Cet article présente un nouveau cadre d'apprentissage profond multimodal pour la détection des dommages aux bâtiments, utilisant des images radar à synthèse d'ouverture (SAR) haute résolution ponctuelles et des données géospatiales auxiliaires, en prenant comme exemple le tremblement de terre de 2023 en Turquie. Contrairement aux approches existantes qui s'appuient sur des images pré- et post-imagerie, le cadre est conçu pour être rapidement déployé en utilisant uniquement des images post-imagerie. Il intègre les images satellite COSMO SkyMed (CSK) de l'Agence spatiale italienne (ASI), les contours des bâtiments d'OpenStreetMap (OSM), les données du Modèle numérique de surface (MNS) et les propriétés structurelles et d'exposition du Modèle mondial de tremblement de terre (GEM) afin d'améliorer la précision et l'interprétation contextuelle. L'efficacité du cadre est démontrée à l'aide d'un nouvel ensemble de données couvrant divers environnements urbains, montrant que l'intégration de caractéristiques géospatiales améliore considérablement les performances de détection et de généralisation. Le processus automatisé et évolutif de génération de données améliore l'applicabilité à diverses zones sinistrées.
