Coordination : Carole Delenne

Les modèles d’écoulement et de qualité des eaux urbaines doivent être paramétrés. L’acquisition à cet effet de données in situ reste coûteuse en temps et en moyens. Elle se complique souvent de problèmes d’accessibilité et de contraintes physiques ou sécuritaires. La généralisation des bases de données ouvertes et des informations en ligne ouvre des pistes nouvelles pour la recherche de données et d’informations. Trois actions sont nécessaires : (i) mettre en place des méthodes de fouille et d’analyse de données adaptées aux objets urbains ; (ii) utiliser des produits géomatiques (images aériennes, <em>etc</em>.) pour identifier des proxys permettant d’estimer les paramètres des modèles, (iii) fusionner les données en tenant compte des incohérences et propager les incertitudes le long de la chaîne de modélisation

L’objectif de ces recherches est de développer une méthode de récolte de données multi-sources et de fusion des connaissances en une information permettant la cartographie et la modélisation hydraulique d’un réseau d’assainissement urbain.

Dans le projet Cart’Eaux, une approche deep learning a été développée pour la détection des plaques d’égout sur des images aériennes à très haute résolution spatiale. Le réseau CNN AlexNet, adapté et entrainé sur une image à 5cm de résolution spatiale de la ville de Prades-Le-Lez dans l’Hérault, est appliqué sur la ville de Gigean avec une précision de 72% et un rappel de 54% {Pasquet et al., 2016} {Commandré et al., 2017}. Plusieurs pistes sont explorées pour améliorer ces résultats avant une application à plus grande échelle.

Un algorithme de cartographie au format SIG (shapefile) a été développé pour relier les plaques détectées par des tronçons, selon des fonctions coûts basées sur des règles métier (Chahinian et al., 2019). Les données télédétectées étant incertaines, une méthode stochastique permet de reconstituer des réseaux où une probabilité d’occurrence est associée à chaque tronçon.

Mais la connaissance de la topologie du réseau est loin d’être suffisante pour une modélisation hydraulique. Les logiciels ne peuvent fonctionner que si les caractéristiques des nœuds et des conduites sont parfaitement renseignées via des tables attributaires spécifiques, complètes et cohérentes.

Dans le projet MeDo, les textes sont récoltés automatiquement sur le Web, et classés (pertinent/non pertinent) par un réseaux de neurones. Les documents pertinents sont annotés grâce à la détection des entités thématiques (après apprentissage sur un corpus), ainsi que des entités spatiales et temporelles. Les entités trouvées sont reliées entre elles ce qui permet une visualisation spatiale de l’information dans un système d’information géographique.

Dans la thèse de Y. Belghaddar, l’utilisation de Graph Neural Networks permet de compléter les données manquantes. Un méta-modèle a également été conçu et implémenté dans la plateforme Moose, afin de d’imposer un cadre identique à chaque donnée quelle qu’en soit la source et quel que soit son format d’origine. Il constitue la première brique nécessaire à la fusion des données récoltées.