Introduction
L’identification rapide et fiable des dommages sur les infrastructures fait partie des points d’intérêt majeurs des acteurs de la sécurité et de la surveillance territoriale. En réponse, les moyens d’observation de la Terre offrent des capacités uniques de suivi régulières. C’est dans ce cadre que s’inscrit Sarimpact, développé dans le cadre du projet SECURE-SAT financé par l’Université de Strasbourg et l’Institut Carnot. L’outil vise à renforcer les capacités d’aide à la décision rapide en gestion de crise et en surveillance, avec des applications ultérieures dans le suivi des infrastructures.
1. Contexte
Considérer que l’imagerie issue des capteurs SAR n’est qu’un substitut aux images optiques de haute résolution serait passer à côté d’un de ses atouts majeurs. Un capteur SAR émet une onde et enregistre l’écho que la surface lui renvoie. Il fournit sa propre illumination, de jour comme de nuit, ignore la couverture nuageuse, et mesure des grandeurs, dont la phase du signal, sensible aux changements du milieu urbain. Réputée plus complexe à interpréter qu’une image exploitant le spectre optique, son usage se démocratise aujourd’hui. Aussi, un nombre croissant d’applications dans le domaine de la sécurité émergent (E. Colin 2025) et la capacité radar est intégrée de façon croissante dans le volet spatial des politiques publiques, notamment dans la défense (IRIS 2026).
Dans le domaine de la recherche en source ouverte, les solutions proposées se basent fréquemment sur des plateformes telles que Google Earth Engine (Bellingcat 2023), distribuant des données géospatiales. Ces méthodes peuvent échouer à exploiter la profondeur initialement offerte par les capteurs radar, car les données dites “complexes” n’y sont pas toujours distribuées. Cette typologie de données est donc moins accessible et demande la mise en œuvre de capacités expertes. Or, dans le domaine de la reconnaissance de dégâts urbains, cette profondeur apporte une finesse informative réelle, nécessaire pour la fiabilisation des résultats.
Pour des raisons pratiques, nous valorisons les données des satellites européens de la gamme Sentinel-1, disponibles en open data (Copernicus 2026). La résolution au sol des produits exploités est de l’ordre de plusieurs mètres. Cependant la phase du signal, sensible à une fraction de la longueur d’onde, permet aux chaînes de traitement du SERTIT de mesurer ou de détecter des évolutions centimétriques de la surface (Applisat 2019, SERTIT 2025). Ce niveau de précision nous permet d’aborder avec rigueur les applications au bâti urbain.
Notre article se concentre sur deux cas tests qui permettent de montrer les capacités et les limites actuelles de l’outil.
En premier lieu, le cas de la double explosion du port de Beyrouth le 4 août 2020 est intéressant car il s’agit d’un événement soudain et de grande ampleur dans une ville dense. Le contraste entre la stabilité du tissu urbain avant et les dégâts causés par l’explosion est donc fort. Irpin, en périphérie nord-ouest de Kiev, a fait l’objet de la seconde étude de cas. La signature des dommages est plus diffuse car la ville a subi une longue période de combats et de frappes au début de l’invasion russe en Ukraine, de février à mars 2022.
2. Méthode
La méthodologie de Sarimpact repose sur la comparaison de plusieurs acquisitions radar antérieures à l’événement (“pré”) avec une acquisition post-évènement (“post”). Pour chaque AOI, l’outil assemble une pile d’images Sentinel-1 dites “complexes”. Trois prises de vue au minimum avant l’événement et une après l’événement, recalées finement les unes sur les autres. Ces images portent deux informations : l’amplitude, c’est-à-dire la puissance de l’écho du signal radar qui est retourné vers le capteur par les cibles au sol, et la phase, qui renseigne sur leur distance au satellite.
Phase 1 : génération du stack d’indices : les N images Sentinel-1 pré-événement et l’image post-événement sont coregistrées. Les cohérences sont calculées par paires d’images, et les amplitudes γ0 calibrées pour chaque acquisition sont combinées en huit indicateurs, dont le z-score de chute de cohérence, signal principal de détection. Le stack est ensuite orthorectifié (MNT Copernicus, pixel de 10 m) et découpé sur la zone d’intérêt pour produire le raster ImpactStack.
