Objectifs
- Fournir un meilleur état des lieux pour le programme de lutte contre la polio au Nigeria
- Améliorer la réponse humanitaire et la planification des interventions de vaccination à Borno
- Économiser des ressources et du temps en évitant les activités dans les zones inhabitées
- Via l’automatisation, réduire considérablement le nombre d’heures-homme nécessaires pour déterminer le statut d’habitation d’une zone donnée
Description
En utilisant des observations humaines d’images satellitaires, un modèle d’apprentissage profond peut être formé pour détecter le statut des zones d’habitat, avec un niveau de confiance élevé. Le Settlement Status Analysis (SSA) développé pour la région du lac Tchad est une combinaison de Réseaux de Neurones Convolutifs (CNN en anglais). Les modèles CNN sont idéaux pour évaluer les images en raison de leur capacité à apprendre ce qui est important pour évaluer une image et à l’appliquer à différents cas.
Le classificateur CNN a été entraîné sur environ 9 000 images de zones habitées ‘associées à des observations humaines, atteignant un taux de précision de plus de 95% pour prédire si une localité est habitée ou inhabitée. Le modèle est excellent pour évaluer quelles zones sont habitées et fournir une courte liste de ceux (environ 5%) qui nécessitent une évaluation humaine.
Ce modèle a été utilisé avec succès pour évaluer périodiquement le degré d’habitation dans la région du lac Tchad depuis 2018.
95%
précision
3
pays
4
années d'opération
Déploiement géographique
Nigeria, Tchad, Cameroun
Contexte
Il est essentiel de savoir si des personnes vivent dans un endroit avant d’y planifier des interventions de santé publique – afin d’ajuster le temps et fournitures nécessaires pour le personnel de terrain. Les zones habitées peuvent être abandonnées ou détruites au fil du temps, lorsque les ressources ou la sécurité sont compromises. Dans certains pays, les zones d’habitat changent assez fréquemment pour justifier une évaluation régulière de leur statut afin de soutenir les activités de santé publique.
Depuis 2016, le statut des zones d’habitat dans la région en conflit de l’État de Borno, au Nigeria, est régulièrement examiné pour soutenir les activités de vaccination contre la polio. Les images d’environ 18 000 localités ont été examinées manuellement entre 2016 et 2017 et classées comme habitées, abandonnées ou détruites.
L’analyse manuelle continue et les mises à jour des données nécessiteraient des centaines d’heures-homme chaque année. Cependant, la richesse des données qui en a résulté a fourni une opportunité de former un modèle d’apprentissage automatique et d’automatiser la tâche de classification.
