evidoria

← Retour à la liste

Bonne pratique Importée

Les « Nowcasts » IA de HungerMap LIVE Suivent la Bascule du Soudan Vers la Famine

Soudan · Port Sudan · Voir le profil de Soudan

Preuves: Descriptif / auto-déclaré Top 25% 73/100 · Demandez à Evidence Copilot à propos de cette pratique

HungerMap LIVE, du PAM, utilise des modeles d'apprentissage automatique pour estimer l'insecurite alimentaire la ou les enquetes de terrain sont impossibles. Pendant la guerre civile au Soudan, l'outil signalait 21,2 millions de personnes (45 % de la population) en insecurite de niveau Crise en septembre 2025, avec une famine confirmee dans plusieurs zones.

21.2 million (45%)
Personnes en insécurité alimentaire de niveau Crise, Soudan (Sep 2025)
375,000
Personnes en Catastrophe (Phase 5 de l'IPC) (2025)
-25%
Recul de l'empreinte de données de terrain du PAM (past year)

Détails

Maturité
Établie
Promoteur
World Food Programme (WFP)
Période
2023-2025
Mots-clés
food security, humanitarian response, disaster forecasting, public health

Contexte

La guerre civile au Soudan, en cours depuis avril 2023, a déplacé des millions de personnes et coupé l'accès aux enquêtes traditionnelles de sécurité alimentaire porte-à-porte dans les zones touchées par la famine comme le Darfour et le Kordofan.

Activités

HungerMap LIVE du PAM, reconstruit avec le soutien de Google.org et de la Fondation Gates, combine plus de 300 analystes de sécurité alimentaire avec des modèles d'apprentissage automatique de « nowcasting » fusionnant données de conflit, de climat, de marché et de population dans 16 pays désignés par l'ONU comme « points chauds de la faim », dont le Soudan.

Résultats

En septembre 2025, l'IPC (organisme indépendant corroborant ces données) estimait que 21,2 millions de personnes (45 % de la population soudanaise) faisaient face à une insécurité alimentaire de niveau Crise (Phase 3+ de l'IPC), dont 375 000 en Catastrophe et 6,3 millions en Urgence ; la famine a été confirmée dans au moins cinq zones jusqu'à mai 2025.

Conclusions

L'empreinte de données de terrain du PAM lui-même a diminué de 25 % au cours de l'année écoulée, ce qui signifie que la couche IA de nowcasting comble de plus en plus les lacunes que la collecte de données sur le terrain ne peut plus atteindre, mais aucune évaluation indépendante de la précision du modèle lui-même n'est publiée.

Mise en œuvre
Coût indicatif
Élevé (500 k€–5 M€)
Délai jusqu’aux résultats
Long (> 3 ans)
Personnel et compétences
300+ WFP food-security analysts, machine-learning nowcasting model team

Conditions de réussite

  • fusion of conflict, climate, market and population data
  • corroboration against independent IPC analysis

Modes d’échec courants

  • shrinking field data footprint in hard-to-reach areas
  • no independent accuracy audit of the nowcasting model itself

Habituellement financé par

Philanthropic / foundation funding

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles