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.