Estimations mondiales à haute résolution de l’indice de développement humain de l’ONU utilisant l’imagerie satellitaire et l’apprentissage automatique

Pourquoi il est important de cartographier le progrès humain avec plus de précision

L’indice de développement humain (IDH) est l’un des étalons les plus cités du progrès mondial, combinant santé, éducation et revenu en un seul chiffre par pays. Pourtant, la plupart des décisions qui façonnent la vie quotidienne — où construire une clinique, comment cibler l’aide en cas de catastrophe, quelles villes ont besoin de nouvelles écoles — se prennent à des échelles bien plus réduites que celle des nations. Cette étude montre comment l’imagerie satellitaire et l’apprentissage automatique moderne peuvent transformer une métrique grossière au niveau national en une carte mondiale détaillée du développement humain au niveau des municipalités et des cellules de grille de 10 kilomètres, révélant des motifs que les moyennes nationales masquent.

Des moyennes nationales à une vision au niveau des rues

Jusqu’à présent, les données officielles d’IDH n’ont été publiées que pour 191 pays, quelques travaux de recherche descendant jusqu’au niveau des grandes provinces ou États. C’est bien trop grossier pour de nombreuses utilisations concrètes, comme repérer les quartiers les plus pauvres d’une région ou comparer des villes voisines qui partagent un gouvernement provincial mais ont des opportunités très différentes. Collecter localement des informations de type IDH via des enquêtes ménages est lent et coûteux, ce qui pousse de nombreux décideurs à se rabattre sur des indicateurs plus faciles à mesurer, comme le seul revenu. Les auteurs comblent cette lacune en utilisant des images satellitaires gratuites de la surface terrestre — tant des images diurnes montrant bâtiments, routes et terres agricoles que des images nocturnes des lumières électriques — pour inférer des schémas locaux de développement humain à travers le monde.

Apprendre aux algorithmes à lire les paysages

Plutôt que d’essayer d’estimer directement l’IDH pour chaque minuscule carré de terrain — ce qui est impossible car il n’existe pas de mesures d’IDH à une telle échelle — l’équipe a développé une solution astucieuse. Ils ont d’abord transformé des photos satellitaires haute résolution en milliers de « descripteurs » numériques qui résument les motifs de couleur et de texture, par exemple à quel point une zone semble urbanisée, agricole ou boisée, et à quel point elle est lumineuse la nuit. Ils ont ensuite agrégé ces descripteurs pour qu’ils correspondent aux contours des provinces pour lesquelles des estimations infranationales d’IDH sont disponibles. Un modèle linéaire simple a appris comment des combinaisons de ces descripteurs se relient à l’IDH provincial. Parce que ces descripteurs peuvent aussi être moyennés sur n’importe quelles autres formes, cette même relation peut ensuite être appliquée à des zones beaucoup plus petites — municipalités et cellules de grille régulières — sans modifier le modèle sous-jacent.

Vérifier la précision par rapport aux données réelles

Pour tester si cet IDH dégradé est digne de confiance, les auteurs ont comparé leurs estimations basées sur satellite avec l’IDH dérivé de recensements pour des municipalités d’Indonésie, du Brésil et du Mexique — trois pays où des données détaillées existent déjà. Selon le pays, leur approche a capté environ un cinquième à plus de la moitié de la variation d’IDH entre municipalités au sein d’une même province. Ils ont réalisé des tests supplémentaires en utilisant d’autres mesures liées au développement, comme un indice international de richesse et les lumières nocturnes elles-mêmes, et ont montré qu’un modèle entraîné uniquement sur des moyennes provinciales grossières peut encore prédire ces variables à des échelles bien plus fines avec une précision raisonnable. Cela suggère que la méthode est globalement fiable pour traduire des statistiques de niveau supérieur en estimations locales.

Ce que révèlent des cartes ultra-détaillées

En utilisant cette méthode, les chercheurs ont créé des cartes mondiales d’IDH pour plus de 61 000 municipalités et plus de 800 000 cellules de grille de 10 kilomètres pour l’année 2019, et les ont rendues publiques. Ces cartes mettent au jour des différences marquées au sein de provinces qui semblent uniformes dans les statistiques officielles : centres-villes à fort IDH entourés de banlieues plus pauvres, poches de développement le long des routes principales, et vallées fluviales qui s’en tirent mieux que les déserts ou montagnes voisines. Lorsque l’équipe a comparé les classements provinciaux d’IDH avec leurs estimations plus fines, elle a constaté que plus de la moitié de la population mondiale avait été placée dans le mauvais quintile national d’IDH parce que des moyennes grossières amalgamaient communautés plus aisées et plus pauvres. Dans certains cas, des régions considérées parmi les moins développées au niveau provincial se retrouvent en fait dans les deux premiers quintiles à l’échelle municipale ou de la grille, et inversement.

Implications pour des politiques plus justes et plus intelligentes

Pour un lecteur non spécialiste, la conclusion est que l’endroit où vous vivez au sein d’un pays peut avoir autant d’importance que le pays lui‑même. En révélant des motifs détaillés de développement humain, ces cartes basées sur satellite peuvent aider les gouvernements et les organisations d’aide à diriger les ressources avec davantage de précision — en soutenant les villes et les quartiers spécifiques qui ont le plus besoin d’aide, plutôt que des régions vastes qui mélangent zones riches et pauvres. Les auteurs soulignent que ces estimations ne remplacent pas les enquêtes de terrain et que la performance n’a été validée directement que dans quelques pays. Néanmoins, dans les endroits où les données font défaut, cette approche peut constituer un complément puissant et peu coûteux, transformant notre vue croissante de la Terre depuis l’espace en un outil pratique pour améliorer le bien‑être humain.

Citation: Sherman, L., Proctor, J., Druckenmiller, H. et al. Global high-resolution estimates of the UN Human Development Index using satellite imagery and machine learning. Nat Commun 17, 1315 (2026). https://doi.org/10.1038/s41467-026-68805-6

Mots-clés: indice de développement humain, imagerie satellitaire, apprentissage automatique, cartographie de la pauvreté, inégalités spatiales