Mise en œuvre d’un mod–le multi agent permettant d’effectuer des simulations spatio temporelles de l’exposition des habitats des amphibiens à ALAN sur la zone de la dombes

Cette mod†lisation a pour objet la reconstitution dynamique des usages et celle de l’exposition potentielle des zones humides de la Dombes ALANArtificial light at nigh soit lumi–re artif

Brahim ALI KOREIMY Mise en uvre d’un mod–le multi-agent permettant d’effectuer des simulations spatio-temporelles de l’exposition des habitats des amphibiens ALAN sur la

zone de la Dombes.

Thi‚t k‚ v c i °t mºt mæ h…nh a t¡c tß cho ph†p thüc hi»n c¡c

mæ phäng khæng gian-thíi gian cıa mæi tr÷íng sŁng cıa sinh v“t

l÷ïng c÷ bà phìi nhi„m vîi ALAN tr¶n vòng Dombes.

M MOIRE DE FIN D’ TUDES DU MASTER INFORMATIQUE

HANOI-2019

FRANCOPHONE INTERNATIONAL-IFI

Brahim Ali KOREIMY

Mise en uvre d’un mod–le multi-agent permettant d’effectuer des simulations spatio-temporelles de l’exposition des habitats des amphibiens ALAN sur la

zone de la Dombes.

Thi‚t k‚ v c i °t mºt mæ h…nh a t¡c tß cho ph†p thüc hi»n c¡c mæ phäng khæng gian-thíi gian cıa mæi tr÷íng sŁng cıa sinh v“t l÷ïng c÷ bà phìi

nhi„m vîi ALAN tr¶n vòng Dombes.

Sp†cialit† : Syst–mes Intelligents et Multim†dia

Code : Programme pilote

M MOIRE DE FIN D’ TUDES DU MASTER INFORMATIQUE

Sous la supervision de : LENGAGNE Thierry, charg† de recherches CNRS

HANOI-2019

J’atteste sur l’honneur que ce m†moire a †t† r†alis† par moi-m¶me et que les donn†es

et les r†sultats qui y sont pr†sent†s sont exacts et n’ont jamais †t† publi†s ailleurs Lasource des informations cit†es dans ce m†moire a †t† bien pr†cis†e

L˝I CAM OAN

Tæi cam oan ¥y l cæng tr…nh nghi¶n cøu cıa ri¶ng tæi C¡c sŁ li»u, k‚t qu£ n¶u trongLu“n v«n l trung thüc v ch÷a tłng ÷æc ai cæng bŁ trong b§t ký cæng tr…nh n o kh¡c C¡cthæng tin tr‰ch d¤n trong Lu“n v«n ¢ ÷æc ch¿ rª nguçn gŁ

Brahim ALI KOREIMY

Within the theme of light pollution, modelling and simulation make it possible to analyseand evaluate the effects of the contamination of an artificial light system on a given territory

in order to help in decision-making They are a necessary step to develop and improve amodel for ecosystem protection such as environmental contamination by light pollution.Among the different modelling approaches, Multi-Agent Systems (SMA) are increasinglybeing used by ecologists and geographers They make it possible, on the one hand, tofollow statistically and very precisely the evolution of a system and, on the other hand, tointuitively observe the "spatio-temporal" evolution of the generated forms This reportpresents an example of the theoretical light pollution, modelled and simulated, with theADM GAMA Following the ODD protocol (Overview, Design concepts, and Details), weexplain the operating principles of the simulated model, as well as the results obtained Thechallenges of the multi-agent paradigm for the assessment of a wetland infected by lightpollution are discussed ; at the end, methodological and thematic perspectives arepresented

Au sein de la th†matique de la pollution lumineuse, la mod†lisation et la si-mulation,permettent d’analyser et d’†valuer les effets de la contamination d’un syst–me de la lumi–reartificielle, sur un territoire donn† afin d’aider prendre de d†cision Elles constituent une

†tape n†cessaire pour d†velopper et am†liorer un mod–le pour la protection de l’†cosyst–

me tels que la contamination de l’environne-ment par la pollution lumineuse Parmi lesdiff†rentes approches de mod†lisation, les Syst–mes Multi-Agent (SMA) sont de plus enplus prises par les †cologues et g†ographes Ils permettent, d’une part, de suivrestatistiquement et tr–s pr†cis†-ment l’†volution d’un syst–me ; d’autre part, d’observerintuitivement l’†volution "spatio-temporelle" des formes engendr†es Ce rapport pr†sente

un exemple de la pollution lumineuse th†orique, mod†lis† et simul†, avec le SMA GAMA

En suivant le protocole ODD (Overview, Design concepts, and Details), nous expliquonsles principes de fonctionnement du mod–le simul†, ainsi que les r†sultats obtenus Lesenjeux du paradigme multi-agent pour l’†valuation d’une zone humide infect†e par lapollution lumineuse y sont discut†s ; en fin des perspectives m†thodologiques etth†matiques sont pr†sent†es

