L’Éthiopie est confrontée à des risques de pauvreté croissants à mesure que les chocs climatiques s’intensifient, mais les enquêtes traditionnelles rendent compte de ces luttes des années trop tard. Une nouvelle approche utilisant l’apprentissage automatique et les données climatiques offre un moyen plus rapide et plus rentable de cartographier la pauvreté et d’orienter les interventions en temps opportun.
Utiliser les données climatiques pour lutter contre la pauvreté en Éthiopie
Les enquêtes sur la pauvreté en Éthiopie sont coûteuses et rares, laissant les décideurs politiques avec des informations obsolètes. Une nouvelle méthode d’apprentissage automatique utilise la température et l’imagerie satellite pour prédire la pauvreté à une fraction du coût et dans des délais beaucoup plus rapides. Cette innovation promet de mieux cibler les ressources et d’améliorer la résilience climatique.
L'économie éthiopienne repose essentiellement sur l'agriculture, avec plus de 70 % des moyens de subsistance liés à une agriculture sensible au climat. Pourtant, les mesures de la pauvreté s’appuient sur des enquêtes auprès des ménages menées tous les cinq à dix ans, qui ne parviennent généralement pas à rendre compte des crises soudaines comme les sécheresses. Ces longs intervalles et ces coûts élevés signifient que l’aide ne parvient souvent pas à répondre aux besoins émergents.
Apprentissage automatique et données climatiques
Le processus implique un modèle d'apprentissage par transfert en deux étapes : il entraîne d'abord un réseau neuronal pour prédire la température de surface à partir d'images satellite, puis extrait les caractéristiques de l'image utiles pour prédire la consommation des ménages en tant qu'indicateur de pauvreté. Le modèle atteint une précision de 80 % dans la prévision de la température et propose des estimations de la pauvreté comparables à celles des enquêtes traditionnelles.
En utilisant des données satellitaires et climatiques largement disponibles, cette approche permet une estimation évolutive et en temps réel de la pauvreté. Il peut détecter les premiers signes de détresse, comme de mauvaises récoltes ou une dégradation de l’environnement, permettant ainsi une distribution préventive de l’aide avant que les crises ne s’aggravent.
Pour être efficace, le modèle doit être intégré aux systèmes d'alerte précoce, aux plans de développement et aux stratégies de protection sociale de l'Éthiopie. L’intégration de ces cartes de pauvreté basées sur des données pourrait renforcer la planification des infrastructures, le ciblage de la santé et de l’éducation et les investissements dans l’adaptation au climat. La collaboration avec des agences comme la Banque mondiale ou le Programme des Nations Unies pour le développement (PNUD) pourrait soutenir l'institutionnalisation.
Défis et considérations d’équité
Malgré des signes prometteurs, les modèles de machines dépendent de données de haute qualité, de données satellitaires et d'enquêtes dont la couverture peut être inégale, en particulier dans les régions rurales ou touchées par un conflit. Il existe également le risque d’exclure des groupes marginalisés tels que les éleveurs ou les populations déplacées à l’intérieur du pays. Des méthodes transparentes et des boucles de rétroaction participatives sont essentielles pour garantir une représentation équitable.
Cette modélisation s'aligne sur l'objectif de développement durable 1 (pas de pauvreté) et l'objectif 13 (action pour le climat) des Nations Unies. En allant « au-delà des enquêtes », l’Éthiopie peut être pionnière en matière d’interventions évolutives et tenant compte du climat, un modèle qui pourrait inspirer d’autres pays d’Afrique subsaharienne et au-delà.
Regarder vers l'avenir
L’utilisation de données satellitaires et climatiques avec l’apprentissage automatique marque une avancée décisive dans la lutte contre la pauvreté en Éthiopie. Cette méthode permet des réponses rapides et rentables, adaptées aux vulnérabilités environnementales. Grâce à des partenariats continus et à une surveillance éthique, l’Éthiopie pourrait prendre la tête d’une transition vers une réduction de la pauvreté intelligente face au climat et fondée sur des données.
*
