Prévoir l'évolution de la sécurité alimentaire grâce à l'apprentissage automatique
L'insécurité alimentaire est une préoccupation croissante due aux conflits provoqués par l'homme, au changement climatique et aux ralentissements économiques. Il est essentiel de prévoir l'état de l'insécurité alimentaire pour pouvoir déclencher des actions précoces. Pour mesurer l'état réel de l'insécurité alimentaire, on utilise actuellement des approches fondées sur l'expertise et le consensus, ainsi que des enquêtes. Ces deux méthodes requièrent une main-d'œuvre, un temps et un budget considérables. Joris Westerveld (actuellement Data Scientist chez TNO Defense, Security and Safety, auparavant chez 510 et à l'Université d'Utrecht) a été l'auteur principal d'un article évalué par les pairs, publié en avril 2021, qui a exploré l'utilisation de l'apprentissage automatique pour prévoir les transitions de l'état de la sécurité alimentaire. Ce billet de blog résume les principaux résultats de l'étude et souligne la pertinence pour la communauté de l'action anticipatoire. Les autres auteurs sont Marc van den Homberg, Gabriela Nobre, Dennis van den Berg, Aklilu Teklesadik et Sjoerd Stuit.
Modèle d'apprentissage automatique
Ce document présente un modèle d'apprentissage automatique permettant de prévoir l'évolution mensuelle de l'état de la sécurité alimentaire en Éthiopie, à une granularité spatiale de zones de subsistance, et pour des délais d'un à douze mois, en utilisant des données de source ouverte. Le changement dans l'état de la sécurité alimentaire est représenté par les différences dans les données de classification de la phase de sécurité alimentaire intégrée d'un mois à l'autre.
Prévoir la sécurité alimentaire
À partir de 19 catégories d'ensembles de données, 130 variables ont été obtenues et utilisées comme prédicteurs de la transition de l'état de la sécurité alimentaire. Les variables prédictives représentent des changements dans le climat et les terres, le marché, les conflits, les infrastructures, la démographie et les caractéristiques des zones de subsistance. Les prédicteurs les plus pertinents sont l'historique de la sécurité alimentaire et l'humidité du sol en surface. Dans l'ensemble, le modèle est le plus performant pour prévoir les détériorations et les améliorations de l'état de la sécurité alimentaire par rapport à d'autres algorithmes d'apprentissage automatique et à des lignes de base.
La méthode proposée est au moins deux fois plus performante que la meilleure ligne de base pour une détérioration. Le modèle est plus performant pour les prévisions à long terme (7 mois) que pour les prévisions à court terme (3 mois). La combinaison de l'apprentissage automatique, de la classification intégrée des phases par les systèmes de surveillance et des données ouvertes peut apporter une valeur ajoutée aux approches de prévision consensuelles existantes, car elle permet d'obtenir des délais plus longs et des mises à jour plus opportunes.
Prochaines étapes
"Je suis ravi que ce projet montre l'avantage supplémentaire de l'utilisation de l'IA et des données ouvertes pour aider et soutenir le secteur humanitaire. La Croix-Rouge (ou plus généralement : les organisations humanitaires) peut maintenant explorer les moyens de piloter le modèle dans le cadre d'une action anticipatoire en matière de sécurité alimentaire et/ou de sécheresse et reproduire le modèle dans d'autres pays, car la plupart des données sur les prédicteurs sont également disponibles pour d'autres pays", déclare Joris Westerveld, l'auteur principal de l'étude. "Le 510 est très heureux que nous ayons créé une base de preuves scientifiques pour notre modèle de prévision de la sécurité alimentaire. Cela nous permettra de mieux soutenir les sociétés nationales de la Croix-Rouge qui travaillent sur le financement prévisionnel de l'insécurité alimentaire", déclare Marc van den Homberg, Scientific Lead Data for Disaster Management au 510. Lire l'article complet ici.
Le lien avec le projet de financement prévisionnel de la sécurité alimentaire
Le modèle de prévision des "transitions dans l'état de la sécurité alimentaire" a été produit dans le cadre du projet F4S (Forecast-based Financing for Food Security). Le projet F4S s'est achevé en mai 2021 et visait à développer des informations permettant de déclencher des actions précoces pour réduire le risque d'insécurité alimentaire en Éthiopie, au Kenya et en Ouganda. Pour atteindre cet objectif, le projet F4S a centré ses développements autour de trois piliers : (1) Prévision des facteurs clés de l'insécurité alimentaire, (2) Collecte de preuves locales et (3) Évaluation du mécanisme de transfert d'argent. Toutes les informations obtenues par le biais des piliers du projet F4S ont tenté de répondre aux défis inhérents à la prise de décision basée sur des informations prévisionnelles, en mettant l'accent sur la mise en œuvre de transferts d'argent ex ante. "Ce que j'ai trouvé le plus passionnant dans le projet F4S, c'est l'opportunité de lier la science et la pratique pour fournir des idées sur la façon dont les actions précoces peuvent être conçues et mises en œuvre en fonction de la perspective des bénéficiaires en combinaison avec le soutien de l'analyse prédictive", déclare Gabriela Nobre, coordinatrice du projet.
Si vous souhaitez en savoir plus sur la façon dont le projet F4S a contribué au développement de nouvelles perspectives pour la communauté de l'action anticipatoire, consultez le rapport final de F4S. Le projet F4S est né d'un partenariat entre la Vrije Universiteit Amsterdam, l'initiative 510 de la Netherlands Red Cross, le Climate Hazard Center de l'University of California, Santa Barbara, et l'ICHA/Kenya Red Cross. Le projet a été subventionné par le Challenge Fund de la Banque mondiale avec des fonds de la Facilité mondiale pour la réduction des catastrophes et le relèvement, le Foreign, Commonwealth & Development Office, et le Centre for Global Disaster Protection.
Image de titre © Uganda Red Cross Society