Liste des tableaux iii

1.1 Contexte national et r†gional 2

1.2 Contexte institutionnel et le projet de recherche 3

1.3 Objectifs de l’†tude 4

1.4 Objectif de la mod†lisation 4

1.5 Contraintes stage et impact sur le m†moire 5

2 Artificial light at night (ALAN) sur la zone de la Dombes 6 2.1 Le territoire d’†tudes : Dombes 6

2.2 Pollution lumineuse ou ALAN 7

2.3 Quelques travaux et r†alisations connexes 11

3 tat de l’art 16 3.1 l’origine : les math†matiques 16

3.2 La mod†lisation scientifique 17

3.3 Le langage UML (Unified Modeling Language) 18

3.4 Des automates cellulaires aux syst–mes multi-agents 18

3.5 Les syst–mes multi-Agent(SMA) 21

3.6 Mod†liser des dynamiques spatiales avec le SMA 24

3.7 Les Syst–mes d’Informations G†ographiques SIG 25

3.8 Utilisation hybride SIG SMA 27

3.9 Outils utilis†s 30

3.10 GAMA 30

3.11 QGIS 31

4 Construction du mod–le 32 4.1 Les donn†es 32

4.2 Mod–le g†n†ral 33

4.3 Construction du plan d’information 33

4.4 Mod–le :directe-albedo 34

4.5 Mod–le :Skyglow-albedo 36

4.6 Mod–le : directe-albedo-Skyglow 38

4.7 D†tails 39

4.8 Changement d’†chelle des cartes 40

4.9 R†sultats des simulations du mod–le 41

5.2 Bilan et perspectives 43

Table 3.1 Plates-formes de d†veloppement de syst–mes et simulations

multi-agents 28Table 3.2 Diff†rences entre les m†thodes d’impl†mentation propos†es parles plates-formes de d†veloppement,[Kravari and Bassiliades 2015] 29Table 4.1 Couches SIG utilis†es 32

Figure 1.1 La Dombes, un nom pour de multiples acceptions g†ographiques 2 Figure 2.1 Zone d’†tude Cette derni–re, cercl†e de rouge sur les cartes,

s’†tend de l’extr†mit† Nord-Est de la m†tropole Lyonnaise au Nord

de Bourg-en-Bresse La zone est situ†e l’Ouest de la cha ne

monta-gneuse du Jura, dans le d†partement de l’Ain (cercl† de jaune) 6

Figure 2.2 Vue a†rienne de la Dombes marqu† par la pr†sence de nom-breux †tangs piscicoles, for¶ts caducifoli†es et champs d†di†s pour beaucoup la culture c†r†ali–re Source de la photographie(wikipedia) 7 Figure 2.3 Exemple de halo lumineux sur une ville, Source : Reprinted with permission from the Institution of Lighting Engineers and the Society of Light and Lighting 9

Figure 2.4 Les sources de pollution lumineuse 9

Figure 2.5 Sch†ma des diff†rents param–tres de l’†clairage artificiel noc-turne pouvant causer des impacts sur la biodiversit† Issu de : Pistes m†thodologiques pour prendre en compte la pollution lumineuse dans les r†seaux †cologiques Sordello, 2017 11

Figure 2.6 Acquisition Ninox sur une nuit, source :[philippe D et al., 2018] 12 Figure 2.7 Production d’une carte sky glow,[philippe D et al., 2018] 12

Figure 2.8 Distribution du mobilier urbain †clair† Paris, [philippe D et al., 2017] 13

Figure 2.9 Simulation de la pollution lumineuse produite par le mobilier urbain †clair† sur la ville de Paris, [philippe D et al 2017] 13

Figure 2.10 L’†volution de surfaces agricoles avec PAYSAGRI (extrait de [D†pigny 2008]) 14

Figure 2.11 L’†volution de surfaces pastorales (en jaune) en quateur A gauche l’†tat initial, droite l’†tat final (extrait de [Walsh et al 2008]) 15 Figure 3.1 Historique de la mod†lisation scientifique 17

Figure 3.2 Exemple de configuration de d†part 19

Figure 3.3 D†termination du voisinage 20

Figure 3.4 Valeurs de voisinage 20

Figure 3.5 Quelques effets graphiques des automates cellulaires 21

Figure 3.6 Interactions d’un agent [Ferber 1995] 23

Figure 3.7 Composantes d’un SIG 25

Figure 3.8 Couches d’un SIG 26

Figure 3.9 Couche de zones humides avec sa table attributaire 31

Figure 4.1 Mod–le g†n†ral 33 Figure 4.2 Processus d’†laboration de la carte de la pollution lumineuse 34

Figure 4.5 mod–le skyglow-albedo, dynamique globale du mod–le 37Figure 4.6 mod–le skyglow-albedo, exemple d’un calcul de l’intensit† 37Figure 4.7 mod–le direct-albedo-skyglow, dynamique globale du mod–le 38Figure 4.8 mod–le diercte-albedo-skyglow, exemple d’un calcul de l’inten-

sit† 39Figure 4.9 simulation l’†tat initial 40Figure 4.10 production d’une carte de la pollution partir d’une carte de

la lumi–re directe et l’alb†do 41Figure 4.11 identification des zones humides sur la carte pollu†e par la

lini–re directe et l’alb†do 42Figure 4.12 production d’une carte de la pollution partir d’une carte de

la lumi–re directe,l’alb†do et skyglow 42

Bien qu’habitant le milieu naturel, nous n’†chappons pas la pollution lumineuse issue del’urbanisation du territoire Si l’†clairage artificiel est n†cessaire aux activit†s †conomiques etsociales du territoire, celle-ci n’est pas sans cons†quences sur la biodiversit† exceptionnellequi nous entoure En effet, plus de 75% 1des activit†s de la faune ont lieux le soir et la nuit, et

se trouvent perturb†es par la pr†sence de lumi–res Nous avons tous un ræle jouer sur cetteprobl†matique en limitant ou supprimant les †clairages inutiles, en adaptant nos usages, enmodifiant les †clairages pour les rendre moins perturbateurs

