IA et multimodalité pour l'observation des territoires : Monitoring Urbain

AI and multimodality for the observation of territories: Urban Monitoring

• Auteur / Autrice : Issam Khedher
• Direction : Serge Miguet, Jean-Marie Favreau
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/01/2022
• Etablissement(s) : Lyon 2
• Ecole(s) doctorale(s) : InfoMaths - Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information

Mots clés

Mots clés libres

Intelligence artificielle

Monitoring Urbain

Ilots de chaleur

Artificial intelligence

Urban Monitoring

Urban Heat islands

Résumé

Le monitoring urbain consiste à s'appuyer sur des jeux de données pour produire des outils d'historicisation des faits, pour en reconstituer les dynamiques, en repérer les tendances ou les signaux faibles et pour en proposer des éléments prospectifs. Ces jeux de données permettent ainsi de reconstituer des morphogenèses territoriales, c'est-à -dire de reconstituer sur les doubles dimensions diachronique et synchronique la morphogenèse d'un territoire, et ainsi objectiver des tendances fortes, des mouvements, des dynamiques et donc des potentialités. Par exemple, nous pourrions suivre les implantations industrielles sur un territoire en reconstituer la morphogenèse, et proposer alors une planification dynamique, rigoureuse parce que partant d'une historicisation (passé modélisé de la formation du territoire) à une modélisation scénarisant des avenirs possibles. En couplant cette approche avec la progression/régression de la végétation, de ses typologies, croisé avec les dynamiques d'implantation résidentielle, il serait alors possible de mettre en place (notamment pour les acteurs politiques décideurs) des tableaux de bords manipulables à volonté, permettant de multiples explorations (en ce sens un double numérique comme les traditionnelles cartes permettent aux marins de se repérer dans les mondes sans repères). Mais pour obtenir cela, il faut être en capacité de relire nos archives territoriales, notamment les cartes, les photographies aériennes, satellitaires, la masse des photographies disponibles (privées, publiques, archivées ou pas, etc.), toute l'iconographie (des tableaux en passant par les dessins, etc.) permettant de reconstituer le bâti et le non bâti, son évolution, etc. Il faut pouvoir croiser ces données avec les informations tabulaires déjà̀ produites, qu'elles soient vectorielles, géométriques ou tabulaires. Évidemment, même si de nombreuses tentatives ont é té faites durant cette dernière décennie, la problématique est encore une question largement ouverte. L'IA constitue aujourd'hui un élément clé pour étendre les possibilités offertes par la géomatique, en la rendant apprenante, et augure un avenir passionnant autant sur le plan de la recherche (notamment en aménagement et en urbanisme) que sur le plan politique, social et économique. L'IA au service de la géomatique permettra de produire une meilleure représentation des dynamiques territoriales en présence et de leurs évolutions possibles, et donc une meilleure compréhension et maîtrise de ces évolutions passées et des avenirs possibles, élément indispensable à une gestion responsable des territoires. Au cours de cette thèse, nous proposons de croiser plusieurs approches explorées par les équipes de recherche du projet, afin de proposer une vue intégrée des potentialités liées à l'utilisation de l'IA sur un problème donné . On s'intéressera à croiser des données spatio- temporelles (vectorielles, rasters) avec des connaissances du territoire souvent proposées sous la forme d'ontologies, et de façon plus générale avec des données structurées (via des SIG) ou non structurées (Linked data). Il s'agira d'étudier des territoires souvent différents (urbain dense, semi-urbain et rural) au travers de données multiples : aérienne, satellite, jeux de données institutionnels (issus d'open data ou d'organismes tels que l'IGN) ou proposées par des communautés (OSM).

Urban monitoring consists of leveraging datasets to create tools for the historicization of events, reconstructing their dynamics, identifying trends or weak signals, and offering prospective elements. These datasets enable the reconstitution of territorial morphogenesis, meaning the reconstruction of a territory's morphogenesis on both diachronic and synchronic dimensions, thereby objectifying strong trends, movements, dynamics, and potentialities. For instance, we could track industrial developments in a territory, reconstruct their morphogenesis, and then propose dynamic and rigorous planning based on historicization (the modeled past of the territory's formation) and scenario-based modeling of possible futures. By combining this approach with the progression/regression of vegetation and its typologies, juxtaposed with residential development dynamics, it would be possible to create customizable dashboards (especially for decision-making political actors) allowing for multiple explorations (in this sense, a digital counterpart to traditional maps that help sailors navigate uncharted worlds). However, to achieve this, the ability to interpret our territorial archives is essential, including maps, aerial and satellite photographs, the vast array of available photographs (private, public, archived or not, etc.), and all iconography (from paintings to drawings, etc.) that allow the reconstruction of built and non-built environments and their evolution. These datasets need to be cross-referenced with already-produced tabular information, whether they are vector-based, geometric, or tabular. While numerous attempts have been made during the last decade, the challenge remains a widely open question. Today, Artificial Intelligence (AI) represents a key element in expanding the possibilities offered by geomatics by making it a learning process, foreshadowing an exciting future both in research (particularly in planning and urbanism) and in the political, social, and economic spheres. AI in the service of geomatics will enable a better representation of existing territorial dynamics and their potential evolutions, leading to a better understanding and mastery of past evolutions and potential futures—essential for responsible territorial management. Throughout this thesis, we propose to integrate several approaches explored by research teams within the project to provide an integrated view of the potential offered by the use of AI for a given problem. We will focus on intersecting spatiotemporal data (vector-based, raster-based) with territorial knowledge often presented in the form of ontologies, and more generally with structured data (via GIS) or unstructured data (Linked data). The study will involve examining often diverse territories (dense urban, semi-urban, and rural) through multiple datasets: aerial, satellite, institutional datasets (from open data or organizations like IGN), or data provided by communities (OSM).