Urbanisme équitable : l'IA au service de l'inclusivité

• Des outils basés sur l’IA permettent de cartographier des quartiers informels dans les zones à l’urbanisation fulgurante, comme en Amérique latine, et d’améliorer l’urbanisme équitable.
• Ces outils aident à prendre en considération ces zones à l’abandon dans l’aménagement urbain et la répartition des ressources, en comblant les énormes manques d’infrastructures et de services.
• Les analyses basées sur l’IA des environnements urbains permettent de répondre aux inégalités spatiales, d’améliorer la biodiversité et l’habitabilité et d’orienter les décisions politiques vers un développement plus équitable.
• Malgré les enjeux de confidentialité et d’évolutivité, les efforts continus dans l’IA boostent son efficacité et son applicabilité en contexte urbain.

Avec 81 % de citadins, l’Amérique latine est une des régions au monde les plus urbanisées, où les villes continuent malgré tout de croître. En 1950, seuls 41 % des Latino-Américains vivaient en ville, mais depuis, les amples mouvements de population se déversant dans les villes ont donné lieu à l’émergence de quartiers informels dans des zones non desservies par les services de voirie et éloignées des réseaux d’énergie et souvent de la reconnaissance administrative.

Selon le Programme des Nations unies pour les établissements humains (ONU-Habitat), 21 % des habitants de la région Amérique latine et Caraïbes, soit 110 millions de personnes environ, vivent dans des quartiers informels où elles sont gravement touchées par la pollution, le manque d’accès aux services et aux transports, l’insécurité et les infrastructures déficientes. Il s'agit d'un problème de longue date que les dirigeants tentent aujourd’hui de résoudre en se tournant vers les nouvelles technologies telles que l’intelligence artificielle (IA).

Les moteurs de photogrammétrie assistés par IA cartographient les quartiers informels, un premier pas vers leur intégration aux recensements citoyens et à la répartition des ressources. L’IA joue un rôle primordial dans des contextes nord-américains plus développés, utilisant des données publiques afin d’évaluer et d’améliorer la qualité de l’urbanisme grâce à des politiques favorables.

Bien que le contexte et l’application restent très différents, les urbanistes et les data scientists unissent leurs forces afin d’utiliser l’IA pour créer des villes plus équitables. L’espoir est qu’une compréhension plus profonde du fonctionnement des processus urbains, dérivée de données visuelles accessibles au public, puisse générer de meilleures solutions politiques accompagnées des synergies nécessaires pour les soutenir.

Cela dit, l’IA n’est pas la panacée en matière de développement urbain. Cette technologie n’en est qu’à ses débuts et pose des problèmes critiques d’accès aux données, de manque d’expertise et d’évolutivité, ainsi que des menaces potentielles pour le grand public, telles que le manque de confidentialité des données, les excès de surveillance, les préjugés intégrés et les perturbations sur les marchés de l’emploi. Ensemble, ces écueils nuisent considérablement à la confiance que le public accorde à l’IA. Quoi qu’il en soit, les outils d’IA joueront un rôle de plus en plus important dans la planification des villes du monde entier ; la question qui demeure est de savoir comment.

Cartographie hyperlocale : identifier les quartiers informels en Amérique latine

Développée par l’urbaniste et informaticien Antonio Vazquez Brust, Mapping with AI for Informal Areas (MAIIA) est une plateforme de photogrammétrie qui cartographie les quartiers informels en Amérique latine. Financée par la Banque interaméricaine de développement, MAIIA scanne les contours, les couleurs et les contrastes afin de définir et de cartographier les limites des quartiers informels à l’aide d’images satellites publiques et d’images de drones.

Destinée aux autorités municipales d’Amérique latine et des Caraïbes, la plateforme fonctionne le mieux lorsque les utilisateurs peuvent insérer des plans existants (même s’ils sont obsolètes) ou des frontières supposées de quartiers informels, puis laissent le modèle s’entraîner sur ces données pendant plusieurs jours. Une fois que l’algorithme s’est familiarisé avec le contexte local, il est possible de créer une série itérative de plans à intervalle de quelques mois afin de mesurer les évolutions.

Selon Antonio Vazquez Brust, ce processus, « exponentiellement » moins cher que les méthodes d’enquête traditionnelles, « peut vous dire où et environ combien de personnes vivent sans accès à l’eau, par exemple ».