Le d†veloppement mal ma tris† des †clairages publics, m¶me en milieu rural, g†n–re unhalo lumineux qui trouble l’obscurit† de la nuit Bien que ce soit la communaut† desastronomes qui, la premi–re, ait tir† la sonnette d’alarme, les effets de la pollution lumineuse

ne se limitent pas masquer les †toiles En effet, les impacts sur la biodiversit† d’un †clairageartificiel de l’environnement nocturne ont largement †t† d†montr†s (Longcore and Rich, 2006).Ainsi le ph†nom–ne de pollution lumineuse interpelle aujourd’hui plus largement †cologues,am†nageurs, †clairagistes, m†decins, responsables de collectivit†s locales etc

A cet effet, ce projet vise de mettre au point un outil d’aide la d†cision qui permettre de discuter les diff†rents sc†narios d’exposition des zones humides de la Dombes en fonction de la dynamique d’occupation des sols choisi par l’utilisateur Ce stage qui s’inscrit dans ce programme

de recherche a pour objectif la cr†ation d’une mod†lisation multi-agents sur les territoires †tudi†s par ce projet Cette mod†lisation a pour objet la reconstitution dynamique des usages et celle de l’exposition potentielle des zones humides de la Dombes ALAN(Artificial

light at nigh) soit lumi–re artificielle de nuit en francais, partir de couches d’information

Le pr†sent m†moire pr†sente en premier lieu le contexte de l’†tude, des objectifs de

celle-ci, puis un †tat de l’art dans le domaine de la mod†lisation scientifique et plus pr†cis†ment de

la mod†lisation multi-agents (SMA) En second lieu, ce m†moire aborde la m†thodologieadopt†e pour construire les donn†es utile la mod†lisation Depuis la r†colte de donn†es, jusqu’

la cr†ation de variables clefs qui serviront la mod†lisation Ensuite, nous d†taillons lam†thodologie mise en oeuvre pour construire des mod–les repr†sentatifs de la zones d’†tude.Chaque module ainsi d†fini est ensuite d†taill† de mani–re mieux appr†hender les choixr†alis†s et le choix de param–tre modifiables dans le syst–me La formalisation de sc†narioscr†e un cadre pour aboutir diff†rentes simulations Les r†sultats des m†thodologies adopt†essont ensuite exprim†s ainsi que les premiers r†sultats des modules Enfin, nous conclurons enanalysant les recherches pouvant ¶tre pertinentes poursuivre dans ce domaine

1 http scarpe-escaut

://www.pnr-scarpe-escaut.fr/contenu-standard/la-pollution-lumineuse-dans-le-parc-naturel-regional-1 CONTEXTE G N RAL

CONTEXTE G N RAL, PROBL MATIQUE ET OBJECTIFS

Dans ce chapitre nous aborderons le contexte national, Contexte institutionnel, le projet derecherche et r†gional, le probl†matique et les objectifs de l’†tude Nous †tayerons ensuitel’objectif de la mod†lisation suivi des contraintes de stage et impact sur le m†moire

1.1 Contexte national et r†gional

La Dombes est une r†gion naturelle et historique, elle constitue un plateau d’originemorai-nique aux innombrables †tangs qui vient ¶tre menacer par des ph†nom–nesartificiels qui est l’utilisation de la lumi–re artificielle de nuit En effet, cette r†gion abrite elleseule pr–s de 18% de la surface nationale des †tangs exploit†s Ces pisciculturesextensives sont g†r†es par quelques 300 pisciculteurs qui produisent 21% de la productionpiscicole national(1600t) dont : 27% des carpes †lev†es en France et 21% des brochets

Figure 1.1 A gauche, une carte de l’Acad†mie de la Dombes pr†sentant le Pays de Dombes

(G.F, 2009) compos† de 136 communes A droite, une carte de l’Insee reprenant lep†rim–tre du projet de PNR de la Dombes qui comprenait 102 communes ( La Dombes :

un territoire rural riche de son environnement, mais sous influence urbaine , C Lenoir et P.Bertrand, Insee 2014)

Figure 1.1 La Dombes, un nom pour de multiples acceptions g†ographiques.