Phase 2 : analyse : le z-score est débruité (filtre NLM), seuillé à 5 σ (dépassement en VV ou en VH), restreint aux zones bâties (couche GHSL), puis vectorisé en polygones (aire minimale de 200 m²) ; chaque polygone reçoit un indice de probabilité divisé en 3 classes : possible, probable et très probable, et les détections des orbites ascendante (ASC) et descendante (DSC) sont réunies en une couche unique. Les deux phases sont exécutées séparément pour chaque orbite, jusqu’à l’étape finale de croisement ASC/DSC
Le signal principal est la cohérence, c’est-à-dire la ressemblance de la phase entre deux passages du satellite. Les images antérieures établissent le comportement habituel de chaque pixel : sa cohérence moyenne et sa variabilité naturelle. La cohérence mesurée entre la dernière image avant l’événement et la première d’après est alors confrontée à cette référence : une chute anormale, exprimée en nombre d’écarts-types (z-score), signale un changement probable de la surface. Cette normalisation évite de suspecter les zones naturellement instables, végétation ou plans d’eau, et limite d’autant les fausses alertes. L’évolution de l’amplitude du signal, filtrée de son bruit (speckle), est conservée comme attribut complémentaire.
Figure 2b. Principe sur un pixel de la perte de cohérence donnant une indication sur l’état de destruction du bâti autour du port de Beyrouth.
(a) Chronologie du cas test sur Beyrouth ASC (Sentinel-1) : trois images pré (5, 17 et 29 juillet 2020), une image post (10 août) ; explosion du port le 4 août (trait rouge).
Toutes les paires de cohérence sont formées contre l’image pré la plus récente (29 juillet) : 05 juillet →29 juillet et 17 juillet→29 juillet en bleu (paires pré-pré), 29 juillet→10 août en orange (paire co-événement, la seule qui encadre l’événement).
(b) Principe sur un pixel de bâti détruit du port de Beyrouth : cohérences pré 0,85 et 0,77 autour de leur moyenne 0,81 et cohérence co-événement 0,10, très en dessous.
La chute se mesure en écarts-types : z = (moyenne pré − cohérence co-événement) / sigma pré, soit ici z ≈ 12,9. Cette normalisation rend les pixels comparables entre eux : une même chute absolue compte davantage sur un pixel habituellement stable que sur un pixel naturellement fluctuant.
La carte de z-score, orthorectifiée sur une grille de 10 mètres, est ensuite débruitée par un filtre puis seuillée : seuls les pixels dont la chute de cohérence excède cinq fois la variabilité habituelle sont retenus, et uniquement dans les zones construites, localisées par la donnée européenne GHSL (Pesaresi et al. 2024). Les amas trop petits sont éliminés. Les pixels retenus sont regroupés en polygones auxquels sont attribués un indice de probabilité de dégâts.
L’outil exécute enfin ce traitement sur les deux polarisations de Sentinel-1 (VV et VH) et le répète sur les deux géométries d’observation du satellite, les orbites ascendante et descendante, avant de combiner leurs détections : selon l’orientation des façades par rapport au capteur, chaque passage révèle des dommages que l’autre ne voit pas.
(a) Carte du z-score de chute de cohérence. (b) Seuillage : un pixel est retenu si z > 5, dépassement sur VV ou VH ; le filtre bâti GHSL appliqué à ce stade n’est pas représenté. (c) Les amas d’aire < 200 m² (2 pixels à 10 m) sont éliminés. (d) Chaque amas devient un polygone, décrit par trois statistiques : niveau moyen du z, hétérogénéité et taille. Elles sont fusionnées en un score unique, qui donne l’indice de probabilité divisé en 3 classes : possible, probable et très probable.
3. Résultats et validation
Les résultats de Sarimpact ont été confrontées à des références indépendantes, établies par photo-interprétation d’images satellites à très haute résolution : l’analyse du service de cartographie rapide Copernicus pour Beyrouth (CEMS 2020) et l’analyse de l’équipe de l’UNOSAT à Irpin (Unosat 2022).
Un bâtiment de référence est compté détecté lorsqu’une zone classée comme endommagée par Sarimpact intersecte ce bâtiment.
a) Cas d’étude 1 – Beyrouth :
Suite à la double explosion du port de Beyrouth le 4 août 2020, la méthode Sarimpact permet de détecter la totalité des 25 bâtiments détruits et 89 % des bâtiments classés « endommagés”, recensés par CEMS (CEMS 2020) (Figure 4). Nous constatons que le fait d’intégrer la double acquisition ascendante et descendante dans la méthode permet d’améliorer la détection. Ainsi, la détection des bâtiments classés « possiblement endommagés » de 77 % à 90 %.
CEMS a annoté chaque bâtiment un par un, soit 12 237 bâtiments (633 endommagés, 11 604 « sans dommage visible »). Avant l’événement, la ville est stable et la cohérence entre deux passages du satellite reste élevée (Figure 5a, Figure 5b). Sur la paire d’images qui encadre l’explosion, la cohérence s’effondre autour du port (Figure 5c). C’est ce changement, et son intensité qui servent de marqueur de détection (Figure 5d).
