Rasterisation GPU du DTM (bin_mean_2d) + GPU fallback renforcé et workers mono-thread

Rastérisation des points sol via gpu.bin_mean_2d (bincount 2D CuPy, sémantique
identique au repli scipy binned_statistic_2d) : ~x7 plus rapide sur cette
étape, logs de durée par phase dans create_dtm_fast. safe_gpu_call retente en
CPU sur toute erreur GPU (pas seulement les messages CUDA) : un transfert
échoué en cours de run mélangeait types numpy/cupy et faisait échouer la
visualisation entière. Workers en mono-thread BLAS/OpenMP sur la machine de
traitement (plus de saturation des cœurs pendant les runs).

docker-compose.worker.yml

@@ -34,6 +34,12 @@ services:
       # Les générations lancées depuis une webapp distante utilisent le GPU
       - LIDAR_GPU=1
       - LIDAR_WORKERS=auto
+      # Une ligne par worker : BLAS/OpenMP mono-thread, sinon 12 workers × N
+      # threads écrasent les 14 cœurs (load 68+ observé pendant les runs)
+      - OMP_NUM_THREADS=1
+      - OPENBLAS_NUM_THREADS=1
+      - MKL_NUM_THREADS=1
+      - NUMEXPR_NUM_THREADS=1
       # Protéger l'API si le réseau n'est pas de confiance : même valeur que
       # LIDAR_REMOTE_TOKEN sur chaque webapp distante (sinon, laisser commenté)
       # - LIDAR_API_TOKEN=change-moi