1.1.1 Le territoire de Dombes

La Dombes correspond un plateau d’origine morainique (d†pæt de sable, de cailloux etd’argile) situ† dans le d†partement de l’Ain au nord-est de Lyon Elle est limit†e l’ouest par

la vall†e de la Saæne et au sud par la Cæti–re qui surplombe les plaines du Rhæne l’est,

la rivi–re d’Ain la s†pare du Bugey Seule la limite nord est peu nette : progressivement laDombes entre en contact avec la Bresse

Elles est caract†ris†e par les †tangs, tr–s nombreux, sont d’origine humaine Ils ont †t† creus†s principalement par les moines, en mettant profit les d†pæts d’argile morainiques En particulier, leur profil est ma tris† et d†termin† par le type de p¶che ; la diff†rence des †tangs du Forez, au fond plat, les †tangs de la Dombes pr†sentent une tr–s l†g–re pente, permettant l’eau de s’†couler lentement et r†guli–rement vers l’†missaire lors de leur vidange au printemps tous les 4-5 ans l’occasion de la p¶che, avant d’¶tre laiss†s sec en g†n†ral un †t†, pour ¶tre cultiv†s en avoine ou

en ma s Ils permettent une pisciculture importante de carpes depuis longtemps, et alimentait les populations, en particulier de Lyon lors des nombreux jours maigres

1.2 Contexte institutionnel et le projet de recherche

Le stage r†alis† durant six mois au sein de l’unit† de recherche LETG (Littoral, nement, T†l†d†tection, G†omatique) d’Angers, s’inscrit dans le cadre d’un projet de recherche

Environ-du CNRS associant plusieurs †quipes (LETG Angers, LEHNA Lyon, EVS Saint- tienne) quis’int†ressent aux effets de l’†clairage artificiel nocturne sur la biodiversit† de la Dombes Cestage financ† et coordonn† par le Centre National de la recherche Scientifique(CNRS)

Ce projet de recherche tend am†liorer la compr†hension, le suivi, la r†duction et la pr†ventiondes contaminations de la pollution lumineuse et de leurs impacts sur la soci†t†, la sant† et surl’environnement permettant de construire des strat†gies de r†duction de la vuln†rabilit† oul’adaptation †cologiquement viables, sociologiquement adapt†es et politiquement pertinentes

Le programme se fonde sur une m†thodologie interdisciplinaire r†unissant des chercheurs enbiologie, g†ographie et informatique en lieu avec quelques laboratoire

Le LETG-Angers (Littoral, Environnement T†l†d†tection, G†omatique) d’Angers est une unit† mixte CNRS-Universit† d’Angers Parmi les axes de recherches du laboratoire, ce programme

se place dans l’une des axes et intitul† " Mise en uvre d’un mod–le multi-agent permettant d’effectuer des simulations spatio-temporelles de l’exposition des habitats des amphibiens ALAN sur la zone de la Dombes" ayant pour objectif de comprendre et d’analyser les inter-actions Homme/milieu l’aide d’outils et de m†thodes innovantes de mani–re caract†riserqualitativement, quantitativement et spatialement les dynamiques paysag–res et d†finir lesindicateurs environnementaux explicatifs de ces dynamiques

Ce projet s’articule autour de trois(3) objectifs centraux :

identifier et cartographie les sources lumineux en fonction de la vuln†rabilit†/capacit† deleurs intensit†s faire face la contamination environnementale ;

m†suser les impacts de l’intensit† lumineuse aux activit†s extractives sur les eaux, les sols, ;

identifier les zones humides de la zone d’†tude

qui seront poursuivis en perspectives aux objectifs suivants :

d’identifier les zones de conflits entre usages et exigences †cologiques

d’organismes inf†od†s aux zones humides ;

informer les structures d†cisionnelles de gestion d’ALAN

Il est donc important de noter que bon nombre de projets visant la construction d’un mod–

le scientifique sont r†alis†s dans un contexte de manque de donn†es, et que ses donn†esparfois clefs ne sont obtenues qu’apr–s les imp†ratifs du projet Nous retiendrons

†galement en compte les travaux de Margo et Tom cherchant finalis† les effets de la lumi–

re directe sur les zones humides et albedo respectivement

Les †tudes ainsi r†alis†s permettent d’appr†cier chaque facette du projet et r†pondre en partie la probl†matique que celui-ci pose La r†alisation d’un syst–me multi-agent assure las†lection, l’organisation et la visualisation des donn†es et th†ories n†cessaires la

compr†hension des probl†matiques de ce projet Nous nous sommes dans un premier temps impr†gn†s de ces nouvelles connaissances tout en s’interrogeant sur la pertinence

de chaque lecture et chaque donn†es pour la r†alisation d’un mod–le

1.3 Objectifs de l’†tude

L’objectif principal de cette †tude est de mod†liser et de simuler le syst–me lumi–re artificielle dans le contexte d’un front pionner physique et environnement du territoire (zones humides, usage du sol), dynamiques v†g†tales, les dynamiques agricoles et piscicultures, les dynamiques de contaminations de la lumi–re (diff†rentes sources de pollution), les dynamiques socio-†conomiques (organisation sociale des m†nages, regroupement communautaires, variation des prix, ) Le syst–me multi-agent ainsi cr†† doit r†pondre aux objectifs suivants :

environnement-1 visualiser l’impact de la lumi–re artificielle sur la vuln†rabilit† de l’environnement auxpollutions : les zones humides sont-elles touch†es ?

2 d†terminer le gradient des risques de pollutions percu par la zone humide : comment une

zone percoit-elle le risque de pollution ? De quelle facon, elle est expos†e la lumi–redirecte et indirecte

1.4 Objectif de la mod†lisation

L’obtention de tels r†sultats passe par une succession d’†tapes Les objectifs du mod–le d†fini ci-dessus rejoignent les trois objectifs globaux d’une mod†lisation savoir : D†crire, Comprendre, Pr†dire (Lieurain, 1998) Ici nous cherchons d†crire les dynamiques Homme/Milieu (incluant

les pollutions lumineuses) du territoire, comprendre les ph†nom–nes de pollution de lalumi–re artificielle et pr†dire l’†tendue de cette pollution lumineuse sur l’†cosyst–me.