Ainsi, la compréhension qu’a MAIIA des quartiers informels est hyperlocale et extrêmement sensible au contexte, explique Antonio Vazquez Brust : « Dans chaque ville, nous repartons à zéro pour ainsi dire. Si vous entraînez l’algorithme pour la périphérie de la ville de Bogotá en Colombie et que vous le testez avec une autre ville colombienne située dans les zones côtières, l’algorithme s’embrouille. Nos dynamiques urbaines sont profondément différentes. »

MAIIA a également une compréhension rudimentaire des éléments à l’intérieur des quartiers informels et peut, par exemple, repérer les voies de circulation, le contexte topographique ou l’accès aux réseaux publics. L’algorithme actuel nécessite de nombreuses heures de formation et d’annotations manuelles pour être en mesure de comprendre les éléments individuels d’un quartier spécifique ou juste de quelques pâtés de maisons.

« La prochaine étape sera de pouvoir discerner ce qui se passe à l’intérieur des zones informelles, déclare Antonio Vazquez Brust. Et si la capacité technique de connecter MAIIA directement aux services de l’État avec des rapports automatisés existe bel et bien aujourd’hui, ajoute-t-il, les autorités locales comme nationales en Amérique latine disposent rarement d’une infrastructure de ressources humaines capable d’assumer cette responsabilité ».

Jusqu’à présent, les plateformes comme MAIIA sont « une ressource permettant de prendre des décisions, mais elles ne sont pas des déclencheurs automatiques pour les équipes sur le terrain, explique Soledad Guilera, enseignante à la Goldman School of Public Policy de Berkley, Université de Californie, qui étudie l’usage de l’IA dans les villes. Ces outils accélèrent la manière dont nous traitons l’information et contribuent à la rendre plus efficace en ciblant ce qui doit être fait, mais heureusement, il s’agit toujours d’un processus humain. »

Pour MAIIA, Antonio Vásquez Brust souhaite ensuite développer des fonctionnalités visant d’une part à comptabiliser les toits des quartiers informels afin d’obtenir un chiffre approximatif d’unités d’habitation et d’autre part à vérifier l’intégrité structurelle des bâtiments. Le plus important, cependant, sera de surmonter les problèmes d’évolutivité des données grâce à un modèle plus universel qui nécessite moins d’entraînement manuel et automatique, afin d’appliquer l’outil à chaque nouvelle localité.

Transformer l’aménagement urbain avec des informations au niveau des rues

Alors que MAIIA se concentre sur la vue du ciel dans les villes d’Amérique latine, State of Place évalue le degré d’urbanisation au niveau des rues. Cet outil, développé par Mariela Alfonzo, aide à optimiser équitablement la valeur sociale, sanitaire, environnementale et économique des populations et s’appuie sur des données et sur les sciences sociales.

State of Place utilise l’IA pour évaluer la qualité de l’environnement bâti à partir d’images prises dans les rues. L’outil utilise la vision par ordinateur pour extraire des données sur 127 caractéristiques individuelles de l’aménagement urbain et regroupe ces données en un score de 0 à 100, connu sous le nom d’indice State of Place. L’indice est divisé en sous-indices qui mesurent dix dimensions de l’aménagement urbain, englobant à la fois des modèles généraux d’urbanisme (densité, connectivité, utilisation des sols, clôture et continuité du paysage de rue, etc.) et des éléments de détail comme le marquage des passages piétons, les bancs, les pistes cyclables et les terrasses de restaurant. Le logiciel visualise ces données dans l’espace et sous forme de graphiques afin d’aider les utilisateurs à évaluer les biens et les besoins de leur environnement bâti.

State of Place a également mis au point une série de modèles de prévision qui associent l’indice et ses dix sous-indices à divers résultats, notamment la valeur des biens immobiliers, l’apparition de maladies chroniques, l’indice de chaleur et la proportion de personnes à pied, en voiture ou qui prennent les transports en commun. Le logiciel permet ensuite aux utilisateurs de formuler des recommandations spécifiques en matière d’aménagement urbain, susceptibles de les aider à atteindre leurs objectifs politiques ou les résultats souhaités, tels que l’augmentation des prix des bureaux, la réduction des taux de diabète, l’atténuation de la criminalité ou l’augmentation de la fréquentation des transports en commun.

