Cadre d'IA géospatiale pour la gestion des catastrophes // Geo-Spatial AI Framework for Disaster Management

Les catastrophes naturelles exigent une connaissance rapide de la situation sur de vastes zones, un besoin de plus en plus satisfait par l'imagerie satellitaire et l'intelligence artificielle (IA) [1]. Les algorithmes d'IA permettent l'analyse en temps réel de ces données, rendant possibles des évaluations immédiates des dommages pour des événements tels que les ouragans, les tremblements de terre et les inondations [2]. Dans le cadre d'une évolution mondiale vers une gestion proactive des catastrophes, il existe un besoin de recherche pressant pour développer des modèles de vision fondés sur l'IA, capables de comprendre des images satellitaires haute résolution et de produire en temps réel des cartes sémantiques riches des impacts d'une catastrophe [3, 4, 5]. Ces modèles promettent des alertes précoces plus efficaces, de meilleures évaluations des dommages et une allocation optimisée des ressources, ce qui permet in fine de sauver des vies et de réduire les pertes.
Cette proposition de thèse se concentre sur un cadre d'IA en deux étapes pour la gestion des catastrophes à partir d'imagerie satellitaire. Dans la Phase 1, nous explorerons des méthodes de construction de cartes spatiales hybrides à partir de données satellitaires, intégrant des caractéristiques visuelles (par exemple bâtiments, routes, zones inondées) avec des étiquettes sémantiques voire des descripteurs linguistiques. L'objectif est d'obtenir une carte sémantique du territoire sinistré, potentiellement enrichie par des informations multimodales telles que des légendes d'images ou des données textuelles. Dans la Phase 2, nous visons à développer des techniques fondées sur l'IA pour interpréter et apprendre à partir de ces représentations cartographiques. Cela inclut des approches d'apprentissage supervisé et non supervisé pour reconnaître des motifs (par exemple la distribution de la gravité des dommages), des stratégies d'entraînement adaptées à la rareté des labels et aux changements de domaine, ainsi que l'intégration de modèles du monde (« world models ») [4] pour simuler ou prédire l'évolution de la catastrophe. En couplant des représentations cartographiques riches à des modèles d'apprentissage puissants, cette recherche ambitionne de faire progresser l'état de l'art en matière de réponse rapide aux catastrophes fondée sur l'IA.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Natural disasters demand rapid situational awareness across vast areas, a need increasingly met by satellite imagery and artificial intelligence (AI) [1]. AI algorithms empower real-time analysis of this data, enabling immediate damage assessments for events like hurricanes, earthquakes, and floods [2]. As part of a global shift toward proactive disaster management, there is a pressing research need to develop AI-based vision models capable of understanding high-resolution satellite imagery and producing rich semantic maps of disaster impacts in real time [3, 4, 5 ,6]. These models promise more effective early warnings, damage assessments, and resource allocation, ultimately saving lives and reducing losses.
This PhD proposal focuses on a two-stage AI framework for disaster management using satellite imagery. In Stage 1, we will explore methods to construct hybrid spatial maps from satellite data that integrate visual features (e.g. buildings, roads, flooded areas) with semantic labels or even linguistic descriptors. The goal is a world-scale semantic map of the disaster zone, potentially enriched by multimodal information such as image captions or textual data. In Stage 2 (Learning), we aim to develop AI based techniques to interpret and learn from these map representations. This includes supervised / unsupervised learning to recognize patterns (e.g. damage severity distribution), training strategies to handle limited labels and domain shifts, and the incorporation of world models [4] for simulating or predicting disaster evolution. By coupling rich map representations with powerful learning models, the proposed research aims to advance the state of the art in rapid, AI-driven disaster response.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Programme doctoral pour les cotutelles internationales de thèse (ADI)*

Université Paris-Saclay GS Informatique et sciences du numérique

580 Sciences et Technologies de l'Information et de la Communication

Le/la candidat(e) devra disposer d'une solide formation en apprentissage automatique et/ou vision par ordinateur, avec un intérêt marqué pour la télédétection et les applications géospatiales. Des compétences en programmation scientifique (Python), en entraînement de modèles (PyTorch ou équivalent), en traitement d'images et en analyse de données sont attendues, ainsi qu'une bonne maîtrise des bases mathématiques (algèbre linéaire, probabilités, optimisation). Une connaissance des données satellitaires (optique/SAR), des problématiques de segmentation, détection de changement et robustesse au changement de domaine (domain shift) constituera un atout. Le/la candidat(e) devra faire preuve d'autonomie, de rigueur expérimentale (reproductibilité), d'esprit critique, et de capacité à travailler en collaboration dans un contexte international, avec de bonnes compétences de communication scientifique en français et en anglais.
he candidate must have a strong background in machine learning and/or computer vision, with a strong interest in remote sensing and geospatial applications. Skills in scientific programming (Python), model training (PyTorch or equivalent), image processing, and data analysis are expected, along with a solid foundation in mathematics (linear algebra, probability, optimization). Knowledge of satellite data (optical/SAR), as well as issues related to segmentation, change detection, and robustness to domain shift, will be an asset. The candidate should demonstrate autonomy, experimental rigor (reproducibility), critical thinking, and the ability to work collaboratively in an international context, with good scientific communication skills in both French and English.