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

Lors de ses deux dernières éruptions, les coulées de lave émises par le volcan Nyiragongo se sont répandues près de Goma en 1977 et dans la ville de Goma en 2002. Pendant ces deux éruptions, les coulées de lave étaient très rapides (plusieurs dizaines de km / h) et ont emportées des centaines des vies humaines. Le nombre très élevé de victimes est le résultat de la grande vitesse de la lave, de sa fluidité et de l’émission des coulées près des zones habitées. De plus, en raison de l’absence de stratégies efficaces de réduction des risques de catastrophe, les conséquences économiques de cette éruption ont été significatives et ressenties sur le long terme, dans cette région densément peuplée qui reste menacée par de nouvelles éruptions. La ville de Goma est en expansion, tant démographique que spatiale, dans des zones où les aléas volcaniques pourraient constituer à l’avenir un grand danger. En outre, l’étalement urbain, le sous équipement des quartiers périphériques, le manque de capacité financière dans des ménages, etc. accentuent l’augmentation de la mobilité des personnes. Dans un conteste de rareté des données de localisation de la population et de localisation des ressources essentielles pour la vie (eau, sante, aliments, éducation, etc.), notre étude cherche à discuter de la distribution spatio-temporelle de la population et à examiner la vulnérabilité de la mobilité de la population menacée par une coulée de lave volcanique.Le travail a permis en première estimation, de réaliser des mesures de variations d’effectif de la population de Goma, lesquelles se distribuent irrégulièrement sur la journée de la semaine et de manière différente encore le dimanche. Pour examiner la vulnérabilité de la mobilité, il faut un réseau des routes capable de sélectionner les itinéraires les plus favorables. Pour ce faire, le réseau des routes openstreetmap de Goma nécessitent une validation de type de mobilité, une connectivité des tronçons et une connaissance de l’évolution d, info:eu-repo/semantics/nonPublished

info:eu-repo/semantics/nonPublished

Lors de sa dernière éruption en 2002, les coulées de lave émises par le volcan Nyiragongo se sont répandues dans la ville de Goma, depuis le nord jusqu’aux rives du lac Kivu (A), détruisant environ 10% de la zone urbaine. Les conséquences économiques de cette éruption ont été significatives et ressenties sur le long terme, dans cette région densément peuplée qui reste menacée par de nouvelles éruptions. Notre étude cherche à évaluer l’impact de coulées de lave engendrées par une nouvelle éruption qui serait similaire à celle de 2002 sur la zone urbaine, les infrastructures de santé et les stations de carburants existantes. À partir de 2002, l'expansion de l'espace urbain dans le champ éruptif du volcan Nyiragongo s'est intensifié. Ainsi, de 1989 à 2001, l'espace urbain a augmenté de 14.36 km2, soit 1.2km2/an. Tandis que de 2003 à 2013, il a augmenté de 31.73 km2, soit 3.17km2/an, dont 4.43km2 localisés dans la zone qui avait été envahie par la coulée de lave de 2002. Les infrastructures sanitaires localisées à l’emplacement de la coulée de lave de 2002 représentent 40% des principaux dépôts pharmaceutiques de la ville de Goma et 19% des lits de malades répertoriés dans les hôpitaux et des centres de santé. Ceci réduit considérablement la capacité du secteur sanitaire à répondre aux besoins humanitaires en cas d'éruption. En 2015, la ville de Goma comptait 67 stations de carburants, alors qu’elles n’étaient que 14 en 2002. Le modèle CCPS (Center of Chemical Process Safety) (B; C) appliqué sur les 18 stations de carburants localisées à l’emplacement de la coulée de lave de 2002 nous indique que 1.16 km² de la ville pourrait être atteint par une explosion dévastatrice de type « boule de feu »; 2.29 km² par des explosions létales ;3.11 km² par des explosions pouvant provoquer des brûlures importantes. L'installation de stations de carburants dans la zone favorable aux coulées de lave augmente la surface des zones à risques La ville de Goma est en expansion, tant démogra, info:eu-repo/semantics/published

info:eu-repo/semantics/nonPublished

info:eu-repo/semantics/nonPublished