D–s lors, on peut d†finir l’objet de l’†tude comme correspondant au syst–me complexe mis

en marche de la lumi–re artificielle dans cette zone Bien sur, ces activit†s n’†tant pas lesseules sur ce territoire et ayant un impact non n†gligeable sur les activit†s agricoles etpisciculture, il convient de d†finir celles-ci comme objet de la mod†lisation part enti–re Ondistingue deux facteurs principaux

1 Le facteur d’exposition ( lumi–re directe, skyglow et albedo) : Celui-ci exprimedirecte-ment le fait que les lampadaires, les phares des v†hicules, soient port†e

de pollution Une exposition prolong†e entra nant une contamination Elle est avanttout d†finie par des crit–res spatiaux

2 La politique des †lus pour l’†clairage publique, notamment celles qui ont traitl’am†na-gement du territoire et l’usage de la lumi–re par la population Cecin†cessite †galement

d’int†grer cette probl†matique au c ur de la r†flexion sur les continuit†s †cologiques

et donc dans la d†finition de la future trame verte et bleue

1.5 Contraintes stage et impact sur le m†moire

Le syst–me multi-agent r†alis† sur ce territoire correspond deux stages de M1 et unstage de M2 compl†mentaires, l’un porte sur l’utilisation de l’analyse de visibilit† pouridentifier les zones humides de la Dombes expos†es l’†clairage artificiel nocturne direct

Le second porte sur l’†laboration d’une cartographie de l’alb†do de la Dombes ( partird’images satellites et de donn†es d’occupation du sol) Et le troisi–me †tant orient†informatique comprenant la mod†lisation des dynamiques politiques et socio-†conomiques

et l’impl†mentation des mod–les sur plate-forme de simulation Ce stage se d†roule surune zones physique Angers qui avait commenc† distance Hanoi(Vietnam)

2 Artificial light at night (ALAN) sur la zone

de la Dombes2.1 Le territoire d’†tudes : Dombes

La Dombes est situ†e une cinquantaine de kilom–tres au Nord-Est de Lyon, dans la partie

sud-ouest du d†partement de l’Ain (01) en r†gion Rhæne-Alpes, la Dombes est un territoire dominante rurale pr†sentant une surface d’environ 1500 km2 (Insee, 2014) dont les contours

ne correspondent pas une entit† administrative mais plutæt un territoire constitu† d’une entit†

g†omorphologie et g†ologique faconn†e par une histoire et une dynamique humaine, culturelle et

†conomique singuli–re li†e en grande partiel’activit† piscicole d†velopp†e d–s le Moyen- ge.

Figure 2.1 Zone d’†tude Cette derni–re, cercl†e de rouge sur les cartes, s’†tend de l’extr†mit† Nord-Est de la m†tropole Lyonnaise au Nord de Bourg-en-Bresse La zone est situ†e l’Ouest de la cha ne montagneuse du Jura, dans le d†partement de l’Ain (cercl† de jaune).

Sa principale caract†ristique sont les †tangs, qui sont tr–s nombreux (plus de mille), sont d’origine humaine Ils ont †t† creus†s principalement par les moines, en mettant profit les d†pæts d’argile morainiques En particulier, leur profil est ma tris† et d†termin† par le type de p¶che ; la diff†rence des †tangs du Forez, au fond plat, les †tangs de la Dombes pr†sentent une tr–s l†g–re pente, permettant l’eau de s’†couler lentement et r†guli–rement vers l’†missaire

(d†nomm†thou ) lors de leur vidange au printemps tous les 4-5 ans l’occasion de la p¶che,avant d’¶tre laiss†s sec en g†n†ral un †t†, pour ¶tre cultiv†s en avoine ou en ma s Ilspermettent une pisciculture importante de carpes depuis longtemps2, et alimentait lespopulations, en particulier de Lyon lors des nombreux jours maigres

Ce r†seau d’†tangs constitue une constellation de zones humides abritant de nombreusesesp–ces animales et v†g†tales Ce territoire concentre de forts enjeux environnementauxrelatifs la protection de sa biodiversit†

Figure 2.2 Vue a†rienne de la Dombes marqu† par la pr†sence de nombreux †tangs piscicoles, for¶ts caducifoli†es et champs d†di†s pour beaucoup la culture c†r†ali–re Source de la photogra- phie(wikipedia)

2.2 Pollution lumineuse ou ALAN

La vie sur terre a †volu† selon des cycles quotidiens et saisonniers de lumi–re etd’obscurit† [Kronfeld-Schor et al 2013 , Tan et al 2010 ] Les humains modifientprofond†ment ces cycles de lumi–re naturelle en introduisant une lumi–re artificielle de nuit(ALAN), †galement appel†e pollution lumineuse Pendant longtemps, l’exposition l’ALAN a †t†consid†r†e comme une manipulation environnementale inoffensive pour l’homme sansr†percussions graves Cependant, la pr†sence total de la rayon lumineux de tout le tempsrepr†sente une menace potentiellement importante pour la faune, la biodiversit† et leshumains [Duffy et al 2015 , Gaston et al 2013 , Holker et al 2010 , Navara et Nelson 2007 ,Rich et Longcore 2005 ] R†cemment, il a †t† de plus en plus prouv† que la perturbation denos cycles de lumi–re et d’obscurit† naturellement d†velopp†s peut entra ner une vastegamme de r†ponses biologiques [Bedrosian et al 2016 , Swaddle et al 2015]

