A Hybrid AI-IoT Framework for Predictive Conservation of Tropical Heritage Façades: Empirical Validation from a Multi-Site Study in Indonesia

Imaginez que vous êtes un détective tentant de résoudre un mystère, mais qu'au lieu de chercher des empreintes digitales, vous cherchez les empreintes invisibles de la météo sur de vieux bâtiments. Ce domaine scientifique se situe au carrefour de la conservation du patrimoine (sauver les vieux bâtiments importants) et de la technologie prédictive (utiliser les données pour deviner ce qui va arriver avant que cela n'arrive). Pendant longtemps, les gens ont su que les vieux bâtiments dans les endroits chauds et humides tombent malades. La « maladie » commence souvent par un changement de couleur — comme un mur qui prend une teinte sombre et humide ou qui développe des taches vertes duveteuses. Ces changements de couleur sont la façon dont le bâtiment tousse ; ils surviennent bien avant que les murs ne s'effondrent réellement.

Traditionnellement, les experts doivent circuler avec leurs yeux et des caméras, devinant où se trouve le problème. C'est comme essayer de trouver une fuite dans un toit en regardant le plafond seulement après que l'eau a déjà commencé à goutter. Mais et si nous pouvions donner au bâtiment une « montre connectée » ? C'est là que l'IoT (Internet des Objets) entre en jeu — de minuscules capteurs qui nous murmurent constamment la température et l'humidité. Et si nous pouvions apprendre à un ordinateur à écouter ces murmures et à observer les couleurs du bâtiment en même temps ? C'est la puissance de l'IA (Intelligence Artificielle). La grande question n'est pas seulement « Le bâtiment est-il malade ? », mais « Pouvons-nous prédire la maladie avant qu'elle ne commence, nous donnant ainsi le temps de la réparer ? ». Ce document explore précisément cela, en demandant si nous pouvons construire une boule de cristal numérique pour les vieux bâtiments dans les tropiques.

---

Le Docteur Numérique pour les Vieux Bâtiments

Dans la ville humide et pluvieuse de Semarang, en Indonésie, trois bâtiments historiques font face à un ennemi silencieux : la météo. Ce ne sont pas n'importe quels bâtiments ; il s'agit de Lawang Sewu (un bureau administratif colonial), Pasar Johar (un marché traditionnel) et la gare de Tawang. Ils sont faits de briques, de plâtre et de bois, et ils perdent lentement leur couleur et leur force à cause de la chaleur et de l'humidité constantes.

Les chercheurs, dirigés par Hassan Gbran, ont décidé de construire un « Cadre IA-IoT Hybride ». Voyez cela comme si l'on donnait aux bâtiments une équipe de deux détectives : l'un est une équipe de détection (l'IoT) et l'autre est un cerveau (l'IA).

L'Équipe de Détection (L'IoT)
D'abord, ils ont déployé 16 petits nœuds de capteurs à travers les trois bâtiments. Ces capteurs agissaient comme un système nerveux, vérifiant constamment l'air toutes les 15 minutes. Ils mesuraient la température et, plus important encore, l'humidité relative (HR). Dans ces lieux tropicaux, l'air est souvent si humide qu'il ressemble à une éponge. Les capteurs ont suivi la durée pendant laquelle l'humidité est restée au-dessus de 85 % — un niveau qui est comparable à une « zone de danger » pour ces matériaux. Ils ont même créé un score spécial appelé le Facteur de Stress d'Humidité (FSH), qui est comme un « compteur de stress » qui additionne toute l'humidité que le bâtiment a endurée au cours de la dernière journée, plutôt que de simplement regarder le moment présent.

Le Cerveau (L'IA)
Pendant que les capteurs surveillaient la météo, les chercheurs prenaient des milliers de photos haute résolution des murs des bâtiments. Ils utilisaient une technique appelée photogrammétrie pour transformer ces photos plates en jumeaux numériques 3D. Ensuite, ils décomposaient ces modèles 3D en millions de minuscules tuiles et analysaient les couleurs.

Ils ont utilisé deux types de détectives IA :

1. Le Détective Non Supervisé (Clustering Hiérarchique) : Cette IA examinait les couleurs et les regroupait sans savoir ce qu'elles étaient. C'est comme trier un sac de billes mélangées par couleur sans connaître le nom des couleurs. Elle a trouvé des groupes de « taches d'humidité », de « zones moisies » et de « briques normales ».
2. Le Détective Supervisé (Forêt Aléatoire / Random Forest) : C'est la star du spectacle. Cette IA a été entraînée par des experts humains qui ont étiqueté des milliers de tuiles comme étant de la « moisissure », des « taches de sel » ou « saines ». L'IA a appris à reconnaître ces motifs. Crucialement, cette IA ne regardait pas seulement les couleurs ; elle regardait aussi le Facteur de Stress d'Humidité provenant des capteurs. Elle a appris que si le « compteur de stress » est élevé, un certain changement de couleur est susceptible de se produire bientôt.