Les utilisateurs peuvent ensuite simuler l’impact des recommandations de modification de l’environnement bâti sur l’indice global State of Place et, à leur tour, contribuer ou nuire à leurs priorités politiques ou à la valeur de la collectivité. Par exemple, comment le fait d’ajouter des bancs le long d’une rue ou de planter des arbres modifie-t-il le nombre d’accidents de la circulation ou augmente-t-il les impôts fonciers ? Cela attire-t-il plus de piétons, stimulant ainsi le chiffre d’affaires des commerçants ? Ces prévisions de valeur, ou analyses prédictives, ont aidé les secteurs publics, à but non lucratif et privés à utiliser des données probantes pour « justifier leurs investissements ou obtenir l’adhésion de la collectivité et par là même garantir le financement ou l’approbation des projets proposés », explique Mariela Alfonzo. Elles aident également les utilisateurs à hiérarchiser les propositions de rénovations qui reflètent le mieux les valeurs auxquelles les collectivités sont le plus attachées.

Par ailleurs, leurs modèles d’IA ont déjà permis de découvrir des liens plutôt étonnants entre l’aménagement urbain et des éléments de qualité de vie apparemment sans rapport. Par exemple, en travaillant avec le département des transports de la ville de Durham, en Caroline du Nord, qui cherchait à atteindre les objectifs Vision Zéro, les modèles State of Place ont montré que pour chaque augmentation d’un point de l’indice, il y avait une réduction moyenne de 12,3 % de la probabilité d’un accident de la circulation. Aussi important que soit ce chiffre, il s’agit d’un résultat sans surprise. Toutefois, en creusant un peu plus, Mariela Alfonzo a également constaté que les lieux qui obtenaient de meilleurs résultats dans le sous-indice parcs et espaces publics présentaient un risque beaucoup plus faible d’accident entre véhicules. Une augmentation d’un point dans le sous-indice se traduisait par une réduction du risque d’accident de 26,5 % en moyenne.

« C’est une relation indirecte, à laquelle les ingénieurs de la circulation n’ont pas tendance à penser, dit-elle. Ce qui se passe, c’est que lorsqu’il y a un parc ou un espace public, il y a plus de monde, plus de piétons, et les gens ont tendance à ralentir dans ces zones. » Comprendre les liens entre l’environnement bâti et la qualité de vie ne permet pas seulement d’établir des priorités pour des stratégies d’aménagement efficaces, cela peut littéralement sauver des vies.

L’indice State of Place, en tant que mesure objective de l’environnement bâti, n’inclut pas les facteurs démographiques, mais cela ne signifie pas qu’aucun lien n'existe. Les données démographiques, dont l’ethnicité, le revenu, les origines et d’autres paramètres ayant un impact sur l’équité, sont prises en compte par les modèles d’analyse prédictive de State of Place. Par exemple, dans le cadre de sa collaboration avec la ville de Philadelphie, State of Place a constaté que les endroits où l’indice était le plus faible présentaient des taux plus élevés de maladies chroniques, de criminalité, d’incidence du COVID-19, de chaleur et d’inondations. Les personnes vivant dans les zones les moins bien notées étaient plus souvent noires et avaient des revenus et des taux d’éducation inférieurs à ceux des personnes vivant dans des endroits où l’indice était plus élevé. En quantifiant les inégalités liées à l’environnement bâti, ou à l’équité spatiale, on peut plus facilement plaider en faveur de lieux plus justes et plus prospères.

À cette fin, State of Place quantifie le risque de gentrification et de déplacement lié aux investissements proposés dans l’environnement bâti. Supposons, par exemple, qu’un plan de réaménagement prévoie l’ajout d’une série de mini-parcs pour les vendeurs de rue, de nouvelles pépinières artistiques et culturelles et de nouveaux commerces, ainsi qu’une augmentation du nombre de logements à prix modérés. Le logiciel quantifie non seulement l’augmentation du score de l’indice de l’état des lieux à la suite de ces changements, mais il prédit également l’augmentation probable des loyers, des valeurs immobilières et des taxes foncières.

Les défenseurs et les décideurs politiques peuvent désormais calculer l’écart entre ce que les résidents actuels ou les propriétaires de magasins de quartier peuvent réellement payer et les loyers ou les taxes foncières prévus à l'avenir, puis élaborer des politiques et des stratégies : accords de bénéfices intercommunautaires, mise en réserve de terrains, subventions et autres, dont ils peuvent se servir pour combler les lacunes en matière d’accessibilité financière. Ces nouvelles politiques proactives, conçues pour refléter les prévisions du modèle, sont nécessaires « pour garantir que l’augmentation de la valeur se répercute réellement sur les résidents qui avaient besoin de cet effort de réaménagement au départ », explique Mariela Alfonzo.