Du point de vue de l’†cologue, la pollution lumineuse d†signe la lumi–re artificielle qui d†grade les cycles de la lumi–re naturelle (cycle jour/nuit et saisons), modifie la composante nocturne de l’environnement, c’est- -dire l’illumination du milieu, et qui, en cons†quence, impacte les comportements, les rythmes biologiques et les fonctions physiologiques des organismes vivants, ainsi que les †cosyst–mes Les †cologues parlent de pollution lumineuse †cologique

2.2.1 D†finitions

Le terme pollution lumineuse est apparu r†cemment dans la litt†rature Certainsauteurs ont m¶me propos†s une autre terminologie photopollution englobant l’ensembledes lumi–res ayant des impacts n†gatifs sur la faune et la flore sauvage [Verheijen 1985]

Selon Longcore et Rich (2004), la pollution †cologique lumineuse s’applique la lumi–re artificielle qui alt–re l’alternance du jour et de la nuit ( rythme nycth†m†ral) dans les †cosyst–mes Cette pollution †cologique lumineuse englobe plusieurs types de ph†nom–nes et de nuisances :

la sur-illumination, c’est- -dire l’utilisation excessive de lumi–re ;

l’†blouissement due une trop forte intensit† lumineuse ou un contraste trop intense entre des couleurs claires et sombres ;

la luminescence nocturne du ciel provoqu†e par la lumi–re non directionnelle †mise

en direction du ciel par les †clairages urbains, ph†nom–ne souvent nomm† par le terme anglais Sky Glow

L’alb†do Lorsque le rayonnement solaire arrive sur le sol d’une plan–te il est en partier†fl†chi L’alb†do est est la fraction de l’†nergie solaire qui est r†fl†chie vers l’espace La partie

de l’†nergie lumineuse absorb†e par la plan–te est dite incidente Plus une surface estr†fl†chissante, plus son alb†do est †lev†.La valeur de l’alb†do est comprise entre 0 et 1

L’alb†do d†pend de la couleur et de la mati–re de la surface concern†e Pour notre plan–

te Terre, l’alb†do permet d’expliquer en partie les basses temp†ratures des r†gionspolaires Les †l†ments qui contribuent le plus l’alb†do de la Terre sont les nuages, lessurfaces de neige et de glace et les a†rosols Par exemple, l’alb†do de la neige fra che est

de 0,87, ce qui signifie que 87 % de l’†nergie solaire est r†fl†chie par ce type de neige

Le halo lumineux ou "sky glow" : La lumi–re artificielle partant vers le ciel s’associe auxparticules en suspension dans l’air ce qui forme un halo lumineux bien visible au-dessusdes m†tropoles Ce ph†nom–ne est accentu† de surcro t par la pollution de l’air quiaugmente le nombre de particules en suspension dans l’atmosph–re (a†rosols) (Aub†,2015) ainsi que par la m†t†o (nuages, brume, brouillard, )

Or, de nombreuses esp–ces utilisent le ciel †toil† comme rep–re la nuit (oiseaux, mammif–res marins, insectes, ) (Wiltschko et al., 1987 ; Doujak, 1985 ; Wehner, 1984) Il est donc pressenti

que cette forme de pollution lumineuse leur serait tr–s pr†judiciable puisqu’elle se traduitpar une chape de lumi–re entre la terre et la voute c†leste, qui masque leurs rep–res

Figure 2.3 Exemple de halo lumineux sur une ville, Source : Reprinted with permission from the Institution of Lighting Engineers and the Society of Light and Lighting

2.2.2 Les sources ou l’origine de la pollution lumineuse

Une source d’†clairage artificiel est, th†oriquement, d†volue un usage bien pr†cis heureusement, en pratique, elle produit irr†m†diablement un flux de lumi–re dirig† vers leciel, lequel est diffus† par les particules atmosph†riques et la vapeur d’eau A l’†chelle d’unluminaire, la diffusion de la lumi–re artificielle forme un halo lumineux A l’†chelle d’uneagglom†ration, la somme des halos lumineux forment un halo d’agglom†ration Aussi,toute construction humaine †quip†e d’une source d’†clairage artificiel est susceptibled’engendrer une pollution lumineuse (Figure 2.12) C’est en particulier le cas de :

Mal-Figure 2.4 Les sources de pollution lumineuse

L’†clairage public et routier qui, dans le cadre de la pr†vention routi–re et anti-criminalit†,est utilis† des intensit†s lumineuses qui exc–dent bien souvent les minimums requis.

L’†clairage des b¥timents industriels et commerciaux, fr†quemment sur-†clair†s pour

attirer les clients et cr†er un cadre attractif et propice la consommation.

