actualité

Apprendre des modèles urbains pour prédire la hauteur des bâtiments

Dans un contexte où l’urbanisme doit être revu pour intégrer les problématiques du changement climatique, la connaissance du parc bâti est essentielle. L’intelligence artificielle et ses acteurs ont un fort potentiel pour aider à cette compréhension. Prédire la hauteur des bâtiments : comment, et pour servir quels objectifs ? Une équipe rassemblant plusieurs collaborateurs européens (dont namR) et pilotée par le Mercator Research Institute on Global Commons and Climate Change s’est intéressée à ces questions et a construit un algorithme.

lire la suite

Le 10 décembre 2020, l’article “Learning from urban form to predict building heights” (Apprendre des modèles urbains pour prédire la hauteur des bâtiments) a été publié dans le journal Plos One. Il traite du développement de modèle visant à prédire la hauteur des bâtiments, information importante lorsqu’il s’agit d’évaluer les consommations énergétiques. En effet, un bâtiment avec un volume important aura un besoin de plus d’énergie, il est donc nécessaire de pouvoir connaître ces données pour adapter les villes à la transition énergétique

Une équipe rassemblant plusieurs collaborateurs européens (dont namR) et pilotée par le Mercator Research Institute on Global Commons and Climate Change (Nikola Milojević-Dupont et Felix Creutzig) s’est intéressée à ces questions et s’est entouré d’une équipe pour construire un algorithme. Au-delà du MCC et de namR, ont participé à ce projet : l’Université Humboldt de Berlin, l’ETH Zürich, et le Potsdam Institute for Climate Impact Research (Berlin).

Nous avons contribué à sourcer et pré-traiter les données relatives aux cinq agglomérations françaises qui ont entraîné le modèle, et à apporter des éléments d’expertise pour l’analyse de données géospatiales.

 

Quel est le rôle de l’urbanisme dans un contexte de changement climatique ?

L’urbanisme durable va servir à nous adapter au changement climatique ou à en atténuer les effets. Il consiste notamment à rénover massivement pour lutter contre la précarité énergétique ou amoindrir les consommations énergétiques par exemple.

Pour planifier un urbanisme durable, il faut tout d’abord comprendre la ville, l’envisager comme un système complexe. La compréhension de ce système repose sur des données fiables et de haute précision. Elles permettront de mettre en place des solutions climatiques réalisables car fidèles à la typologie de bâti.

Ces données existent pour certaines villes ou régions sous forme de modélisations en 3D. Cependant, les méthodes d’acquisition de données 3D sont coûteuses et ne concernent pas les villes petites et moyennes qui abritent pourtant la majorité de la population européenne.

Les données tendant à représenter fidèlement l’urbanisme ne sont, dans la majorité des cas, pas disponibles de manière libre, exhaustive ou complète. Il s’agit de les récupérer à partir de plusieurs sources de données, ou de les extrapoler lorsqu’elles ne sont pas disponibles. Et le machine learning peut être utilisé à des fins de reconstruction de ces données manquantes. 

Les caractéristiques précises des bâtiments telles que leur hauteur, empreinte au sol et forme sont des informations particulièrement utiles pour la planification urbaine, aux modèles climatiques urbains (quelle est l’influence des bâtiments sur la météo et vice versa), à la planification de la résilience et à de nombreuses autres approches de planification.

Connaître la hauteur d’un bâtiment peut aider à évaluer l’impact des bâtiments environnants sur les performances thermiques d’un bâtiment. La connaissance de la hauteur couplée à celles, par exemple, du volume ou de la surface au sol approximatifs des bâtiments permettent de faire des estimations de consommation énergétique régionale, ou d’étudier les impacts environnementaux des bâtiments.

Prédire la hauteur des bâtiments, les applications

L’objectif principal de cette étude était d’examiner dans quelle mesure il est possible d’améliorer la disponibilité de données de hauteur à jour en Europe à faible coût et sans recourir à des données propriétaires (payantes et parfois soumises à des restrictions de partage).

La précision du modèle peut déjà être suffisante pour éclairer les politiques et les études régionales afin d’estimer la demande énergétique d’un grand parc immobilier par exemple. Certaines applications nécessitent des résultats plus précis, comme la planification de quartier, où les mesures exactes au niveau du bâtiment sont plus applicables. Les résultats prometteurs de la combinaison des données générées par les citoyens et des données publiques ouvertes pour fournir des informations pertinentes pour les politiques devraient encourager le secteur public à accroître son soutien aux stratégies de données ouvertes.

Dans le but de tester l’algorithme, l’équipe s’est limitée à prédire deux zones (Brandebourg et Berlin) où existe un modèle de bâtiment 3D ouvert. Ils ont validé l’approche en évaluant comment le modèle se généralise à de nouveaux territoires avec des données provenant de quatre pays différents. Sur la base des analyses qui ont été faites, la prédiction peut être étendue aux régions et pays pour lesquels seules les empreintes de bâtiments OSM sont disponibles. Cela pourrait permettre de créer une base de données d’estimations de hauteurs de bâtiments couvrant l’ensemble de l’Europe.

La contribution de namR

Nous avons contribué à l’élaboration du modèle en pré-traitant les données issues de l’open data des cinq agglomérations françaises qui ont servi à entraîner le modèle. Ces données apportent des précisions sur la géométrie des villes de Bordeaux, Brest, Lyon, Montpellier et Strasbourg.

Tout au long du développement de la méthode destinée à prédire la hauteur des bâtiments, notre expertise développée sur l’analyse des données géospatiales nous a permis d’apporter des préconisations à l’équipe. 

 

À propos de Plos One

Il s’agit d’un journal de publications scientifiques en libre accès qui traite notamment de ces disciplines : biologie, médecine, biologie computationnelle, génétique… et celle qui nous intéresse, les conséquences du changement climatique sur la santé publique.

Il fonctionne par la revue par les pairs, ce qui implique que les publications font l’objet de relecture par des experts du domaine pour lequel la contribution est soumise. D’autre part, les expériences et avancées scientifiques publiées dans le journal ont pour vocation à être répliquées par des entités indépendantes entre elles pour valider et/ou corriger les modèles.

Toutes les données publiées et utilisées dans l’article et l’article en lui-même sont en libre accès.

à propos

Fondée en 2017, nam.R est une entreprise de production de données et d’intelligence artificielle, qui rend les données actionnables et produit les données géolocalisées et non personnelles nécessaires pour accélérer les transitions de demain. nam.R dote les acteurs publics et privés de données directement actionnables pour massifier et optimiser leurs actions, projets et investissements.

visitez notre blog scientifique
évènements
02 déc. 2020