(a) Amplitude moyenne radar pré-événement. (b) Cohérence moyenne pré-événement (c) Cohérence co-événement, la cohérence s’effondre autour du port (d) z-score de chute de cohérence avec, en rouge, les contours des détections issues de la fusion des orbites ascendante et descendante.
Nous ne ratons donc presque aucun dégât, 100% des bâtiments détruits sont retrouvés, 89% des bâtiments endommagés et 80% des possiblements endommagés. Nous détectons par contre 23% de bâtiments qui sont classés comme “sans dommage visible” par CEMS. Mais dans ces 23% se trouvent potentiellement des bâtiments dont les dommages ne sont pas visibles sur des images optiques.
Afin de vérifier ces bâtiments, nous avons eu recours aux sources ouvertes (OSINT) : nous avons cherché des articles de presse ou des rapports d’organisation documentant l’événement et mentionnant des dommages sur les bâtiments non détectés par imagerie optique. Par exemple, à Beyrouth, le grand Sérail Gouvernemental a été touché par le souffle de l’explosion (CNN 2020). Le bâtiment a été classé comme “sans dommage visible” par CEMS mais bien détecté par Sarimpact.
En termes de représentation cartographique, les secteurs probablement affectés sont symbolisés par un dégradé. Les bords des polygones sont plus transparents que le centre, afin de ne pas donner l’impression que ces zones sont totalement détruites, mais bien qu’elles abritent des bâtiments probablement endommagés (Figure 6).
b) Cas d’étude 2 – Irpin :
Durant la phase de combats qu’a subie Irpin, 1 060 bâtiments ont été endommagés, dont 115 ont été entièrement détruits, selon l’analyse du Centre satellitaire des Nations unies (Unosat 2022).
Unosat à cartographier les bâtiments impactés mais pas ceux ‘sans dommage visible’. Nous avons donc utilisé la base mondiale Overture Maps pour cartographier tous les bâtiments de la zone d’intérêt. Cette base de données est récente alors que les dégâts sur Irpin datent de 2022. Certains bâtiments détruits ne sont donc plus présents sur Overture. Nous avons mis en place une méthodologie de validation :
- Un bâtiment portant un point Unosat à moins de 10 mètres est endommagé (le point est parfois décalé avec le contour d’Overture, ou un point peut servir pour un groupe d’immeuble)
- Un point Unosat sans bâtiment à moins de 10m sur la carte (154 cas, bâtiment détruit puis effacé des cartes ou jamais cartographié) est remplacé par un disque de 15 mètres de rayon
- Tout le reste est supposé non impacté.
Sur Irpin les résultats montrent que l’outil retrouve 81% des bâtiments détruits, 75% des dommages sévères et 63% des dommages modérés. Les deux orbites se complètent bien : 62% en ascendant et 38% en descendant pour un total de 73% au total (Figure 7).
On trouve 20 % des bâtiments supposés indemnes qui recoupent une détection (comparable à Beyrouth et ses 23 % de fausses détections).
4. Discussions
Les résultats montrent que l’outil signale des zones où la référence ne détecte rien : à Beyrouth, près d’un quart des bâtiments sans dommage visible recoupent une détection (23 %), à Irpin 20 % du bâti supposé indemne.
Cette surdétection apparente doit toutefois être lue avec prudence. Les données de référence sont établies à partir de vues optiques verticales, reconnues par photo-interprétation. Le radar mesure autre chose et il est plus sensible à des déplacements fins, de l’ordre de quelques centimètres. Aussi, un bâtiment dont un étage s’est affaissé sur lui-même, ou dont la structure est éventrée sous un toit resté en place, peut ne pas être reconnu en photo-interprétation optique, alors que la chute de cohérence induite par son changement d’état peut être détectée par le radar.
Entre deux passages du satellite, labours, croissance de la végétation ou présence de neige font chuter la cohérence alors qu’aucun dégât n’a eu lieu. L’outil élimine l’essentiel de ces fausses alertes en croisant les détections avec une couche de bâti (donnée GHSL). A Irpin par exemple, plus d’un tiers des pixels dépassant le seuil de détection tombent hors des zones bâties.
Ce filtre urbain n’est pas dénué de biais. Il peut être incomplet (zone urbanisée diffuse, nouvelles constructions et, pour des évènements traités en archives, d’anciens bâtiments détruits qui n’y figurent plus). Ainsi, à Irpin, 3,5 % des bâtiments endommagés recensés ont ainsi été retirés de la couche urbaine GHSL et échappent mécaniquement à la détection.
5. Conclusion et perspectives
Au terme de cette première phase exploratoire, testé sur des zones urbaines de morphologies variées, Sarimpact présente des résultats très encourageants. Le passage à un usage en contexte de crise demande toutefois davantage : la méthode doit rester fiable face à la variété des conditions d’acquisition des images, des milieux observés et des autres facteurs qui affectent la qualité de la donnée.
