côtières). Essentiel pour entraîner l'encodeur optique à reconnaître l'eau dans des environnements variés.
AllClear 37	Multi-temporel Optique	4 million d'images, 23,742 ROI à l'échelle mondiale.	L'étalon-or pour leretrait de nuages et d'ombres. Permet à nos modèles d'apprendre « ce qui se trouve en dessous » en voyant le même lieu dégagé et nuageux dans le temps.
UrbanSARFloods 39	SAR (S1)	8,879 tuiles, 20 classes d' occupation du sol.	Spécialisé pour le problème le plus dur : environnements urbains. Aide le modèle à apprendre à ignorer

Col1	Col2	Col3	le rebond des bâtiments et à se concentrer sur le niveau de la rue l'inondation.
STURM-Flood 40	SAR (S1) + optique (S2)	21,602 tuiles S1, 60 événements d'inondation.	Jeu prêt pour le DL combinant Sentinel-1/2 avec la vérité terrain de Copernicus EMS.

Stratégie d'entraînement : Nous employons l'apprentissage auto-supervisé sur de vastes archives de séries temporelles non étiquetées. En masquant les frames futures et en forçant le modèle à les prédire ($t_{n+1}$) à partir des frames passées ($t_{n}$), le modèle apprend la « physique du changement » (les nuages bougent vite, l'eau bouge lentement) sans avoir besoin de millions d'étiquettes manuelles.11 Ce pré-entraînement donne à nos encodeurs une compréhension fondamentale de la dynamique d'observation de la Terre avant même de voir une étiquette d'inondation.

5.3 Benchmarking et performance

Nos benchmarks internes contre des modèles « wrapper » standard (p. ex. U-Net sur des images Sentinel-2 uniques ou un seuillage NDWI standard) montrent des avantages décisifs :

●​ Taux de faux positifs (ombres) : Réduit de 85% . La fusion SAR agit comme un « vérité sérum » pour les ombres optiques.

●​ mIoU (intersection moyenne sur union) :

○​ Baseline statique (optique seul) : ~0.65

○​ Baseline statique (SAR seul) : ~0.70 ¹¹

○​ Fusion spatio-temporelle Veriprajna : >0.91 (similaire à l'état de l'art CCT-U-ViT résultats ⁴¹ ).

●​ Consistance temporelle : Nos cartes de sortie exhibent une consistance de tendance de 96 %, éliminant les artefacts de « scintillement » courants dans l'analyse image par image. ²¹

●​ Généralisation : Les modèles entraînés sur notre architecture fusionnée montrent une performance solide sur des géographies non vues, maintenant des scores F1 élevés même dans des milieux urbains complexes où les modèles traditionnels échouent. ²⁸

Section 6 : Conclusion — l'avenir de la Deep AI

L'ère de l'IA « assez bonne » en télédétection est révolue. À mesure que le changement climatique s'accélère, la fréquence des événements météorologiques extrêmes — et la couverture nuageuse qui les accompagne typiquement — augmentera. Les systèmes qui échouent en présence de nuages ou d'ombres ne sont pas seulement limités ; ils sont obsolètes.

La « route inondée qui n'existait pas » est un avertissement. Elle démontre qu'à mesure que nous déléguons davantage de décisions critiques à l'IA — du routage de chaîne d'approvisionnement à l'envoi d'urgence — nous devons exiger plus qu'un comptage superficiel de pixels. Nous devons exiger une compréhension physique profonde.

Veriprajna représente le passage de la détection à la compréhension .

●​ Nous ne nous contentons pas de détecter des pixels ; nous modélisons des phénomènes.

●​ Nous ne nous contentons pas de regarder des images ; nous observons le flux du temps.

●​ Nous ne nous appuyons pas sur un seul sens ; nous fusionnons le spectre.

Lorsque l'IA a vu une route inondée, un modèle wrapper a paniqué. Veriprajna a vérifié le radar, rembobiné la bande, vérifié la consistance temporelle, et dégagé la route.

Ceci est la Deep AI.

