Modeling Functional Urban Centrality via Graph Attention Networks and Multi-Source Spatial Data Fusion

Les villes ont longtemps été comprises à travers leurs formes physiques. Les urbanistes et les géographes examinaient traditionnellement le nombre de personnes vivant dans un quartier, la hauteur des bâtiments et la façon dont les rues étaient tracées sur une carte. Ils supposaient que si un lieu paraissait dense et animé, il était le centre de l'activité. Mais dans le monde moderne, cette façon de percevoir une ville passe souvent à côté de la réalité. Un quartier peut être bondé de maisons et de gens, tout en paraissant vide et déconnecté du reste de la ville parce que les routes ne mènent pas vers lui, ou parce que les emplois et les commerces sont ailleurs. Inversement, un lieu comptant moins d'habitants peut bouillir d'activité parce qu'il se situe à l'intersection parfaite de routes de transport et de services. Ce fossé entre l'apparence physique d'une ville et son fonctionnement réel est le casse-tête que les chercheurs tentent de résoudre. Ils s'éloignent des cartes statiques pour comprendre la « centralité fonctionnelle » — une mesure de l'importance d'un lieu basée sur le flux réel de personnes, de biens et de services qui le traversent, plutôt que sur sa simple apparence physique.

Pour relever ce défi, une équipe de chercheurs du Maroc et de Suisse s'est tournée vers un nouveau type d'outil numérique. Ils se sont concentrés sur la région Rabat–Salé–Kénitra, un corridor métropolitain tentaculaire abritant près de trois millions de personnes. Cette zone est un mélange complexe de centres historiques, de quartiers d'affaires planifiés et de quartiers populaires denses, ce qui en fait un terrain d'essai idéal. Les chercheurs voulaient construire un modèle capable de voir la ville non pas comme une collection de blocs isolés, mais comme un réseau vivant où chaque partie est connectée à toutes les autres par les routes sur lesquelles les gens conduisent et marchent réellement.

Au lieu d'utiliser des cartes standards, l'équipe a découpé l'ensemble de la région en une grille de petits hexagones, semblables à un nid d'abeilles. Chaque hexagone est devenu un point de données, recelant une mine d'informations sur cette parcelle de terrain spécifique. Ils ont alimenté l'ordinateur avec une quantité massive de données diverses : des images satellites montrant la chaleur du sol et la présence d'espaces verts, des registres de l'emplacement des magasins et des bureaux, des recensements de population, et même l'éclat des lumières de la ville la nuit, qui sert de substitut à l'activité économique. De manière cruciale, ils ont également cartographié le réseau routier réel, calculant le temps nécessaire pour voyager entre deux points, plutôt que de simplement mesurer la distance à vol d'oiseau.

Le cœur de leur travail a été un programme informatique spécialisé appelé Réseau d'Attention de Graphe Autoencodeur (Graph Attention Network Autoencoder). Bien que ce nom semble technique, sa fonction est simple. Imaginez un système qui observe un quartier et demande : « Qui sont tes voisins, et quelle est leur importance ? » Contrairement aux anciennes méthodes qui traitaient chaque quartier comme une île indépendante, ce système a appris à pondérer l'influence des zones environnantes en fonction de leur connexion par la route. Il a accordé une attention particulière aux zones physiquement proches mais difficiles d'accès en raison du trafic ou de la configuration des routes, et il a reconnu qu'un lieu avec peu de bâtiments pouvait rester un hub majeur s'il se situait sur une route de transport critique. Le programme a traité toutes ces informations pour créer une nouvelle sorte de carte, une carte qui montre le véritable « battement de cœur fonctionnel » de la ville plutôt que sa simple densité physique.

Lorsque les chercheurs ont comparé leur nouvelle carte aux méthodes plus anciennes et plus simples, la différence était frappante. Les approches traditionnelles, qui reposent sur des statistiques de base, avaient tendance à ne voir que les centres urbains les plus évidents et les plus denses. Elles manquaient les hubs secondaires subtils qui s'étaient développés le long des axes de transport ou à proximité de services spécifiques. Le nouveau modèle, cependant, a révélé un tableau beaucoup plus nuancé. Il a réussi à identifier des zones physiquement denses mais fonctionnellement isolées, comme certains vieux quartiers populaires où les rues forment un labyrinthe qui ne se connecte pas bien au reste de la ville. Il a également repéré des zones qui semblaient calmes sur une carte, mais qui étaient en réalité des moteurs économiques vitaux car elles étaient parfaitement positionnées pour recevoir le trafic et les services.

Pour s'assurer que leurs résultats étaient réels et non un simple artefact de l'ordinateur, l'équipe a vérifié ses résultats par rapport à des preuves concrètes du monde réel. Ils ont comparé les « scores fonctionnels » générés par leur modèle pour différents quartiers avec les prix réels des terrains et des propriétés dans ces zones. Les résultats ont montré un lien clair : les lieux identifiés par le modèle comme hautement fonctionnels et bien connectés commandaient des valeurs foncières plus élevées. Cela a confirmé que le modèle capturait quelque chose de réel concernant la vitalité économique de la ville. Cela a prouvé que la valeur d'un lieu est davantage dictée par la facilité avec laquelle on peut s'y rendre et par ce que l'on peut y faire, plutôt que par le nombre de personnes qui y vivent.

L'étude a également offert un regard plus approfondi sur l'histoire même de la ville. En superposant leur nouvelle carte à l'histoire connue de l'urbanisme de la région, les chercheurs ont pu voir comment les décisions passées ont façonné le présent. Ils ont découvert que les zones les plus vibrantes et les mieux connectées étaient souvent celles qui avaient bénéficié de grands projets d'infrastructure, comme de nouvelles lignes de tramway ou des gares de train à grande vitesse. En revanche, certains des quartiers les plus densément peuplés se sont révélés être des « enclaves » — des lieux où les gens vivent à proximité les uns des autres mais sont coupés du flux principal de la ville en raison d'un manque de routes de connexion. Ces zones, souvent le résultat de programmes de logement du milieu du siècle conçus pour la rapidité plutôt que pour l'intégration, apparaissaient comme des îles isolées sur la carte du modèle, mettant en lumière une inégalité structurelle que les anciennes méthodes n'avaient pas réussi à détecter.

En fin de compte, cette recherche démontre que comprendre une ville nécessite plus que de compter les bâtiments ou de mesurer les distances. Cela nécessite de comprendre le réseau invisible de connexions qui lie un lieu. En utilisant l'apprentissage informatique avancé pour fusionner les données satellites, les réseaux de rues et l'activité humaine, les chercheurs ont créé un outil capable de diagnostiquer la santé d'une ville avec une clarté sans précédent. Cela montre que le véritable centre d'une ville n'est pas toujours là où se trouvent les plus hauts bâtiments, mais là où convergent les flux de la vie. Cette approche offre un moyen puissant pour les urbanistes de voir où la ville échoue à servir ses résidents et où de nouveaux investissements dans les routes et les transports pourraient libérer le potentiel des quartiers qui ont été laissés pour compte.