En Afrique subsaharienne, les recherches sur le lien entre la population et l'environnement sont souvent limitées par la disponibilité des données dans ces deux domaines, qui sont souvent rares, parcellaires et datées. Les données satellites, en revanche, offrent une opportunité précieuse pour caractériser précisément l'environnement grâce à leur haute résolution et à leur fréquence de mise à jour. Ces informations environnementales peuvent ensuite être intégrées aux données démographiques, permettant ainsi une analyse plus complète et actualisée des dynamiques de population en tenant compte des facteurs environnementaux. Cependant, le traitement de ces données nécessite des méthodes adaptées, telles que l'apprentissage profond, pour répondre aux contraintes spatiales et temporelles qu'imposent l'exploitation d'enquêtes démographiques spécifiques. Cette recherche aborde deux échelles d'analyse : celle d'une ville et celle d'un pays. Chaque étude se divise en deux parties principales. D'abord, une méthode d'adaptation de domaine utilisant l'apprentissage profond pour la classification des Local Climate Zones (LCZ) est développée, afin de caractériser précisément l'environnement de la zone d'étude. Ensuite, cette caractérisation est utilisée pour analyser les données de population tout en tenant compte des facteurs socio-économiques, afin de garantir que les phénomènes observés résultent d'un effet de l'environnement et non des données de population elles-mêmes. Le premier cas d'étude concerne la mortalité à Antananarivo la capitale de Madagascar. La méthode d'adaptation utilise les définitions physiques et géométriques des LCZ comme base universelle. Nous établissons ensuite des liens entre plusieurs caractéristiques environnementales, dont les LCZ, et la mortalité par cause estimée dans les différents quartiers de la ville. Le deuxième cas d'étude porte sur le paludisme au Burkina Faso. La méthode d'adaptation de domaine des LCZ prend ici en compte des variations saisonnières pour extraire les informations pertinentes des images satellites et classifier les LCZ. Nous mettons en évidence un lien significatif entre certains profils de zones classés selon les LCZ qui les composent et la présence de paludisme parmi les enfants au sein des ménages. Ces résultats soulignent l'intérêt d'une caractérisation fine de l'environnement pour l'analyse des données de population. Ils suggèrent que cette approche pourrait améliorer la modélisation des données démographiques et permettre l'estimation de certains indicateurs.