Mapping Historic Urban Footprints in France: Balancing Quality, Scalability and AI Techniques

Cette étude présente un pipeline d'apprentissage profond évolutif utilisant une approche U-Net en deux passes pour extraire le premier jeu de données national à accès libre des empreintes urbaines de la France métropolitaine entre 1925 et 1950 à partir des cartes historiques Scan Histo, permettant ainsi une analyse quantitative de l'étalement urbain avant les années 1970.

L'essentiel

Voici une explication simple et imagée de ce travail de recherche, conçue pour être comprise par tout le monde.

🕵️‍♂️ Le Grand Détective des Cartes Anciennes

Imaginez que vous voulez savoir comment les villes françaises ont grandi entre 1925 et 1950. C'est une période charnière : après la guerre, la reconstruction, et le début de l'ère de l'automobile. Le problème ? À cette époque, il n'y avait pas de satellites pour prendre des photos depuis l'espace. Les seuls témoins de l'époque sont des cartes papier scannées (le projet "Scan Histo").

Le défi pour les chercheurs ? Ces cartes sont magnifiques, mais elles sont très compliquées à lire pour un ordinateur. Elles sont pleines de texte, de lignes de relief, de hachures et de couleurs qui ont vieilli. Si vous demandez à un ordinateur classique de dire "où sont les maisons ?", il va souvent confondre un mot écrit "Paris" avec un quartier résidentiel, ou une ligne de contour de montagne avec une rue.

🤖 La Solution : Un "Double Coup de Miroir" (L'IA en deux temps)

Les auteurs (Walid, Marion et Rémi) ont créé une intelligence artificielle (IA) spéciale pour résoudre ce casse-tête. Au lieu de lui donner une seule chance, ils ont utilisé une stratégie en deux passes, comme un artiste qui esquisse d'abord un dessin grossier avant de peindre les détails.

1. Le Premier Coup d'œil (L'Ébauche) :
   Imaginez un élève qui regarde une carte pour la première fois. Il essaie de repérer les zones bâties. Il fait des erreurs : il confond parfois les noms de villes avec des maisons, ou les routes avec des bâtiments. Mais c'est utile ! Cette première tentative permet à l'ordinateur de dire : "Tiens, je me suis trompé ici, je vais apprendre de mes erreurs."

2. Le Second Coup d'œil (Le Polissage) :
   C'est là que la magie opère. L'ordinateur prend le résultat un peu "sale" de la première passe et le nettoie. Il apprend spécifiquement à ignorer ce qui l'a trompé (le texte, les routes, les lignes de contour). C'est comme si vous aviez un filtre magique qui enlève le bruit de fond pour ne garder que les vrais bâtiments.

🧩 Pourquoi c'est difficile ? (L'analogie du Puzzle)

Pensez à ces cartes comme à un énorme puzzle où les pièces sont de différentes couleurs et tailles :

• Le centre-ville est représenté par des blocs noirs avec des textures à l'intérieur.
• La banlieue est souvent des blocs pleins.
• Paris a ses propres règles (des blocs rouges !).
• Les fausses pistes sont partout : des lignes noires qui ressemblent à des routes mais qui sont en fait des limites administratives, ou du texte qui ressemble à des bâtiments.

L'IA a dû apprendre à distinguer ces pièces sans se laisser piéger par les "fausses pièces".

🌍 Le Résultat : Une Carte de France "Numérisée"

Grâce à cette méthode, les chercheurs ont réussi à transformer 941 grandes cartes (couvrant toute la France métropolitaine) en une seule image numérique géante.

• Précision : L'IA a réussi à identifier correctement les zones urbaines dans 73 % des cas à l'échelle nationale. C'est un score impressionnant pour des cartes aussi anciennes et variées !
• Libre accès : Le plus beau, c'est qu'ils ont tout rendu public. Les codes, les cartes finales et les données sont disponibles gratuitement pour que n'importe qui puisse étudier l'histoire des villes.

🚀 À quoi ça sert ?

Cette nouvelle carte est comme une machine à remonter le temps. Elle permet de :

• Voir exactement comment les villes ont explosé après la Seconde Guerre mondiale.
• Comparer la taille des villes en 1930 avec celles d'aujourd'hui (grâce aux satellites modernes).
• Comprendre comment l'urbanisation a changé le sol et l'environnement sur le long terme.

En résumé : Les chercheurs ont créé un "super-brillant" qui sait lire nos vieilles cartes poussiéreuses, enlever le bruit et les fausses pistes, et nous donner une vue claire de la France urbaine d'il y a 80 ans. C'est une fenêtre ouverte sur notre passé, rendue possible par l'intelligence artificielle.

Résumé technique

Voici un résumé technique détaillé de l'article pré-imprimé « Mapping Historic Urban Footprints in France: Balancing Quality, Scalability and AI Techniques », rédigé en français.

1. Problématique

L'analyse quantitative de l'étalement urbain historique en France avant les années 1970 est entravée par l'absence de données numériques nationales sur les emprises urbaines. Bien que des archives cartographiques existent (notamment la série Scan Histo de l'IGN couvrant la période 1925-1950), leur exploitation automatique est complexe.
Les défis majeurs incluent :

• L'hétérogénéité stylistique et radiométrique des cartes scannées (dégradation du papier, variations d'encre, producteurs différents).
• La confusion sémantique : les éléments urbains (bâtiments) partagent des caractéristiques visuelles (lignes noires, textures) avec d'autres éléments cartographiques tels que les routes, les lignes de contour, les hachures de végétation et, surtout, le texte (étiquettes, noms de villes).
• Le manque de données d'entraînement à grande échelle pour les périodes pré-satellitaires, contrairement à l'ère moderne (Landsat, SPOT) où les données sont abondantes.