L’†clairage des parkings et des centres sportifs

Les †clairages ext†rieurs et int†rieurs des habitations qui ne sont encadr†s par aucune r†glementation

L’†clairage des v†hicules

2.2.3 Impacts de la pollution lumineuse sur la biodiversit†

La pollution lumineuse est une menace pour la biodiversit† La lumi–re bouleverse l’horloge biologique, les rep–res, les rythmes naturels, les modes de reproduction, d’alimentation ou de chasse Elle perturbe de nombreuses esp–ces : chauves-souris, batraciens, reptiles, esp–ces aquatiques, tout particuli–rement les insectes, et †galement l’esp–ce humaine.

Les †clairages sont un cause majeure de mortalit† des insectes : ils d†ciment des colonies enti–res, modifiant par cons†quent les †cosyst–mes et l’†quilibre de toute la cha ne alimentaire.

Les oiseaux migrateurs, qui se d†placent majoritairement de nuit, s’orientent gr¥ce aux

†toiles Les lumi–res artificielles telles que les tours ou les plates-formes p†troli–res tuentplusieurs millions d’oiseaux par an, par collision, †puisement ou pr†dation

Le changement d’intensit† lumineuse bouleverse les relations proie-pr†dateurs, augmentel’activit† nocturne de certaines esp–ces, peut stopper la reproduction notamment chez lesbatraciens, modifie la recherche alimentaire de micro-mammif–res, ou repousse des esp–ces

de mammif–res terrestres, r†duisant la superficie de leur habitat

Les v†g†taux ont besoin de la nuit, qui conditionne leur fonctionnement et leur pement Une surexposition la lumi–re peut avoir des cons†quences sur la germination, lacroissance, l’expansion des feuilles, la floraison, et le d†veloppement des fruits

d†velop-L’homme souffre †galement de la lumi–re intrusive : au-del d’¶tre priv† du magnifiquespectacle des †toiles, et de la g¶ne ressentie par trop de lumi–re, un d†r–glement nerveux

et hormonal peut s’op†rer Selon certains structures de l’†cologie, la lumi–re artificiellepourrait ¶tre l’un des facteurs l’origine de l’augmentation de l’incidence des cancers "Sousl’effet de la lumi–re artificielle, l’†piphyse (petite glande situ†e dans le cerveau) diminuenettement la production de m†latonine - †galement appel†e "hormone du sommeil" - dontles bienfaits seraient multiples : anti-vieillissement, frein au d†veloppement des tumeurs,stabilisateur de la tension, maintien de la libido "

Les effets de la lumi–re artificielle sur la faune et la flore aquatiques : la modification del’intensit† et de la composition de la lumi–re sur une †tendue d’eau d†termine la stratification

des esp–ces d’algues et les r†seaux alimentaires qui en d†pendent On peut donc supposer que ces communaut†s de vie sont perturb†es L’†clairage des zones humides et cours d’eau peut interf†rer avec le ph†nom–ne de d†rive des invert†br†s aquatiques Ces invert†br†s se laissent transporter par le courant, peut-¶tre pour mieux †chapper leurs pr†dateurs, ils le font presque toujours un peu avant l’aube et un peu apr–s le cr†puscule Les poissons semblent †galement plus actifs ces p†riodes La migration des anguilles a surtout lieu de nuit Avant de pouvoir migrer de jour, la civelle doit attendre que l’extension du pigment noir qui forme sa tache c†r†brale et prot–ge son cerveau et ses lobes soit termin†e Le ræle exact de l’†clairage nocturne n’est pas connu, mais il est vraisemblable que la migration puisse ¶tre, au moins partiellement, bloqu†e.

Figure 2.5 Sch†ma des diff†rents param–tres de l’†clairage artificiel nocturne pouvant causer des impacts sur la biodiversit† Issu de : Pistes m†thodologiques pour prendre en compte la pollution lumineuse dans les r†seaux †cologiques Sordello, 2017.

2.3 Quelques travaux et r†alisations connexesL’approche agent est utilis†e par de nombreux chercheurs ayant cette m¶me volont† desimu-ler sur la pollution lumineuse dans le milieu †cologique [H†loise 2012] De nombreuxtravaux et outils de simulation ont donc †t† r†alis†s souvent li†s la mesure et mod†lisation de

la pollution lumineuse [Philippe Deverch–re et al 2018] La pollution lumineuse dans lesmilieux urbains [Philippe Deverch–re et al 2017] mais aussi et surtout ce qui nous int†resseraparticuli–rement de la pollution lumineuse dans le milieu †cologique, simulation multi-agentssur l’architecture massivement parall–les [Emmanuel Hermellin 2018]

Nous allons donc bri–vement pr†senter quelques outils cons†quents qui sont utilis†s pour simuler la pollution lumineuse dans la zone urbaines, mesure de la pollution lumineuse,l’†volution

des surfaces agricoles Nous pr†senterons ces outils en particuliers puisqu’ils sontsouvent r†alis†s et utilis†s dans des contextes comparables notre outil de simulation de lapollution lumineuse dans les zones humides.

