L'évolution de la modélisation urbaine vers la durabilité

Les approches traditionnelles de planification traitaient souvent ces dimensions de façon isolée, ce qui a eu des conséquences imprévues - l'accès aux ressources, l'inégalité ou la dégradation de l'environnement. Comme les villes sont confrontées à des pressions croissantes de la croissance démographique et des changements climatiques, il est urgent de disposer d'outils intégrés qui puissent saisir ces dynamiques de façon holistique.Les modèles basés sur les agents (BMA) sont apparus comme un cadre particulièrement prometteur parce qu'ils simulent les comportements et les interactions de chaque acteur – résidents, entreprises, décideurs – et révèlent comment les décisions locales se fondent dans le système urbain.

Contrairement aux modèles agrégés qui supposent un comportement moyen, les ABM permettent à chaque agent d'avoir des attributs, des préférences et des règles de décision uniques. Cette granularité les rend idéales pour étudier des phénomènes tels que la ségrégation résidentielle, la congestion du trafic ou la propagation des pratiques de construction écologique. Lorsque les données sociales et environnementales sont intégrées aux règles des agents et à l'environnement qu'ils habitent, le modèle devient un laboratoire vivant pour tester les politiques avant leur mise en oeuvre.

Quels sont les modèles basés sur les agents?

Un modèle basé sur les agents est une simulation informatique où les entités autonomes, appelées agents, interagissent entre elles et avec leur environnement selon des règles définies.Les agents peuvent représenter des personnes, des ménages, des entreprises, des organismes gouvernementaux, voire des animaux et des écosystèmes.L'environnement est généralement une représentation spatiale d'une ville ou d'une région, avec des couches telles que les parcelles, les réseaux de transport, les bâtiments et les caractéristiques naturelles.

À chaque étape, les agents perçoivent l'état du monde, évaluent les options et agissent – par exemple, un agent domestique peut choisir un nouveau quartier en fonction du prix du logement, du temps de trajet et de la qualité de l'école. Au cours de plusieurs étapes, les décisions de microniveau produisent des modèles de macroniveaux : clusters de pauvreté, goulets d'étranglement de circulation ou perte d'espace vert.

Dans le domaine de l'urbanisme, les applications bien connues comprennent le cadre UrbanSim, qui simule l'utilisation des terres et les transports, et NetLogo[ modèles qui explorent la dynamique piétonne ou la consommation d'énergie. Une revue de Batty (2018) dans la revue Environnement et planification B[ décrit comment les GAB complètent d'autres modèles spatiaux en captant l'adaptation et l'apprentissage que les modèles plus statiques manquent. Lien externe : Batty (2018) – Jumelles numériques et modèles basés sur des agents.

Comment les agents apprennent et s'adaptent

Les GAB modernes intègrent souvent des algorithmes d'apprentissage. Les agents peuvent mettre à jour leurs croyances en fonction des résultats passés – par exemple, un détaillant peut d'abord se situer dans une zone occupée mais se déplacer si la circulation piétonne diminue après l'ouverture d'une nouvelle ligne de transit. Les données sociales comme les schémas de migration ou la mobilité professionnelle peuvent calibrer ces règles d'apprentissage.

La dimension des données: sources sociales et environnementales

La qualité et la pertinence d'un GAB dépendent directement des données utilisées pour initialiser les agents, définir les règles et valider les extrants. Les données sociales capturent les données démographiques, les comportements et les institutions humaines; les données environnementales décrivent l'environnement biophysique et bâti. Ensemble, elles créent une image complète des systèmes urbains.

Types et sources de données sociales

Les données sociales peuvent être classées en plusieurs catégories:

  • Données démographiques et économiques[ – des recensements, des enquêtes sur les ménages, des registres fiscaux, notamment l'âge, le revenu, l'éducation, l'emploi et la composition des ménages.
  • Mobilité et modes d'activité[ – à partir des enregistrements des téléphones mobiles, des traces GPS, des cartes à puce de transport en commun et des enquêtes sur les voyages.Ces données révèlent comment les gens se déplacent, où ils passent du temps et quels modes ils utilisent.
  • Les données de réseaux sociaux et d'interactions[ – provenant d'enquêtes ou de plateformes en ligne. La compréhension des liens sociaux aide à modéliser la diffusion des idées (par exemple, l'adoption de panneaux solaires) ou la propagation des maladies.
  • Données institutionnelles et politiques – Codes de zonage, incitations fiscales et services publics.

Les principales sources d'information sont les agences statistiques nationales comme le Bureau de recensement des États-Unis (census.gov[), l'Union européenne (Eurostat) et les portails de données locaux ouverts.

Types de données environnementales et sources

Les données environnementales pertinentes pour la durabilité urbaine comprennent:

  • Utilisation des terres et couvert terrestre – à partir de l'imagerie satellite (Landsat, Sentinel-2), des cartes cadastrales et de la planification des bases de données SIG.
  • Les données climatiques et météorologiques – température, précipitations, modèles de vent. Essentiel pour simuler les effets de l'île de chaleur, les risques d'inondation et la demande d'énergie.
  • Qualité de l'air et de l'eau – des stations de surveillance, des capteurs mobiles et des relevés par satellite (p. ex., NASA=S MODES pour les aérosols).
  • Évolution de l'énergie, de l'eau et des déchets[ – registres d'utilité et données de compteurs intelligents, qui informent la consommation de ressources et les émissions au niveau des ménages ou des bâtiments.
  • Biodiversité et services écosystémiques – données sur la répartition des espèces, indices de verdissement (NDVI) et cartes de pollinisation.

