Estimation de l'évolution de la pauvreté par apprentissage profond & imagerie satellitaire

Estimating poverty trends through deep learning and satellite imagery

• Auteur / Autrice : Robin Jarry
• Direction : Marc Chaumont, Laure Berti-Équille
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 20/09/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....)
• Jury : Président / Présidente : David Mouillot
• Jury : Examinateurs / Examinatrices : Gérard Subsol, Cécile Mallet, Sylvain Lobry
• Jury : Rapporteurs / Rapporteuses : Thomas Corpetti, Pierre Gançarski
• DOI : 10.70675/be0235b0z6584z47aazaa05zaa92210196ec

Mots clés

Mots clés contrôlés

Séries chronologiques

Pauvreté

Télédétection

Apprentissage profond

Mots clés libres

Apprentissage profond

Télédetection

Estimation de pauvreté

Série temporelles

Deep learning

Remote sensing

Poverty prediction

Time series

Résumé

La méthode traditionnelle pour évaluer la pauvreté des ménages consiste à mener une enquête de terrain.Cette méthode est onéreuse et demande un effort logistique et humain considérable.Une alternative plus facile à déployer consiste à utiliser l'imagerie satellitaire et les réseaux de neurones pour apprendre ces derniers à extraire l'information des images satellites afin de la corréler automatiquement à la pauvreté mesurée dans les enquêtes de terrain.Dans un second temps, le modèle appris est utilisé pour estimer la pauvreté là où aucune enquête n'a été menée.Néanmoins, des travaux récents observent des difficultés pour estimer l'évolution de la pauvreté, c'est-à-dire, estimer si la pauvreté augmente ou diminue sur une période de temps donnée.Une idée pour permettre d'estimer l'évolution de la pauvreté serait de considérer des séries temporelles d'images satellites, et des modèles d'apprentissage spatio-temporels.Dans ce cadre, nous avons utilisé un modèle d'apprentissage séquence à séquence, le Transformer, que nous avons adapté pour prédire des séries temporelles d'intensités lumineuses nocturne avec des séries temporelles d'images satellites.Ce modèle a été comparé à plusieurs modèles uniquement spatiaux (i.e. traitant des images satellites individuelles), sur la tâche de prédiction de l'évolution de l'intensité lumineuse nocturne, qui est un proxy classique de plusieurs indicateurs socio-économique.Ces expériences ont été menées à la fois sur des zones géographiques ciblées, mais également sur un plus grand jeu de données que nous avons construit, comprenant près de 10 000 séries temporelles d'images satellites de 20 années avec une image par an.Les évaluations ont permis d'identifier que les méthodes spatio-temporelles permettent d'estimer les évolutions de l'ILNs avec un score R2 allant jusqu'à 0.5 pour les évolutions longues, contre un R2 nul pour les modèles spatiaux.Ces expériences ont également été menées sur un jeu de donnée benchmark pour l'évolution de la pauvreté, sur lequel des résultats comparables sont obtenus.

The traditional method for assessing household poverty involves conducting socioeconomic censuses.This method is expensive and requires considerable logistical and human effort.An easier alternative is to use satellite imagery and neural networks to train the latter to extract information from satellite images and automatically correlate it with poverty as measured in socioeconomic censuses.Subsequently, the learned model is used to predict poverty in areas where no survey has been conducted.However, recent studies have observed difficulties in estimating poverty evolution, that is, predicting a quantitative value indicating whether poverty is increasing or decreasing over a given period.One idea to enable the estimation of poverty evolution is to consider satellite image time series and sequence to sequence models.In this context, we used a deep learning sequence to sequence model, namely, the Transformer, for satellite image time series.This model was compared to several purely spatial models (i.e., processing individual satellite images) on the task of estimating changes in nighttime light intensity, which is a classic proxy for several socioeconomic indicators.These experiments were conducted both on targeted geographical areas and on a larger dataset that we constructed, comprising nearly 10,000 satellite image time series over 20 years with one image per year.Evaluations identified that spatio-temporal methods allow for the prediction of nighttime light intensity evolution with an R2 score of up to 0.5 for long-term evolutions, compared to a null R2 for spatial models. These experiments were also conducted on a benchmark dataset for poverty trends, on which comparable results were obtained.