2. Méthodologie

L'étude propose un pipeline d'apprentissage profond (Deep Learning) scalable basé sur une architecture U-Net, optimisée par une approche en deux passes (dual-pass) pour gérer la complexité des cartes historiques.

A. Préparation des Données

• Source : 941 tuiles de cartes Scan Histo (IGN) couvrant la France métropolitaine (hors Corse et DOM), résolution 5m, format JP2.
• Annotations : Un jeu de données de référence a été créé à partir de la numérisation manuelle de zones tampons autour de 84 villes françaises. Les masques binaires distinguent les zones urbaines (1) des zones non urbaines (0).
• Complexité : Le dataset inclut des variations de typologie urbaine (blocs centraux texturés, périphéries pleines, spécificités régionales comme Paris en rouge).

B. Architecture et Pipeline d'Entraînement

Le processus se déroule en trois étapes clés :

1. Première passe (Prédiction initiale) :
   • Entraînement d'un modèle U-Net sur un petit jeu de données initial (58 paires image/masque).
   • Objectif : Générer une carte préliminaire pour identifier les zones de confusion (textes, routes, hachures) et guider l'augmentation ciblée des données.
2. Deuxième passe (Raffinement et Augmentation) :
   • Création d'un jeu de données élargi (312 paires) incluant un échantillonnage ciblé des zones d'erreur détectées précédemment.
   • Entraînement d'un second modèle U-Net.
   • Innovation clé : Au lieu d'utiliser les cartes RGB originales, cette étape utilise le masque binaire issu de la première passe comme entrée. Cela réduit considérablement le bruit radiométrique et la complexité stylistique, permettant au modèle de se concentrer sur la géométrie urbaine.
3. Inférence à grande échelle :
   • Application du modèle final sur les 941 tuiles nationales via un cluster HPC (NVIDIA A100).
   • Processus de mosaïquage pour reconstituer la couverture nationale.

C. Évaluation

Les performances sont mesurées via des métriques de segmentation sémantique : Précision, Rappel, F1-Score (Dice) et l'Indice de Jaccard (IoU). Une analyse par itération (nombre d'époques) est réalisée pour éviter le surapprentissage (overfitting).

3. Résultats Clés

• Précision Globale : Le modèle atteint une précision globale de 73% à l'échelle nationale.
• Comparaison : La méthode U-Net surpasse nettement les approches traditionnelles (classification semi-automatique, K-means) et même d'autres architectures DL comme DeepLabV3+ (69%), particulièrement dans les zones rurales où la cohérence spatiale est cruciale.
• Performance par zone :
  • Zones urbaines et centrales : Très haute précision (jusqu'à 85-91%), excellente détection des blocs bâtis.
  • Zones rurales/périphériques : Précision plus faible (40-60%) en raison de la confusion persistante avec les lignes de contour, les textures agricoles et les résidus de texte.
• Optimisation des époques : L'analyse montre que 20 époques sont optimales pour la première passe (données RGB complexes), tandis que 10 époques suffisent pour la seconde passe (données binaires moins hétérogènes).
• Réduction des faux positifs : La deuxième passe permet d'éliminer la majorité des faux positifs liés au texte et aux routes linéaires, bien que certaines erreurs subsistent dans les terrains accidentés.

4. Contributions et Innovations

1. Premier jeu de données national ouvert : Production et publication du premier jeu de données d'empreintes urbaines numériques pour la France pour la période charnière 1925-1950.
2. Approche méthodologique innovante : L'utilisation d'une architecture U-Net en deux passes (RGB vers Binaire) pour traiter la complexité radiométrique des cartes historiques, réduisant le bruit sans sacrifier la précision géométrique.
3. Transparence et Reproductibilité : Publication complète du code (GitHub), des données d'entraînement, des masques de vérité terrain et du modèle pré-entraîné sur des dépôts ouverts (Nakala, GitHub).
4. Échelle : Traitement de l'ensemble du territoire métropolitain (941 tuiles), une première pour ce type de données historiques.

5. Signification et Perspectives

• Comblement de la lacune temporelle : Cette étude permet d'analyser l'étalement urbain français avant l'avènement des données satellitaires (années 1970), offrant un point de comparaison crucial pour étudier l'impact de la Seconde Guerre mondiale, de la reconstruction et de l'essor automobile.
• Applications potentielles : La couche d'empreinte urbaine (disponible en 5m et rééchantillonnée à 100m pour compatibilité GHSL) permet d'étudier la dynamique de l'urbanisation, la consommation d'espaces naturels et l'évolution des formes urbaines (ex: expansion de Paris, Marseille, Orléans).
• Futur : Les auteurs prévoient d'étendre la méthode aux cartes plus anciennes (État-Major, Cassini) et d'intégrer la reconnaissance optique de caractères (OCR) pour mieux filtrer le texte, tout en explorant la segmentation multi-classes.

En résumé, cet article démontre la faisabilité de l'extraction automatique d'empreintes urbaines historiques à l'échelle nationale grâce à une approche DL adaptée, fournissant une ressource fondamentale pour la recherche en géographie historique et en dynamique urbaine.