Développement d'un framework d'apprentissage automatique pour la prédiction d'indicateurs de sécurité alimentaire à l'échelle nationale à partir de données hétérogènes

La sécurité alimentaire (SA) est un problème central dans de nombreuses régions du monde, comme en témoigne sa présence parmi les 17 objectifs de développement durable (ODD 2 - Faim zéro). 
Pour surveiller les situations d'insécurité alimentaire, plusieurs systèmes d'alerte précoce sont actifs aujourd'hui, tels que GIEWS (FAO) et FEWSNET (USAID).
Ces systèmes utilisent un ensemble limité de types de données, i.e., données agroclimatiques provenant d'images satellites et indicateurs extraits d'enquêtes auprès des ménages sur les facteurs nutritionnels, économiques et liés à la production. De plus, une intervention humaine est souvent nécessaire pour combiner et résumer toutes les sources d'information. 
Notre hypothèse est que des données ouvertes hétérogènes, en lien avec la SA, 
peuvent être utilisées pour développer des méthodes d'apprentissage automatique capables de produire des indicateurs de SA, en prenant en compte les raisons interdépendantes de ce phénomène. Quelques exemples peuvent être des rasters d'informations spatiales, information géographique bénévole, données météorologiques, indicateurs économiques et données textuelles issus des médias locaux. 
L'objectif de ce Post-Doc est de consolider et d'étendre les travaux récents sur ce sujet issus d'une collaboration entre l'UMR TETIS et l'UMR MOISA, principalement autour d’une thèse cofinancée par #DigitAg. 
Plus précisément, nous souhaitons développer une suite de méthodes (p.ex., une bibliothèque Python) capables de récupérer et d'exploiter des données hétérogènes pour produire efficacement des indicateurs de SA à l'échelle nationale. La nécessité de collecter, d'intégrer et d'évaluer la qualité de ces données introduit plusieurs défis supplémentaires dans ce contexte. 
L'utilisation de riches données de référence fournies par le CGIAR (p.ex., RHoMIS - Rural Household Multi-Indicator Survey) permettra de tester les méthodologies proposées dans différents pays d'Afrique et d'Asie du Sud-Est.

Date d'arrivée : 1er janvier 2024
Établissement : CIRAD
Axe : Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 4 : Système d’information, stockage et transfert de données
Unité 1 : TETIS
Responsable 1 : Élodie Maitre D’Hotel
Unité 2 : MOISA
Responsable 2 : Louis Reymondin
Domaine disciplinaire : SVE Sciences du vivant et environnement