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/