Les agences environnementales telles que l'Agence européenne pour l'environnement (eea.europa.eu) et l'Agence américaine pour la protection de l'environnement fournissent des ensembles de données exhaustifs.

Intégration des données sociales et environnementales dans les GAB: méthodes et pratiques exemplaires

L'intégration ne se limite pas à jeter des données dans un modèle, mais implique l'alignement des échelles spatiales et temporelles, la manipulation des données manquantes et l'étalonnage des phénomènes observés.

Prétraitement et fusion des données

Les données sociales et environnementales sont souvent présentées à des résolutions différentes. Les groupes de blocs de recensement peuvent être de plusieurs hectares, tandis que les données de surveillance de la qualité de l'air sont basées sur des données ponctuelles.

  • Échelle descendante spatiale[ – utilisant des variables auxiliaires (p. ex., couverture terrestre) pour distribuer des données agrégées sur des cellules ou parcelles de grille plus petites.
  • Interpolation temporelle[ – conversion des données annuelles de recensement en valeurs mensuelles ou saisonnières en utilisant les tendances des enquêtes ou des proxies.
  • Raccordement statistique[ – combinant deux ensembles de données avec des variables qui se chevauchent pour créer une vérité fondamentale synthétique. Par exemple, fusion du revenu des ménages d'une enquête avec des registres d'impôt foncier.

Les bibliothèques de Python comme Pandas, Geopandas et Rasterio rationalisent ces tâches. Il faut prendre soin de propager l'incertitude à travers le modèle.

Traduire les données en règles d'agent

Les données sociales définissent les attributs des agents – un agent type des ménages peut avoir une classe de revenu, la propriété automobile et le nombre d'enfants.Les données environnementales définissent l'état du monde – une parcelle de terre a un certain niveau d'utilisation des terres, de risque d'inondation et de bruit.Les règles établissent un lien entre les attributs du comportement : par exemple, si le revenu des ménages est faible et la fréquence de transit à proximité est élevée, alors la probabilité d'utiliser le transport en commun augmente.

Étalonnage et validation

Les modèles doivent être étalonnés pour reproduire les modèles historiques — densité de population, changement d'utilisation des terres, comptage du trafic — et validés par rapport à des données indépendantes. Les techniques courantes comprennent la modélisation axée sur les modèles (comparer les modèles simulés et observés) et l'analyse de sensibilité pour identifier des paramètres influents.

Une approche puissante est l'assimilation des données[, utilisée dans la prévision météorologique, où les observations en temps réel sont intégrées dans le modèle pour corriger le cap. Pour les GAB, cela est encore émergent mais est prometteur pour la gestion urbaine adaptative.

Applications pour le développement urbain durable

Des systèmes intégrés de gestion de l'environnement social ont été déployés dans divers domaines, dont les exemples suivants illustrent leur portée.

Transports et mobilité

Les modèles traditionnels de transport traitent les voyages comme une demande dérivée de l'utilisation des terres.Les GAB vont plus loin en simulant la façon dont les individus choisissent le mode, l'itinéraire et le calendrier des activités en fonction des contraintes sociales (p. ex., revenu, horaire de travail) et des facteurs environnementaux (p. ex., qualité de l'air le long d'une route).Par exemple, un modèle de Beijing a testé l'effet de la tarification de la congestion sur les émissions tout en tenant compte de l'équité : les agents à faible revenu qui ne pouvaient pas se permettre la redevance ont été transférés vers des corridors de transit plus pollués.

Utilisation des terres et infrastructure verte

Les GAB permettent aux planificateurs de simuler l'impact des politiques de zonage qui concentrent le développement dans les nœuds axés sur le transit tout en préservant les ceintures vertes. Les données sociales sur les préférences pour la vie en banlieue et en milieu urbain, combinées aux données environnementales sur la qualité des sols et les services écosystémiques, peuvent révéler des compromis.

Adaptation au climat et résilience

Un ABM peuplé de données démographiques peut identifier les communautés les plus exposées — les résidents âgés des maisons mal isolées, les ménages à faible revenu dans les zones inondables — et simuler leurs réponses adaptatives. Par exemple, un modèle de microdonnées de recensement combinées du comté de Miami-Dade, des cartes d'inondation de la FEMA et des données sur les réclamations d'assurance pour évaluer l'effet des élévations subventionnées des maisons.

Énergie et émissions

Les données sociales sur le revenu, l'éducation et l'influence des pairs (des réseaux sociaux) déterminent les courbes d'adoption du solaire sur les toits, tandis que les données environnementales sur l'irradiation solaire et l'orientation des toits déterminent le potentiel technique. Une étude réalisée à Austin, au Texas, a montré qu'un programme de rabais progressif a augmenté l'adoption chez les ménages à faible revenu tout en maintenant la réduction globale des émissions.

