L’intelligence artificielle pour la construction de villes inclusives

Les villes sont des constructions humaines contradictoires : si elles offrent des opportunités, elles abritent aussi de profondes misères. Ces inégalités sont localisées dans des zones physiques spécifiques, communément appelées (établissements humains informels). Avec près d’un quart de la population urbaine mondiale qui y vit, agir pour que des millions de personnes cessent de vivre dans des conditions de grande vulnérabilité est une question d’intérêt social global. Justice. Ainsi, pour anticiper les crises et concevoir des réponses centrées sur les citoyens, il est essentiel de générer des données fiables avec une couverture mondiale.

Lors de l’identification de la pauvreté dans les villes, des indicateurs socio-économiques tels que le revenu, l’alphabétisation ou les conditions de logement sont souvent utilisés, mais les caractéristiques physiques du lieu sont négligées. Les différences au sein de la ville doivent être prises en compte car elles entraînent une plus grande vulnérabilité et un risque d’exclusion, exposant les habitants à d’autres facettes de la pauvreté qui n’englobent pas seulement la dimension monétaire. Par exemple, une zone sujette aux inondations ou aux incendies rend ses habitants plus exposés aux risques sanitaires et cela se traduit également par une plus grande fragilité économique.

Actuellement, plus de soixante pour cent de la population africaine vit dans des bidonvilles et on estime que ce chiffre triplera en moins de trente ans

L’identification des modèles spatiaux qui caractérisent la pauvreté urbaine est essentielle pour guider le développement de stratégies visant à lutter pour des villes plus inclusives. Premièrement, elle peut aider les politiques locales à détecter les zones les plus critiques et à orienter les programmes de régénération urbaine. Et deuxièmement, aux données mondiales, pour générer des données ouvertes de qualité et à jour qui mesurent, grâce à des indicateurs, la Objectifs de développement durable (ODD) des Nations Unies. Les données aideraient à lancer des plans d’action intégrés pour un progrès mondial équitable et mettre fin à la pauvreté (ODD 1 et ODD 11).

Cependant, des données détaillées et désagrégées à l’échelle intra-urbaine font encore défaut. Cela empêche de mesurer et de caractériser les différences physiques qui aident à comprendre les différences spatiales et temporelles des conditions de vie dans les villes. Les recensements et les enquêtes fournissent souvent des données urbaines sur les ménages, telles que les caractéristiques des logements et le statut socio-économique des habitants, mais leur faible périodicité et leurs lacunes dans la couverture restent incohérentes en ce qui concerne les Stoles, ce qui en fait des outils inefficaces pour lutter contre la pauvreté à ses racines.

La science de l’observation de la Terre fournit des ressources de données géolocalisées, également appelées géodonnées, telles que la télédétection (par exemple, l’imagerie satellitaire), avec une couverture complète pour caractériser la pauvreté et combler les lacunes en matière de données à la fois localement et à l’échelle mondiale. L’intelligence artificielle, grâce à des techniques d’apprentissage automatique, permet d’analyser systématiquement les images satellites et de créer des processus efficaces et transférables pour capturer les caractéristiques de l’environnement physique.

Le nombre d’études sur la pauvreté basées sur la télédétection a augmenté au cours de la dernière décennie, soulignant la capacité de localiser les quartiers pauvres avec une rentabilité, une couverture, des détails et une fréquence plus élevés que les méthodes traditionnelles telles que les recensements ou les enquêtes. La plupart des études portent sur la cartographie de l’extension et de sa localisation, dessinant les limites de celles-ci et les opposant au reste de la ville. Cependant, la pauvreté urbaine n’est pas un simple phénomène binaire, c’est-à-dire versus non ; Des niveaux de pauvreté existent entre le et les autres zones planifiées de la ville, ainsi qu’à l’intérieur de chacune d’entre elles. Par exemple, il existe des différences dans le type de construction, dans la proximité des zones à risque telles que les décharges ou les rivières inondables, dans l’accessibilité aux services urbains tels que les écoles ou les hôpitaux.

La pauvreté urbaine n’est pas un simple phénomène binaire ; des niveaux de pauvreté existent entre les bidonvilles et les autres zones planifiées de la ville, ainsi qu’au sein de chacune de ces zones.

Grâce à des images satellites haute résolution et à des techniques d’apprentissage automatique, il est devenu clair qu’il existe de grandes différences intra-physiques dans les quartiers où les taux de pauvreté sont plus élevés. Par exemple, un modèle d’intelligence artificielle a réussi à extraire d’images satellites de différentes villes africaines le contour de divers éléments urbains tels que des bâtiments, des arbres, la surface du sol, des rivières, des poubelles et des voitures. Des mesures morphologiques ont également été appliquées et une grande diversité dans sa constitution physique a été détectée, caractérisée par la taille des bâtiments, le type de largeur des rues, l’irrégularité interne distinctive de chaque structure et les schémas d’orientation qui composent son ensemble. . . Si ce travail était effectué par différentes personnes, cela prendrait des centaines d’heures et de nombreuses erreurs, alors que l’algorithme le fait très précisément en quelques secondes.

En Afrique sub-saharienne, cette voie de recherche qui combine intelligence artificielle et images satellitaires va être très prometteuse, car la population et les niveaux d’urbanisation augmentent dans ces territoires – et on s’attend à ce qu’ils continuent à le faire – à niveaux incontrôlables. Actuellement, plus de 70% de la population africaine y vit et on estime qu’elle triplera en moins de 30 ans, atteignant le continent pour abriter plus de deux milliards de citoyens en situation de vulnérabilité. Il est temps de chercher des méthodes créatives et efficaces pour renverser la situation.

.