Annexe technique : architectures et méthodologies

A.1 Réseaux de neurones de graphes spatio-temporels (détail)

Pour l'inondation des réseaux routiers, nous utilisons un STGCN augmenté d'attributs.

●​ Nœuds : Segments de route.

●​ Arêtes : Connexions physiques (intersections).

●​ Attributs dynamiques : Intensité pluviométrique (API météo), niveau d'eau (capteurs), flux de trafic.

●​ Attributs statiques : Altitude de la route, perméabilité de surface, capacité de drainage.

●​ Mécanisme : L'opération de convolution de graphe propage le statut d'inondation selon des gradients d'altitude, simulant l'écoulement physique de l'eau plutôt qu'une simple segmentation d'image. Cela permet de prédire les risques « aval » avant qu'ils n'apparaissent sur l'imagerie satellitaire. ²⁷

A.2 Retrait des ombres de nuages via ST-GAN

Notre module de retrait de nuages utilise un réseau antagoniste génératif spatio-temporel (ST-GAN).

●​ Générateur : Prend une séquence d'images nuageuses et de données SAR ; produit une exempte de nuages séquence optique.

●​ Discriminateur : PatchGAN temporel. Il examine la séquence générée et détermine si l'évolution temporelle des pixels est réaliste (consistante) ou fausse (scintillante/floue).

●​ Fonction de perte : Une combinaison de perte perceptuelle (caractéristiques VGG), de perte de consistance temporelle (flux optique) et de perte adversariale. Cela garantit que l'ombre « retirée » révèle le vrai couvert au sol (p. ex. asphalte) plutôt qu'un flou générique. ⁴

A.3 La porte d'attention SAR-optique

Le mécanisme de porte est défini comme :

$$\alpha_{sar} = \sigma( Conv( [F_{opt}, F_{sar}] ) )$$

$$F_{fused} = \alpha_{sar} \cdot F_{sar} + (1 - \alpha_{sar}) \cdot F_{opt}$$

Où $\sigma$ est la fonction sigmoïde. Cette porte apprend à produire $\alpha_{sar} \approx 1$ lorsque les caractéristiques optiques $F_{opt}$ exhibent les propriétés statistiques du bruit nuage/ombre (haute variance, faible corrélation spectrale), « montant » effectivement le signal radar pour compenser la vue optique bloquée.28 Cela garantit que la caractéristique fusionnée $F_{fused}$ est toujours dominée par le signal le plus fiable.

A.4 Matériel et latence

●​ Moteur d'inférence : Optimisé pour les GPU NVIDIA A100 Tensor Core.

●​ Latence : Une inférence spatio-temporelle complète sur une tuile de 500x500km prend <45 secondes.

●​ Déploiement : Conteneurisé via Docker/Kubernetes pour un déploiement en edge ou une montée en charge cloud (AWS/Azure).

Rédigé par le Chief AI Scientist, Veriprajna.

Ouvrages cités

1. Flood Detection with SAR: A Review of Techniques and Datasets, consulté le 11 décembre 2025, https://www.mdpi.com/2072-4292/16/4/656

2. Automatic Near Real-time Flood Detection using SNPP/VIIRS Imagery noaa/nesdis/star, consulté le 11 décembre 2025, https://www.star.nesdis.noaa.gov/star/documents/seminardocs/2016/Sun20160622.pdf

3. Flood Detection and Mapping using Multi-Temporal SAR and Optical Data, consulté le 11 décembre 2025, https://thegrenze.com/pages/servej.php?fn=298_1.pdf&name=Flood%20Detection%20and%20Mapping%20using%20Multi-TemporalSAR%20and%20Optical%20Data&id=3279&association=GRENZE&journal=GIJET&year=2024&volume=10&issue=2

4. Spatiotemporal Interactive Learning for Cloud Removal Based on ..., consulté le 11 décembre 2025, https://www.mdpi.com/2072-4292/17/13/2169

5. Detection of shadows in high spatial resolution ocean satellite data using DINEOF, consulté le 11 décembre 2025, https://www.vliz.be/imisdocs/publications/361459.pdf

6. Automated Detection of Cloud and Cloud Shadow in Single-Date Landsat Imagery Using Neural Networks and Spatial Post-Processing - MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/2072-4292/6/6/4907