Analyse de la foresterie urbaine comme indice d’inégalité

Les arbres sont un des indices de qualité urbaine pris en compte par State of Place, mais leur entretien et leur viabilité sont au cœur de la plateforme Quantified Trees (QTrees), développée par Julia Zimmermann pour Technologiestiftung Berlin, en collaboration avec Birds on Mars et le service des jardins du Berlin-Mitte. S’appuyant sur une vaste base de données d’arbres à Berlin, qui couvre 860 000 des quasi un million d’arbres de la ville, QTrees utilise l’IA et des données sur les précipitations, la température, le type, l’âge et les programmes d’arrosage existants, ainsi que des données collectées par des capteurs d’humidité, pour déterminer les besoins en arrosage de chaque arbre. L’outil intègre un modèle 3D de Berlin qui suit l’ombre projetée par les grands bâtiments sur les arbres et la trajectoire du soleil dans le ciel pour calculer les niveaux d’ombrage de chaque arbre. On regrette que le modèle ne soit pas automatiquement mis à jour lorsque de nouveaux bâtiments sont construits ou d’autres démolis.

« On rassemble toutes ces petites caractéristiques sur un arbre afin de calculer la tension du sol pour les quatorze jours à venir, c’est-à-dire la force que les arbres utilisent pour aspirer le sol afin d’en extraire l’eau », explique Julia Zimmermann. La tension du sol est un indicateur clé de la quantité d’eau dont un arbre a besoin. Bien que l’humidité du sol soit une mesure plus précise dans de nombreux cas, le processus de surveillance de l’humidité du sol n’est pas pratique et se révèle parfois imprévisible. De nombreux capteurs de sol sont nécessaires et la dispersion de l’humidité dans les sols urbains est souvent irrégulière, car les éléments d’infrastructure tels que les conduites d’eau, les fondations des bâtiments et les lignes de transport en commun courent souvent sous le sol, ce qui entrave le flux d’humidité vers les arbres.

À l’heure actuelle, Berlin dispose d’un réseau de plus de 200 appareils de mesure de la tension du sol qui collectent des données. « Plus la tension du sol est élevée, plus il est sec et plus il faut l’arroser », explique Julia Zimmerman. À l’aide d’un tableau de bord, les autorités municipales peuvent classer les arbres en fonction de leur besoin en eau, de leur emplacement, de leur âge, etc. QTrees, qui fonctionne à partir de données publiques, est basé sur un code source ouvert. Cela explique qu’il puisse facilement être adopté par d’autres villes à condition qu’elles fournissent une base de données des arbres et des capteurs d’humidité comme référence, afin d’entraîner le modèle d’IA.

À Berlin et dans toutes les autres villes, les arbres constituent un puissant facteur d’inégalité. Ils sont essentiels à la biodiversité, à la santé humaine, à la capture du carbone et à la rétention d’eau. En leur absence, les villes sont plus chaudes, moins tranquilles et moins accueillantes. « Si une ville est verte, l’habitabilité est bien meilleure », affirme Julia Zimmermann.

Pour résoudre les problèmes d’évolutivité des données inhérents à QTrees, il faudrait déployer des ressources considérables pour constituer des bases de données d’arbres similaires dans d’autres villes, ce qui se heurte de plein fouet aux exigences de retour sur investissement fixées par le secteur privé, qui est souvent moteur du développement de l’IA et des villes elles-mêmes. Les avantages à long terme des villes peuplées d’arbres sont évidents, mais le rendement à court terme ne l’est pas. Ici comme ailleurs, l’efficacité pure du marché n’est pas la meilleure voie vers un urbanisme équitable. Alors, comment former l’IA à démontrer les valeurs humaines au-delà de la rentabilité ? « Voilà pourquoi il est si important d’associer sciences sociales et science des données », explique Mariela Alfonzo.

Une éthique de l’IA est un enjeu réglementaire critique, soumis à débat dans un domaine encore balbutiant. Pour conclure, Soledad Guilera rappelle que pour parvenir à la bonne politique, il faut inviter le bon groupe de parties prenantes, à savoir un groupe aussi diversifié que possible, capable de comprendre le contexte social et économique de toutes les personnes touchées par l’IA. « Plus nous nous empressons d’être efficaces et rapides, plus nous prenons de risques quant à nos décisions et quant à leur impact sur les populations, ajoute-t-elle. Je pense que l’un des grands rôles des villes sera de porter le débat public autour de l’IA, en termes d’éducation, mais aussi d’engagement citoyen et de création d’un espace propice aux discussions au niveau local. »