Apprentissage faiblement supervisé sur imagerie satellite sub-métrique révèle l'expansion des bidonvilles pendant la pandémie de COVID-19

Pourquoi les ombres des villes comptent

À travers le monde, des centaines de millions de personnes vivent dans des quartiers surpeuplés aux logements fragiles et à l'accès limité à l'eau, à l'assainissement et aux services. Ces communautés sont souvent invisibles dans les statistiques officielles, ce qui complique la planification des aides par les gouvernements et les ONG et le suivi des progrès vers les objectifs mondiaux. Cette étude montre comment des images satellites modernes et l'intelligence artificielle peuvent révéler comment ces quartiers se développent et évoluent dans le temps, y compris lors de chocs tels que la pandémie de COVID-19 et en réponse à des projets de rénovation urbaine.

Voir les quartiers cachés depuis l'espace

Les auteurs se concentrent sur les bidonvilles, ou les quartiers urbains défavorisés, où les résidents font face à une insécurité du logement et à des services de base limités. Les méthodes traditionnelles de recensement des habitants de bidonvilles reposent sur des enquêtes ménagères, coûteuses, lentes et rarement assez détaillées pour montrer ce qui se passe à l'intérieur d'une ville. Les nouveaux satellites à haute résolution peuvent toutefois capter des détails fins comme la forme des toitures, la densité du bâti et le labyrinthe serré des rues, souvent signes d'habitat informel. Le défi est de transformer ce flux d'images en cartes fiables à grande échelle sans passer des années à annoter manuellement chaque pixel.

Apprendre aux ordinateurs avec très peu d'exemples

Pour résoudre ce problème, les chercheurs ont développé un système de vision par ordinateur nommé SegSlum qui apprend à reconnaître les quartiers informels à partir de photos satellitaires où chaque pixel représente environ 60 centimètres au sol. Plutôt que d'exiger un étiquetage humain exhaustif, ils ont adopté une approche « faiblement supervisée » : des experts ont annoté soigneusement un ensemble relativement restreint d'images — environ 3 % de leur jeu de données — puis le modèle s'est auto-entraîné sur des millions d'images non étiquetées. Cela s'est fait en deux grandes étapes. D'abord, un modèle initial a appris à partir des exemples étiquetés tout en étant contraint d'ignorer les variations superficielles d'éclairage ou de couleur entre les images. Ensuite, ce modèle a généré des étiquettes provisoires pour les images non annotées ; un second modèle s'est réentraîné uniquement sur les plus fiables de ces étiquettes, filtrant les conjectures instables. Cela a permis au système de s'adapter à différentes villes, saisons et capteurs satellites tout en maîtrisant les erreurs.

Suivre les changements à travers villes et années

Avec SegSlum, l'équipe a analysé près de 2,8 millions de tuiles d'images satellite provenant de 12 grandes villes d'Afrique, d'Asie et d'Amérique latine entre 2014 et 2024. Le modèle s'est avéré très précis, reproduisant fidèlement des cartes de terrain détaillées des bidonvilles et surpassant des modèles supervisés plus conventionnels. Grâce à cet outil, les chercheurs ont pu estimer comment la part de territoire urbain occupée par les bidonvilles a évolué au fil du temps, parfois mois par mois. Contrairement aux statistiques globales de ONU-Habitat, qui suggèrent un déclin lent de la prévalence des bidonvilles, les résultats basés sur satellite ont montré une légère augmentation globale de la superficie des bidonvilles dans ces villes au cours de la décennie, et une hausse nette dans neuf des douze villes pendant la période de confinement liée au COVID-19. En combinant les cartes avec des grilles de population et des données sur les hôpitaux, écoles et autres équipements, ils ont également constaté que davantage de personnes vivaient dans ces zones tandis que l'accès moyen aux services de base à l'intérieur de celles-ci se dégradait.

Effets involontaires des « améliorations »

L'étude a aussi examiné ce qui se passe autour de grands projets d'aménagement. Dans deux villes — Oulan-Bator et Le Cap — les autorités ont lancé des programmes visant spécifiquement à améliorer les quartiers informels, par exemple en remplaçant les logements fragiles par des habitations plus solides ou en rénovant les toitures. Les cartes de SegSlum ont montré que si les conditions s'amélioraient à l'intérieur des sites de projet, les quartiers informels voisins se sont en fait étendus, parfois jusqu'à plusieurs kilomètres. Cela suggère que de meilleures routes, services et logements publics peuvent attirer de nouveaux résidents à faibles revenus vers la périphérie environnante, étendant l'informalité plutôt que de l'éliminer. En revanche, de grands projets de transport ou immobiliers à Nairobi et Mumbai qui n'avaient pas pour objectif de partager les bénéfices avec les résidents existants n'ont pas montré le même type de croissance locale par débordement, bien qu'ils aient pu pousser des populations vers des zones plus éloignées et non observées.

Relier les toits à la pauvreté

Parce que SegSlum produit un score mesurant dans quelle mesure une zone ressemble à un quartier informel, les auteurs ont vérifié si ces scores concordaient avec des mesures indépendantes de la pauvreté, comme les enquêtes nationales sur le niveau de vie et les comptes officiels de personnes pauvres. Dans la plupart des villes disposant de telles données, les scores de bidonville corrélèrent plus fortement avec la privation que des indicateurs économiques satellitaires largement utilisés comme l'éclairage nocturne. Cela signifie que, même si la méthode ne saisit pas toutes les dimensions des difficultés, elle peut aider à repérer des quartiers probablement en difficulté et ainsi appuyer des évaluations de terrain plus détaillées.

Ce que cela signifie pour les villes futures

Pour le grand public, la conclusion principale est que nous pouvons désormais utiliser des images satellites de routine et un effort humain relativement léger pour créer des cartes détaillées et mises à jour régulièrement des quartiers informels à l'échelle mondiale. Ces cartes révèlent que les zones de bidonville dans les villes étudiées n'ont pas diminué et que, pendant la crise du COVID-19, elles ont souvent augmenté tandis que l'accès aux services baissait. Elles montrent aussi que des projets d'amélioration bien intentionnés peuvent avoir des effets secondaires, déplaçant la pauvreté plutôt que de l'éradiquer. Bien que la méthode ait des limites — elle perçoit principalement ce que révèlent toits et murs, pas des problèmes invisibles comme la qualité de l'eau ou les droits fonciers — elle offre une nouvelle lentille puissante sur les inégalités urbaines. Utilisés avec précaution et éthique, de tels outils pourraient aider planificateurs et communautés à surveiller les quartiers vulnérables, concevoir des politiques plus inclusives et vérifier si les investissements urbains améliorent réellement les conditions de vie plutôt que de simplement déplacer les difficultés hors de vue.

Citation: Yang, J., Park, S., Kim, H. et al. Minimally supervised learning on sub-meter satellite imagery reveals slum expansion during the COVID-19 pandemic. Commun. Sustain. 1, 52 (2026). https://doi.org/10.1038/s44458-026-00054-6

Mots-clés: cartographie des bidonvilles, imagerie satellite, pauvreté urbaine, apprentissage profond, habitats informels