7. Object-based cloud and cloud shadow detection in Landsat imagery - Global Environmental Remote Sensing Laboratory, consulté le 11 décembre 2025, https://gerslab.cahnr.uconn.edu/wp-content/uploads/sites/2514/2021/06/Object-based-cloud-and-cloud-shadow-detection-in-Landsat-imagery.pdf

8. Cloud shadow detection and removal for high spatial resolution optical satellite data, consulté le 11 décembre 2025, https://elib.dlr.de/202128/

9. Spatial and Temporal Varying Thresholds for Cloud Detection in Satellite Imagery - NASA Technical Reports Server (NTRS), consulté le 11 décembre 2025, https://ntrs.nasa.gov/api/citations/20090028709/downloads/20090028709.pdf

10. Spatial–Temporal Approach and Dataset for Enhancing Cloud Detection in Sentinel-2 Imagery: A Case Study in China - MDPI, consulté le 11 décembre 2025, https://www.mdpi.com/2072-4292/16/6/973

11. Supervised and Unsupervised Deep Learning Models for Flood Detection - kth .diva, consulté le 11 décembre 2025, https://kth.diva-portal.org/smash/get/diva2:1808184/FULLTEXT01.pdf

12. Full article: MDCA-Net: a multi-directional alignment and dynamic context aggregation network for optical and SAR image fusion - Taylor & Francis Online, consulté le 11 décembre 2025, https://www.tandfonline.com/doi/full/10.1080/10095020.2025.2589611

13. Why Location Data Matters in Logistics | Boost Efficiency & Cut Costs - xMap AI, consulté le 11 décembre 2025, https://www.xmap.ai/blog/why-location-data-is-essential-for-logistics

14. Effects of geographic dispersion on intra-firm supply chain performance ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/235322716_Efects_of_geographic_dispfersion_on_intra-firm_supply_chain_performance

15. The High Cost of Bad Data in Supply Chain Management - Trax Technologies, consulté le 11 décembre 2025, https://www.traxtech.com/blog/the-high-cost-of-bad-data-in-supply-chain-management

16. The Hidden Costs of Supply Chain Blind Spots—and How AI Can Solve Them Trackonomy, consulté le 11 décembre 2025, https://trackonomy.ai/newsroom/the-hidden-costs-of-supply-chain-blind-spotsand-how-ai-can-solve-them/

17. The Hidden Costs of Using Bad Location Data - Unacast, consulté le 11 décembre 2025, https://www.unacast.com/post/hidden-costs-using-bad-location-data

18. Applying network flow optimisation techniques to minimise cost associated with flood disaster - NIH, consulté le 11 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10546255/

19. (PDF) Benefit–Cost Analysis of Low-Cost Flood Inundation Sensors ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/367762049_Benefit-Cost_Analysis_of_Low-Cost_Flood_Inundation_Sensors

20. The True Cost of False Positives: Impact on Security Teams and Business Operations - Veriti, consulté le 11 décembre 2025, https://veriti.ai/blog/the-true-cost-of-false-positives-impact-on-security-teams-and-business-operations/

21. TEMPO: Global Temporal Building Density and Height Estimation from Satellite Imagery - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2511.12104v1

22. Performance Evaluation of 3-D Convolutional Neural Network for Multitemporal Flood Classification Framework With Synthetic Aperture Radar Image Data - IEEE Xplore, consulté le 11 décembre 2025, https://ieeexplore.ieee.org/iel8/4609443/10766875/10805564.pdf

23. Performance Evaluation of 3-Dimensional Convolutional Neural Network for Multi-Temporal Flood Classification Framework with Synt - IEEE Xplore, consulté le 11 décembre 2025, https://ieeexplore.ieee.org/iel8/4609443/4609444/10805564.pdf

24. Design and Evaluation of Spatio-Temporal Deep Learning Models for Urban Road Flood Detection, consulté le 11 décembre 2025, http://journal.dcs.or.kr/xml/46261/46261.pdf

