Search

Urbanisation has had a profound impact in sub-Saharan Africa and can be attributed to the complex human-environment interaction. Knowledge on long-term urbanisation processes in sub-Saharan Africa is lacking. Besides, understanding the urbanisation process in sub-Saharan Africa necessitates to go beyond the global scale to the local scale to unravel the idiosyncrasies in the growth of each city. The perennial lack of data (or data meeting required specifications) is a bottleneck to such studies. Very often, the nature of the available data might present challenges to existing classification algorithms. Moreover, availability of adequate and well-curated reference datasets presents a bottleneck to the generation of accurate land-cover maps. The main aim of this research was to conduct a long-term analysis of urbanisation patterns in Central Africa by developing methodologies based on deep learning, a class of Artificial Intelligence. To this end, we address the main research question: “How can we understand long-term urbanisation patterns by applying deep learning on digital aerial images in Central Africa?” We used case-studies from three cities in Central Africa namely Goma and Bukavu in The Democratic Republic of Congo and Bujumbura in Burundi, to aid in understanding the urbanisation process in sub-Saharan Africa. We generate baseline data from an archive of historical panchromatic orthomosaics that allow for the capturing of the urbanisation before the onset of rapid urbanisation that was characteristic of Countries in sub-Saharan Africa after gaining independence from colonialism.The main contribution of this thesis is the 60-year long-term analysis of urbanisation patterns for three cities in Central Africa using a unique dataset of historical orthomosaics. The growth patterns and driving forces are analysed using spatial and qualitative data. The results show that social triggers such as wars drive urban expansion. On the contrary, biophysical drivers such as, L’urbanisation a eu un impact profond sur l’Afrique subsaharienne et peut être attribuée à l’interaction complexe entre l’homme et l’environnement. Les connaissances sur les processus d’urbanisation sur des temps longs font défaut. En outre, pour comprendre le processus d'urbanisation en Afrique subsaharienne, il faut aller au-delà de l'échelle mondiale et s'intéresser à l'échelle locale pour comprendre les particularités de la croissance de chaque ville. L'éternel manque de données (ou de données répondant aux spécifications requises) constitue des limitations de telles études. Très souvent, la nature des données disponibles peut présenter des défis pour les algorithmes de classification existants. De plus, la disponibilité d'ensembles de données de référence adéquats et fiables constitue un goulot d'étranglement pour la création de cartes précises de l'occupation des sols.L'objectif principal de cette recherche était de mener une analyse sur des temps longs des différentes modes d'urbanisation en Afrique centrale en développant des méthodologies basées sur le deep learning, une forme d'intelligence artificielle. A cette fin, nous répondons à la question de recherche suivante :"Comment pouvons-nous comprendre les modes d'urbanisation sur des temps longs en appliquant des approches de deep learning sur des images aériennes numériques en Afrique centrale ?". Nous avons étudié trois villes d'Afrique centrale, à savoir Goma et Bukavu en République démocratique du Congo et Bujumbura au Burundi, de manière à comprendre le processus d'urbanisation en Afrique subsaharienne. Nous pouvons générer des données de base à partir de mosaïques d'orthophotographies aériennes panchromatiques historiques qui permettent de saisir l'urbanisation avant le début de l'urbanisation rapide ayant caractérisé les pays d'Afrique subsaharienne depuis leur indépendance.La principale contribution de cette thèse est l'analyse, sur 60 ans, des modes d'urbanisation pour trois villes d'Afrique centra, Doctorat en Sciences, info:eu-repo/semantics/nonPublished

Multitemporal environmental and urban studies are essential to guide policy making to ultimately improve human wellbeing in the Global South. Land-cover products derived from historical aerial orthomosaics acquired decades ago can provide important evidence to inform long-term studies. To reduce the manual labelling effort by human experts and to scale to large, meaningful regions, we investigate in this study how domain adaptation techniques and deep learning can help to efficiently map land cover in Central Africa. We propose and evaluate a methodology that is based on unsupervised adaptation to reduce the cost of generating reference data for several cities and across different dates. We present the first application of domain adaptation based on fully convolutional networks for semantic segmentation of a dataset of historical panchromatic orthomosaics for land-cover generation for two focus cities Goma-Gisenyi and Bukavu. Our experimental evaluation shows that the domain adaptation methods can reach an overall accuracy between 60% and 70% for different regions. If we add a small amount of labelled data from the target domain, too, further performance gains can be achieved., SCOPUS: ar.j, info:eu-repo/semantics/published