Prédire les Niveaux de Pauvreté à partir d'Imagerie Satellite au Nigeria en Utilisant des Réseaux de Neurones Profonds
Vue d'ensemble du projet :
La pauvreté reste un défi majeur dans de nombreux pays en développement, et l'accès à des informations détaillées et à jour est crucial pour guider les politiques publiques et les interventions humanitaires. Le Nigeria, en tant que plus grande économie d'Afrique, fait face à des disparités significatives dans les niveaux de vie, particulièrement dans les zones rurales.
Ce projet exploite l'apprentissage profond et l'imagerie satellite pour développer un système automatisé de prédiction et de cartographie des niveaux de pauvreté à travers différentes régions du Nigeria, offrant une alternative rentable aux enquêtes ménages traditionnelles.
Objectifs
- Prédire les niveaux de pauvreté à partir d'imagerie satellite en utilisant des réseaux de neurones profonds (DNN) et des réseaux de neurones convolutifs (CNN)
- Identifier les zones les plus touchées par la pauvreté à travers le Nigeria
- Fournir des informations détaillées pour la prise de décision stratégique
- Réduire les coûts associés aux enquêtes traditionnelles tout en augmentant la précision de l'analyse
- Créer un outil évolutif qui peut être appliqué à d'autres pays ou régions
Pourquoi Cela Compte
Problématique : Les méthodes traditionnelles d'évaluation de la pauvreté reposent sur des enquêtes ménages coûteuses menées tous les quelques années, une couverture géographique limitée, des processus de collecte de données chronophages et des informations obsolètes au moment où l'analyse est terminée.
Notre Solution : En combinant l'imagerie satellite avec l'apprentissage automatique, nous atteignons un suivi en quasi temps réel des indicateurs de pauvreté, une couverture géographique complète incluant les zones reculées, une analyse rentable, une évolutivité vers d'autres régions et des mesures objectives et cohérentes.
Jeu de Données
Imagerie Satellite :
- Source : Kaggle - Images Satellite pour Prédire la Pauvreté en Afrique
- Jeu de données : Archive du Nigeria (
nigeria_archive) - Couverture : Plusieurs régions à travers le Nigeria
- Format : Images satellite géoréférencées avec coordonnées GPS
- Caractéristiques capturées : Infrastructure, environnement naturel, développement urbain, végétation, routes, bâtiments, lumières nocturnes
Données sur la Pauvreté : Les images sont géoréférencées et liées aux statistiques de pauvreté du Bureau National des Statistiques du Nigeria, créant un jeu de données annoté qui combine la représentation visuelle de l'environnement avec les étiquettes correspondantes de niveau de pauvreté.
Architecture
Le pipeline du modèle suit cette structure :
Entrée : Image Satellite (RGB)
↓
Couches Convolutives (Extraction de Caractéristiques)
↓
Couches de Pooling (Réduction de Dimensionnalité)
↓
Couches Entièrement Connectées (Classification)
↓
Sortie : Prédiction du Niveau de Pauvreté
Pile Technique
- Framework d'Apprentissage Profond : TensorFlow / Keras
- Architecture CNN : Architecture CNN personnalisée avec apprentissage par transfert utilisant des modèles pré-entraînés (VGG16, ResNet50, InceptionV3)
- Bibliothèques : NumPy, Pandas, Matplotlib/Seaborn, scikit-learn, OpenCV, rasterio/gdal, GeoPandas
Méthodologie
- Collecte et Annotation des Données : Collecter l'imagerie satellite avec coordonnées GPS, croiser avec les données de pauvreté, assigner des étiquettes, créer des divisions train/validation/test
- Prétraitement des Images : Normalisation, redimensionnement, augmentation de données (rotation, retournement, ajustement de luminosité)
- Développement du Modèle : Concevoir l'architecture CNN, implémenter l'apprentissage par transfert, affiner les hyperparamètres, appliquer la régularisation
- Entraînement : Utiliser la perte Categorical Crossentropy, l'optimiseur Adam, la planification du taux d'apprentissage, l'arrêt anticipé
- Évaluation : Précision, Précision, Rappel, Score F1, Matrice de Confusion, Courbes ROC-AUC
- Déploiement et Cartographie : Générer des cartes de pauvreté, identifier les régions à forte pauvreté, créer des visualisations interactives
Caractéristiques Clés
- Évaluation Automatisée de la Pauvreté : Pas besoin d'enquêtes de terrain coûteuses, capacité de surveillance en temps réel
- Couverture Géographique : Couverture complète du Nigeria incluant les zones reculées
- Rentabilité : Significativement moins cher que les enquêtes traditionnelles, peut être mis à jour fréquemment
- Impact Politique : Allocation ciblée des ressources, prise de décision fondée sur des preuves, suivi des programmes de réduction de la pauvreté
Livrables
- ✅ Modèle CNN entraîné pour la prédiction de la pauvreté
- ✅ Cartes de pauvreté complètes du Nigeria
- ✅ Rapport d'analyse avec informations régionales
- ✅ Pipeline réutilisable pour les mises à jour futures