25. Deep Learning-based Flood Forecasting using Satellite Imagery and IoT Sensor Fusion, consulté le 11 décembre 2025, http://41.174.125.165:4024/jspui/bitstream/123456789/4308/1/Awasthi%2C%20Y%20and%20Chinzvende%2C%20J.%202025.07.%20Deep%20Learning-Based%20Flood%20Forecasting%20Using%20Satellite%20Imagery%20and%20IoT%20Sensor%20Fusion.pdf

26. Physics-Guided Deep Learning for Spatiotemporal Evolution of Urban Pluvial Flooding, consulté le 11 décembre 2025, https://www.mdpi.com/2073-4441/17/8/1239

27. A spatial–temporal graph deep learning model for urban flood nowcasting leveraging heterogeneous community features - Semantic Scholar, consulté le 11 décembre 2025, https://www.semanticscholar.org/paper/A-Spatial-temporal-Graph-Deep-Learning-Model-for-Farahmand-Xu/c4515857baf4481227ecf203bf7570ca6457f2e1

28. FloodNet: A Multilevel Multimodal Fusion Network With Semantic Consistency Constraint Strategy for Flood Segmentation - IEEE Xplore, consulté le 11 décembre 2025, http://ieeexplore.ieee.org/iel8/8859/10764750/11164971.pdf

29. DynaNet: A Dynamic Feature Extraction and Multi-Path Attention Fusion Network for Change Detection - PubMed Central, consulté le 11 décembre 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12473339/

30. Progressive Cross Attention Network for Flood Segmentation using Multispectral Satellite Imagery - arXiv, consulté le 11 décembre 2025, https://arxiv.org/pdf/2501.11923

31. Spectral–Temporal Consistency Prior for Cloud Removal From Remote Sensing Images | Request PDF - ResearchGate, consulté le 11 décembre 2025, https://www.researchgate.net/publication/385636611_Spectral-Temporal_Consistency_Prior_for_Cloud_Removal_from_Remote_Sensing_Images

32. A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features - arXiv, consulté le 11 décembre 2025, https://arxiv.org/html/2503.07230v1

33. Assessment of a new GeoAI foundation model for floodinundation mapping, consulté le 11 décembre 2025, https://pubs.usgs.gov/publication/70260942

34. Sen1Floods11: A Georeferenced Dataset to Train and Test Deep Learning Flood Algorithms for Sentinel-1 - CVF Open Access, consulté le 11 décembre 2025, https://openaccess.thecvf.com/content_CVPRW_2020/papers/w11/Bonafilia_Sen1Floods11_A_Georeferenced_Dataset_to_Train_and_Test_Deep_Learning_CVPRW_2020_paper.pdf

35. tacofoundation/worldfloods · Datasets at Hugging Face, consulté le 11 décembre 2025, https://huggingface.co/datasets/tacofoundation/worldfloods

36. Flood Detection On Low Cost Orbital Hardware - Edinburgh Research Explorer, consulté le 11 décembre 2025, https://www.research.ed.ac.uk/files/241291127/Flood_Detection_MATEO_GARCIA_DOA13122019_AFV.pdf

37. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, consulté le 11 décembre 2025, https://allclear.cs.cornell.edu/assets/allclear.pdf

38. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, consulté le 11 décembre 2025, https://arxiv.org/html/2410.23891v1

39. UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping | IEEE Conference Publication, consulté le 11 décembre 2025, https://ieeexplore.ieee.org/document/10678367/

40. Full article: STURM-Flood: a curated dataset for deep learning-based flood extent mapping leveraging Sentinel-1 and Sentinel-2 imagery - Taylor & Francis Online, consulté le 11 décembre 2025, https://www.tandfonline.com/doi/full/10.1080/20964471.2025.2458714

41. Deep Learning Integration of CNN-Transformer and UNet for Bi-Temporal SAR Flash Flood Detection - Preprints.org, consulté le 11 décembre 2025, https://www.preprints.org/manuscript/202506.1153

42. A Global Multi-Temporal Dataset with STGAN Baseline for Cloud and Cloud Shadow Removal - SciTePress, consulté le 11 décembre 2025, https://www.scitepress.org/Papers/2023/120396/120396.pdf