La Grande Découverte : Une Avance sur le Désastre

Les résultats ont été impressionnants. L'IA n'a pas seulement identifié les dommages ; elle les a prédits.

• Précision : L'IA était un très bon détective. Elle a correctement identifié le type de dommage sur les murs environ 87 % du temps (un score appelé F1). Lorsqu'ils ont comparé la carte des dommages de l'IA à l'état réel des dommages, l'IA était 17 % à 51 % plus précise que le détective non supervisé travaillant seul. Cela prouve que connaître l'historique de la météo aide l'IA à mieux comprendre les couleurs.
• Le Facteur de Stress d'Humidité : Les chercheurs ont effectué un test pour voir ce qui se passerait s'ils retiraient les données météorologiques. La performance de l'IA a chuté de 9,2 %. Cela a confirmé que le « compteur de stress » (FSH) était l'indice le plus important. Il ne s'agit pas seulement de savoir à quel point il est humide en ce moment, mais à quel point il a été humide au cours des dernières 24 heures.
• La Boule de Cristal (Temps d'avance) : C'est la partie la plus cool. Le système pouvait identifier un « événement à haut risque » (comme une poussée soudaine de croissance de moisissure) 4,8 à 16,7 heures avant que la condition ne se matérialise pleinement dans les données de test. Cependant, l'article précise avec prudence que ce sont des délais techniques. Ils montrent que le système peut détecter les signes d'alerte tôt, mais l'étude n'a pas testé si les gestionnaires de bâtiments pouvaient réellement agir sur ces alertes dans ce laps de temps. Des facteurs tels que la disponibilité du personnel, les cycles budgétaires et les protocoles de décision n'ont pas été évalués, donc la capacité de « réparer avant que le dommage ne commence » reste une possibilité théorique plutôt qu'une réalité opérationnelle prouvée.

Comment Ils Ont Décidé de Ce Qu'il Fallait Réparer en Premier

Les chercheurs ne voulaient pas seulement trouver des problèmes ; ils voulaient savoir quels problèmes importaient le plus. Ils ont créé une Matrice de Priorité. Ils ont combiné le Score de Risque (quelle est la probabilité que le mur pourrisse ?) avec l'Indice de Valeur Patrimoniale (quelle est l'importance de ce mur pour l'histoire ?).

• Risque Élevé + Valeur Élevée : C'est la « Zone Rouge ». Par exemple, l'entrée principale de Lawang Sewu avait une valeur patrimoniale élevée et un risque modéré, ce qui en faisait une priorité absolue.
• Risque Élevé + Valeur Faible : C'est la « Zone Technique ». Le sous-sol de Lawang Sewu présentait une humidité et un risque très élevés, mais une valeur historique moindre. Il devait quand même être réparé, mais peut-être pas avec la même urgence que la salle principale.
• Risque Faible + Valeur Élevée : C'est la « Zone de Surveillance ». Il suffit de garder un œil dessus.

Le Piège et l'Avenir

L'article est très honnête sur ses limites. L'IA est un « plan directeur », pas une baguette magique qui fonctionne partout instantanément.

• Elle nécessite un réglage local : Le seuil d'humidité spécifique (85 %) peut fonctionner à Semarang, mais une autre ville tropicale pourrait avoir besoin d'un chiffre différent. Le modèle doit être « recalibré » pour de nouveaux endroits.
• C'est un avertissement technique, pas une solution magique : L'IA peut dire : « Danger dans 12 heures ! », mais elle ne sait pas si les gestionnaires de bâtiments ont le budget ou le personnel pour réparer cela dans ce délai. Cette partie dépend toujours des humains, et l'étude n'a pas évalué la faisabilité opérationnelle.
• Subjectivité : Bien que l'IA soit excellente pour repérer les couleurs, décider si un changement de couleur est de la « moisissure » ou simplement de la « saleté » nécessite toujours l'avis d'experts humains. Les chercheurs ont utilisé trois experts pour s'accorder sur les étiquettes, mais il reste toujours une part de supposition humaine.

Conclusion

Cette étude prouve que nous pouvons cesser de traiter les vieux bâtiments comme des patients que l'on n'aide que lorsqu'ils sont déjà mourants. En combinant de petits capteurs qui surveillent la météo avec une IA intelligente qui surveille les couleurs, nous pouvons obtenir une avance technique de 4 à 16 heures pour détecter les conditions à haut risque dans les sites patrimoniaux tropicaux. C'est un passage du « réactif » (réparer le mur cassé) au « prédictif » (identifier le risque tôt). Bien que le système nécessite plus de tests dans d'autres villes, de meilleurs capteurs pour l'avenir et des essais opérationnels en conditions réelles pour voir si les gestionnaires peuvent agir sur les alertes, il offre une manière porteuse d'espoir et basée sur les données pour maintenir notre histoire debout face à un climat changeant.