Sarimpact entre donc dans une deuxième phase, dédiée à la fiabilisation des résultats et à la réduction des surdétections.
Les approches radar et optique à très haute résolution se complètent. Leur croisement, éventuellement renforcé par l’intelligence artificielle, par exemple avec la chaîne de détection de changements open source du CNES Picanteo (Bellet et al. 2026), est une piste naturelle pour la suite du développement.
Article de Cléa Péculier (ingénieure en télédétection), Maxime Azzoni (ingénieur en télédétection, spécialiste SAR) et Hugo Regad (chef de projet SECURE-SAT).
Lexique
AOI : Area of interest
CEMS : Copernicus Emergency Management Service
GHSL : Global Human Settlement Layer.
SAR : Synthetic-aperture radar.
UNOSAT : Centre satellitaire des Nations Unies
**
z-score : écart à la normale, compté en nombre d’écarts-types. Ici, il mesure de combien la cohérence a chuté par rapport à sa variabilité habituelle avant l’événement.
cohérence : ressemblance entre la phase de deux images radar d’une même zone, entre 0 et 1. Élevée si la scène est restée stable entre les deux passages, faible si elle a changé.
phase : position de l’onde radar dans son cycle au moment de la réception. Sensible à des changements de l’ordre du centimètre. La cohérence mesure sa stabilité.
orbite : trajectoire du satellite autour de la Terre. Une même zone est vue lors d’un passage ascendant (vers le nord) et d’un passage descendant (vers le sud), sous deux angles de vue différents.
polarisation : orientation de l’onde radar émise et reçue (verticale ou horizontale). Sentinel-1 fournit deux combinaisons (VV et VH), qui ne réagissent pas de la même façon aux changements de la scène.
Sources et références
Applisat 2019. Collectif, L’imagerie satellitaire radar : comment ça marche et exemples d’application, Applisat, 2019, https://www.applisat.fr/technologies-spatiales/imagerie-satellitaire-radar-et-exemples-applications
Bellingcat 2023. Ollie Ballinger, A New Tool Allows Researchers to Track Damage in Gaza, Bellingcat, 2023/11/23, https://www.bellingcat.com/resources/2023/11/15/a-new-tool-allows-researchers-to-track-damage-in-gaza/
CEMS 2020. CEMS, Explosion in Beirut, Lebanon, 05/08/2020, https://mapping.emergency.copernicus.eu/activations/EMSR452/
CNN 2020. CNN, Here’s what the damage looks like inside Lebanese prime minister’s headquarters, 04/08/2020, https://edition.cnn.com/middleeast/live-news/lebanon-beirut-explosion-live-updates-dle-intl#h_f74c8dd044670466207c66abc8165f86
Copernicus 2026. Copernicus Data Space Ecosystem, Copernicus Browser, 2026, https://browser.dataspace.copernicus.eu/
E. Colin 2025. Elise Colin, – Le radar en observation terrestre : nouvelles perspectives, Séminaire IPGP, 2025/12/05, https://paris-remote-sensing-master.fr/wp-content/uploads/2026/01/seminaire_Colin.pdf
Pesaresi et al. 2024. Pesaresi, M., Schiavina, M., Politis, P., Freire, S., Krasnodębska, K., Uhl, J. H., Kemper, T. (2024). Advances on the Global Human Settlement Layer by joint assessment of Earth Observation and population survey data. International Journal of Digital Earth, 17(1), 18/03/2024, https://doi.org/10.1080/17538947.2024.2390454
V. Bellet et al. 2026. Valentine Bellet, Dimitri Lallement, David Youssefi, Dawa Derksen et Erwin Bergsma, La 3D par satellite, comment ça marche ? , CNES Campus de la données, 2026/01/16, https://cnes.fr/actualites/3d-satellite-ca-marche
IRIS 2026. Sandra Mezzadri, Building a European geospatial intelligence capability: mapping initiatives, identifying gaps, and outlining strategic options, IRIS (Ares Group), 2026/01, https://www.iris-france.org/wp-content/uploads/2026/01/ARES_2026_01_122_European_Spatial_Intelligence_PolicyPaper.pdf
SERTIT 2025. Maxime Azzoni, Camille Caffarel, Séisme au Myanmar (2025) vu par le satellite Sentinel-1, SERTIT, 09/04/2025, https://sertit.unistra.fr/seisme-au-myanmar-2025-vu-par-le-satellite-sentinel-1/
Unosat 2022. Irpin Building Damage Assessment Overview Map, Unosat, 2022/09/15, https://unosat.org/products/3360