Écrit par Sander Houston
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 à TNO Defense, Security and Safety, anciennement au 510 et à l'Université d'Utrecht) est l'auteur principal d'un rapport sur l'état de l'insécurité alimentaire. article révisé par des pairspubliée en avril 2021, qui explore l'utilisation de l'apprentissage automatique pour prévoir les transitions dans l'état de la sécurité alimentaire. Ce billet de blog résume les principales conclusions de l'étude et souligne leur pertinence pour la communauté de l'action anticipative. 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 les 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 référence en cas de 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.
Résumé visuel de l'article.
Prochaines étapes
“I am excited that this project shows the added benefit of using AI and open data to assist and support the humanitarian sector. The Red Cross (or more general: humanitarian organizations) can now explore ways to pilot the model as part of food security and/or drought anticipatory action and replicate the model to other countries as most of the data on the predictors is also available for other countries”Joris Westerveld, principal auteur de l'étude. “510 is very happy that we have created a scientific evidence-base for our food security forecasting model. This will enable us to better support Red Cross National Societies that work on forecast-based financing for food insecurity”Marc van den Homberg, responsable scientifique des données pour la gestion des catastrophes au 510. Lire l'article complet ici.
Le lien avec le projet de financement prévisionnel de la sécurité alimentaire
The forecasting model of “transitions in the state of food security” was produced in alignment with the Forecast-based Financing for Food Security (F4S) project. The F4S project was concluded in May 2021 and aimed at developing information that enables the triggering of early actions to reduce the risk of food insecurity in Ethiopia, Kenya, and Uganda. For achieving this aim, the F4S project centered its developments around three pillars: (1) Forecasting key drivers of food insecurity, (2) Collection of local evidence and (3) Evaluation of cash transfer mechanism. All information obtained through the F4S pillars attempted to address challenges inherent to decision-making based on forecasting information, with a special focus on the implementation of ex-ante cash transfers. “What I found most exciting about the F4S project, was the opportunity to link science and practice to deliver insights on how early action can be designed and delivered based on the perspective of beneficiaries in combination with the support of predictive analytics”Le projet a été mis en place par le ministère de l'agriculture et de l'alimentation, et Gabriela Nobre, coordinatrice du projet, a déclaré à ce sujet.
Si vous souhaitez en savoir plus sur la manière dont le projet F4S a contribué au développement de nouvelles connaissances pour la communauté de l'action anticipative, consultez le site web de la Commission européenne. Rapport final F4S. Le projet F4S est né d'un partenariat entre la Vrije Universiteit Amsterdam, l'initiative 510 de la Croix-Rouge néerlandaise, le Climate Hazard Center de l'Université de Californie, Santa Barbara, et l'ICHA/Croix-Rouge du Kenya. 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 Bureau des affaires étrangères, du Commonwealth et du développement, et le Centre pour la protection mondiale contre les catastrophes.
Source de l'image : Société de la Croix-Rouge de l'Ouganda