Défis et questions ouvertes

Malgré leur promesse, l'intégration des données sociales et environnementales dans les GAB est remplie d'obstacles. Le diable est dans les détails – et dans les données.

Qualité et disponibilité des données

Les données du recensement sont publiées tous les 5-10 ans; les données des téléphones mobiles souffrent de biais d'échantillonnage. Les données environnementales peuvent avoir une résolution grossière ou être incohérentes entre les administrations. La vérité au sol est coûteuse. Les modélistes doivent documenter les hypothèses et effectuer une quantification de l'incertitude. Des normes ouvertes comme OGC GeoSPARQL et des initiatives comme OpenStreetMap traitent partiellement de l'interopérabilité, mais beaucoup de travail reste.

Vie privée et éthique

Les techniques de protection de la vie privée et la production de données synthétiques peuvent atténuer les risques, mais elles peuvent fausser les relations. De plus, les GAB peuvent par inadvertance renforcer les biais présents dans les données historiques – par exemple, si les pratiques de prêt discriminatoires passées sont intégrées dans les règles sur les agents, le modèle pourrait perpétuer les inégalités.

Défis informatiques et techniques

Il faut souvent utiliser des GAB à grande échelle avec des millions d'agents, des couches environnementales à haute résolution et un calibrage itératif. Il faut souvent des ressources informatiques et en nuage à haute performance, qui peuvent être hors de portée des petits services d'urbanisme. Le couplage de modèles (par exemple, lier un GAB à un modèle météorologique ou hydrologique) ajoute de la complexité. Il y a un écosystème croissant d'outils open-source—GAMA[, NetLogo[, Mesa (Python)—qui abaisse la barrière.

Difficultés de validation

Validation de visage (vérification avec des experts) et validation orientée vers les modèles sont standard, mais ils ne prouvent pas que les mécanismes sont corrects. Le champ se dirige vers validation hors-échantillon—conserver les dernières années de données cachées et tester les prévisions du modèle—et prise de décision de gros efforts[ qui se concentre sur l'identification de politiques qui fonctionnent bien sur de nombreux futurs plausibles plutôt que des prévisions ponctuelles précises.

Orientations futures : Données en temps réel, modélisation participative et jumeaux numériques

La pratique consistant à intégrer les données sociales et environnementales dans les GAB progresse rapidement.

Fusion de données en temps réel

Avec la prolifération des capteurs IoT et des flux de médias sociaux, il devient possible de transmettre des données en direct dans des GAB. Imaginez un modèle qui ingère en temps réel les volumes de trafic et les lectures de qualité de l'air pour ajuster dynamiquement les horaires des signaux ou suggérer des itinéraires alternatifs. Telle est la vision des jumeaux numériques urbains – répliques interactives de villes qui simulent les conséquences des interventions en temps réel. Singapour , le projet Virtual Singapore et l'Union Européenne Destination Earth sont des exemples pionniers.

Intégration de l'apprentissage automatique

Par exemple, les agents d'apprentissage peuvent apprendre à optimiser leurs choix de localisation par l'essai et l'erreur dans le modèle, en imitant l'apprentissage humain. En même temps, ML peut aider à l'étalonnage du modèle en cherchant des espaces de paramètres haute dimension. Cependant, la prudence est nécessaire : les règles ML de la boîte noire peuvent manquer d'interpretation et ne peuvent pas se généraliser au-delà des données de formation.

Modèles participatifs et co-conçus

La modélisation participative implique des acteurs – résidents, planificateurs, propriétaires d'entreprises – dans la définition des agents, des règles et des scénarios. Les données sociales peuvent provenir d'ateliers ou de plateformes en ligne où les gens expriment leurs préférences. Les données environnementales peuvent être complétées par des initiatives de science citoyenne, telles que la surveillance communautaire de la qualité de l'air.Cette approche renforce la confiance et garantit que les résultats du modèle sont pertinents et réalisables.

Conclusion : Vers une durabilité urbaine fondée sur des données probantes

L'intégration des données sociales et environnementales dans les modèles basés sur les agents n'est pas une panacée, mais c'est l'un des cadres les plus rigoureux disponibles pour explorer le développement urbain durable.En établissant des simulations dans des données démographiques, comportementales et écologiques réelles, les planificateurs peuvent tester les politiques dans un environnement sans risque, identifier les conséquences imprévues et impliquer les communautés dans la co-création de solutions.

La durabilité urbaine n'est pas seulement un problème technique, mais un problème social et politique. Les GAB sont des outils de délibération, pas des décideurs. Ils peuvent éclairer les compromis : la densification peut réduire l'utilisation des voitures mais augmenter l'exposition à la chaleur locale; les toits verts peuvent améliorer la gestion des eaux pluviales mais augmenter les coûts de logement.

Traitement clé: Les GAB urbains les plus efficaces sont ceux qui traitent les données sociales et environnementales non pas comme des entrées séparées mais comme des couches entrelacées du même système complexe.