Avec l'urbanisation rapide entraînant la prolifération des zones urbaines défavorisées (souvent appelées "bidonvilles") en Afrique
subsaharienne, le nombre de citadins vivant dans des conditions de logement inadéquates et exposés à de multiples dangers ne cesse d'augmenter. Cependant, il
existe d'énormes lacunes dans les données géospatiales sur ces zones pour informer les parties prenantes et les décideurs aux différents niveaux, du
local à l'international. Le projet de recherche SLUMAP a pour but de développer un cadre ouvert avec des méthodes et des outils appropriés pour
cartographier et caractériser les zones défavorisées en Afrique subsaharienne (ASS), en tenant compte des coûts, des avantages et des besoins d'information des
utilisateurs. Nos méthodes sont testées sur trois villes, à savoir Nairobi (Kenya), Kisumu (Kenya) et Ouagadougou (Burkina Faso).
À l'échelle de la
ville, nous évaluons et comparons les mérites de différents jeux de données d'images gratuites ou à faible coût (Sentinel-1/2, SPOT...) pour
cartographier la localisation et l'étendue des zones défavorisées. Nous développons des méthodes automatisées de pointe basées sur des logiciels libres et
gratuits (FOSS), afin de favoriser l'évolutivité et la transférabilité des approches. Nous exploitons et combinons un large éventail de caractéristiques
spectrales, spatiales et morphologiques et identifions parmi elles les meilleurs prédicteurs, afin de limiter les coûts de données et de traitement dans
les applications, tout en maintenant un haut niveau de précision. Pour éviter de stigmatiser les quartiers et d'exposer les populations vulnérables aux
évictions, nous présentons les résultats sous forme de cartes quadrillées de probabilité de privation morphologique. En outre, en nous concentrant
sur chaque zone défavorisée, nous utilisons l'imagerie WorldView-3 super-spectrale à très haute résolution (avec plusieurs combinaisons de bandes XS et
SWIR) selon une approche GEOBIA/apprentissage machine adapté pour produire des classifications LULC qui incluent des classes ad hoc (telles que les
"tas d'ordures"), puis nous dérivons des métriques conçues pour caractériser les zones défavorisées. Ici aussi, nous évaluons et tirons des
conclusions sur les compromis à faire pour répondre aux besoins des utilisateurs tout en réduisant les coûts des données et des traitements.
Site web: https://slumap.ulb.be/