During the last four decades, Iraq, like most other developing countries, faced very rapid urban growth. Due to thr absence of definite urbanisation policies, the major part of the urban growth went to the main cities, in particular , the capital Baghdad. Such a pattern of growth created many socio-economic problems at the national, as well as the urban level. This study represents an attempt toward developing a methodology of dealing with urban growth problems on a regional level in Iraq. It aims at finding what is thought to be, under the prevailing socio-economic and physical constraints, the most efficient urban growth pattern in the Upper Euphrates Region (U.E.R.) up to 1985. To achieve this aim the study first reviews and critically examines a wide range of urban growth theories and models. Despite the lessons that were learned from this review and the adoptation of many of their principles in developing this study, they did not provide a ready made answer to the problem of urban growth in the region Secondly, for the better understanding of urbanisation on and spatial development policies in Iraq and the U.E.R. a thorough examination of these and other aspects has been dealt with in part two. Thirdly, after examining the basic techniques that could be used in analysing the urban growth problem, such as the cost-benefit analysis and its refinement the planning balance sheet, threshold analysis and the goals-achievement analysis, it is found that the latter, at this stage of development in Iraq could be applied in studying such a problem. Finally, three alternative urban growth patterns were considered, i.e., the expansion of the largest urban centre in each urban node, the expansion of the proposed smaller urban centres and the establishment of a new town in each urban node and a set of socio-economic, physical, environmental and structural, factors that were thought to affect strongly the proposed urban growth patterns were incorporated in the analysis. From these it was found that the expansion of the largest urban centre in each urban nod e is the most suitable solution at this stage of the socio-economic development of the region. The vitality of this conclusion was tested by applying sensitivity analysis which supported it.

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 geohazards did not limit urban growth only slowing down settlements for a short time span of the analysis. As urbanisation levels increased, constraining effects of natural environment such as relief on urban expansion weakened. In addition, we make some methodological developments based on deep learning to generate land-cover from historical panchromatic orthomosaics (i.e. 1m spatial resolution) and sub-metric RGB aerial images (i.e. 0.175m). Results show that deep learning methods generally have high accuracy metrics, compared to standard machine learning baselines, but at the cost of high demand for a large and accurate, labelled dataset and computational resources. In addition, accurate and sufficient labelled data are still needed to guarantee accurate land-cover maps from deep learning algorithms and novel strategies need to be pursued in approaches investigating insufficient reference data. / 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 centrale en utilisant un ensemble unique d'orthomosaïques historiques. Les modes et les facteurs de croissance y sont analysés en utilisant des données spatiales et qualitatives. Les résultats montrent que les déclencheurs sociaux tels que les guerres étaient positivement corrélé à l'expansion urbaine. Au contraire, les facteurs biophysiques tels que les risques associés aux catastrophes naturelles n'ont pas empêché la croissance urbaine mais ont seulement ralenti les nouvelles implantations pendant une courte période de l'analyse. Par ailleurs, à mesure que les niveaux d'urbanisation augmentent, les effets contraignants de l'environnement naturel tels que le relief sur l'expansion urbaine s'affaiblissent.De plus, certaines avancées méthodologiques ont été accomplies en explorant et en développant une méthodologie basée sur le deep learning pour générer une carte de la couverture du sol à partir d’orthomosaïques panchromatiques historiques (1m) et d'images aériennes RVB sub-métriques (0.175m). Les résultats montrent que les méthodes de deep learning présentent généralement des indicateurs de précision élevés par rapport aux méthodes standard basée sur machine learning, mais au prix d'une grande demande en matière de données étiquetées et de ressources informatiques. En outre, des données étiquetées précises et en quantité suffisante sont toujours nécessaires pour garantir l'exactitude des cartes de l’occupation du sol établies par les algorithmes de deep learning, et de nouvelles stratégies doivent être mises en œuvre dans le cas de travaux ne disposant que de données de référence insuffisantes / Doctorat en Sciences / info:eu-repo/semantics/nonPublished