Par le croisement de données géographiques et de connaissances métier (Environnement, Bâtiment, Habitat, Changement Climatique), le Cerema propose de structurer une base de données multithématique relative à la qualité de l’enveloppe des bâtiments (Baobat). Elle pourra offrir aux acteurs territoriaux une approche stratégique du patrimoine bâti présent sur leur territoire.
Nuisances environnementales et bâtiments
Nous savons aujourd’hui cartographier la qualité des milieux vis-à-vis de l’air et du bruit, par exemple au travers des indicateurs de co-exposition air et bruit élaborés par le Cerema pour l’observatoire régional orhane. Par ailleurs, nous savons cartographier les populations exposées à ces nuisances. Mais dans le processus visant la connaissance de l’exposition des populations aux nuisances environnementales, demeure un maillon manquant. Il s'agit de la composante « bâtiment », qui joue pourtant un rôle essentiel : isolation acoustique, perméabilité aux polluants, émetteur potentiel.
Classification du bâti suivant le type constructif
Pour envisager cette composante « bâtiment », il a donc été proposé d'intégrer dans la base Baobat, les informations qualifiant le niveau d’isolation acoustique. Pour cette intégration, plusieurs approches sont possibles. L’une d’entre elles repose sur la corrélation existant entre types constructifs et niveau d’isolement acoustique. Pour la mettre en œuvre, il faut donc parvenir à classer les différents bâtiments selon leur type constructif. Nous nous sommes appuyés pour cela sur une classification existante dans la communauté du bâtiment, issue de l’ « Analyse détaillée du parc résidentiel existant » rédigée en juillet 2017 par le programme PACTE. Cette typologie répartit les bâtiments à usage de logement en 26 classes (10 pour les maisons individuelles, 16 pour l’habitat collectif).
Si une partie des bâtiments est facile à classer par simples requêtes SQL à partir de quelques variables de la base Baobat (année de construction, hauteur des bâtiments...), cette méthode se révèle trop rigide pour être applicable à l'ensemble du bâti, et ne permet pas de classer les bâtiments en cas de données manquantes. C'est la raison pour laquelle nous avons testé des méthodes d'apprentissage supervisé pour réaliser cette typologie.
machine learning et typologie
La méthodologie déployée a consisté à :
-
construire un échantillon d’apprentissage dans lequel les bâtiments sont déjà associés à un type constructif ;
-
faire une analyse exploratoire des données pour relever le nombre de données manquantes par variable ;
-
déterminer les variables qui permettent de discriminer les types constructifs ;
-
choisir et mettre en œuvre un algorithme de classification (en l’occurrence l’algorithme du Random Forest).
La base de données a été déployée sur le périmètre du département du Rhône et de la Métropole de Lyon.
La librairie Scikit-Learn de Python propose de nombreux algorithmes d’apprentissage adaptés à différents contextes et faciles à mettre en œuvre. L’environnement de travail des Notebook Jupyter fournit un moyen pratique d’écrire et d’exécuter du code, de tester, d’évaluer et d’optimiser un algorithme d’apprentissage.
Les conclusions de ce travail montrent l’efficacité de ces méthodes d’apprentissage automatique, qui ne requièrent que peu de paramètres et sont rapidement déployables sur de grands volumes de données. La base de données Baobat pourrait d’ailleurs servir de base d’apprentissage pour d’autres sujets (performance énergétique des bâtiments, valeur foncière...). Il convient cependant de garder un œil critique quant à la fiabilité des données produites par l’algorithme, en validant les résultats obtenus par de l’expertise sur le terrain.
Auteurs : Frédéric Berlioz, chef de l'unité Géomatique (Cerema Centre-Est)