SedzroEKLOU/poverty_mapping_togo

Poverty mapping in Togo using satellite imagery and small-area estimation | R # Poverty Mapping Togo TG ## Description Ce projet prédit la pauvreté au Togo par préfecture en combinant des données d'enquête ménage (DHS 2017) avec des variables satellitaires via un modèle de Machine Learning (XGBoost). ## Objectif Produire une carte de vulnérabilité économique par préfecture au Togo en utilisant des données satellitaires librement accessibles comme proxy de la pauvreté. ## Données utilisées - **DHS Togo 2017** — Enquête ménage + coordonnées GPS - **WorldClim** — Précipitations et température moyennes - **SRTM** — Altitude (modèle numérique de terrain) - **WorldPop** — Densité de population 2020 ## Méthodologie 1. Téléchargement des données satellitaires (geodata, terra) 2. Extraction des variables par cluster DHS (terra::extract) 3. Construction du dataset ML (170 clusters × 4 variables) 4. Modèle XGBoost avec tuning (tidymodels) 5. Prédiction par préfecture + cartographie (tmap) ## Résultats - **R² = 0.856** sur les données de test - La densité de population est le principal prédicteur - Gradient nord/sud de pauvreté confirmé ## Structure du projet poverty_mapping_togo/ ├── data/ │ ├── raw/ → données brutes │ └── processed/ → données traitées ├── scripts/ │ ├── 01_data_collection.R │ ├── 02_data_preparation.R │ ├── 03_dhs_analysis.R │ ├── 04_model_xgboost.R │ └── 05_poverty_map.R └── outputs/ ├── figures/ → graphiques └── maps/ → cartes ## Technologies - **R** — tidyverse, tidymodels, sf, terra, tmap - **Git/GitHub** — contrôle de version ## Auteur Womenyao Komla Sedzro EKLOU Master Économie du Développement — CERDI Université Clermont Auvergne, France ## Références - Jean et al. (2016) — *Combining satellite imagery and machine learning to predict poverty* — Science - Henderson et al. (2012) — *Measuring Economic Growth from Outer Space* — AER