Mesure de la pollution lumineuse : La pollution lumineuse est produite essentiellement parl’†clairage public et industriel et dans une moindre mesure par l’†clairage r†sidentiel priv†.Cette lumi–re artificielle peut ¶tre †mise directement vers le ciel par les sourceslumineuses, ou bien ¶tre r†fl†chie par les terrains et b¥timents environnants (avec alb†doplus ou moins †lev† en fonction de leur nature)

Fruit de la collaboration des †quipes de g†ographes et des informaticiens, ce mod–le montreles techniques pour mesurer et mod†liser la pollution lumineuse en utilisant les outils Ninoxpour mesurer la brillance du fond ciel nocturne de mani–re continue, l’acquisition de laluminosit† du fond de ciel l’aide d’un SQM pr†sente toutefois l’inconv†nient de ne mesurerqu’une partie du ciel, typiquement une zone de 90 deg vers le zenith

Figure 2.6 Acquisition Ninox sur une nuit, source :[philippe D et al., 2018]

A titre d’exemple, la figure 2.6 ci-dessus montre le r†sultat d’une acquisition Ninox r†alis†edurant la nuit du 25 d†cembre 2017 depuis un petit village du Sud de la Bourgogne

Figure 2.7 Production d’une carte sky glow,[philippe D et al., 2018]

La figure 2.9 montre : la fin de la nuit, toutes les mesures valides sur les diff†renteszones sont combin†es pour produire une carte de luminosit† du fond de ciel r†sultante Onvoit sur cet exemple que la Voie lact†e n’appara t plus sur l’image Cette derni–re s’estd†plac†e au cours de la nuit et la carte peut ainsi ¶tre compl†t†e enti–rement.

Simulation de la pollution lumineuse d’un milieu urbain : De nombreux travaux seconsacrent l’†tude de l’†volution de la pollution lumineuse dans un milieu urbain Le mod–

le r†alis† par les chercheurs [Philippe D et al 2017] propose ainsi une repr†sentation dumobilit† urbain †clair† de la ville de Paris la pollution lumineuse

Comparativement aux travaux que nous menons, une tel mod–le s’approche en partie de

ce qui faire avec le travail de Margo que nous utilisons ses r†sultats, m¶me s’il ne prendpas en compte un aspect spatialis† permettant de tester une zone humide Mais au niveauusage, il s’approche plutæt une grande partie du mod–le

Figure 2.8 Distribution du mobilier urbain †clair† Paris, [philippe D et al., 2017]

Figure 2.9 Simulation de la pollution lumineuse produite par le mobilier urbain †clair† sur la ville de Paris, [ philippe D et al 2017 ]

volutions agricoles et naturelles : De nombreux travaux se consacrent l’†tude de l’†volution des surfaces agricoles Le mod–le PAYSAGRI, r†alis† par les chercheurs d’AgroParis-Tech [ D†pigny

2008 ], propose ainsi une repr†sentation de l’effet des diff†rentes sensibilit†s au paysage des agriculteurs sur les †volutions paysag–res d’une portion de territoire rural et ap-porte la d†monstration du ræle de la sensibilit† au paysage dans les †volutions d’un paysage rural.

Comparativement aux travaux que nous menons, un tel mod–le s’approche en partie

de ce qui peut se faire avec le mod–le, m¶me s’il ne prend pas en compte un aspectspatialis† permettant de tester un plus grand nombre de choix d’am†nagement Mais auniveau usage, il s’approche plutæt d’une partie du mod–le puisqu’il permet de suivrel’†volution de surfaces agricoles, chose que nous faisons †galement en l’associantl’†volution des autres grandes classes d’occupation du sol, zone humides

Figure 2.10 L’†volution de surfaces agricoles avec PAYSAGRI (extrait de [D†pigny 2008])

Plus proches de ce que nous verrons, les travaux men†s conjointement par des

†quipes am†ri-caines et †quatoriennes portent sur l’†volution des surfaces agricoles enAmazonie Equatorienne [Walsh et al 2008, Mena et al 2010] Ils utilisent l’approche agentpour simuler les processus d†cisionnels au niveau des exploitations agricoles, et leursr†sultats permettent de mettre en avant les changements en terme d’occupation du solsous une forme spatialis†e Les outils qu’ils d†veloppent permettent donc d’observer une

†chelle globale les r†percussions qui sont dues aux comportements des exploitantsagricoles On peut par exemple voir sur la figure2.10 les r†sultats d’une simulation quimontre essentiellement l’importante †volution des zones pastorales (en jaune)

Ces travaux sont particuli–rement int†ressants puisqu’ils ont †t† r†alis†s, en ce quiconcerne l’†volution des espaces agricoles, dans le m¶me esprit que celui que nousavons eu en d†veloppant notre mod–le Ils offrent, en outre, une mod†lisation relativementrigoureuse des ph†nom–nes sociaux qui ont lieu dans les exploitations agricoles

Par ailleurs, il est int†ressant de noter que les dynamiques qui sont mod†lis†es dans ces travaux sont parmi celles permettant, de mani–re assez avanc†e, de simuler de facon conjointe de l’†volution de diff†rentes types d’espaces En effet, l’†volution des exploitations agricoles se fait notamment au d†triment des zones de for¶t primaire dont l’†volution est prise en compte.

Figure 2.11 L’†volution de surfaces pastorales (en jaune) en quateur A gauche l’†tat initial, droite l’†tat final (extrait de [ Walsh et al 2008 ])

3 tat de l’art

Apport des sciences computationnelles aux sciences humaines et sociales

Dans ce chapitre nous aborderons les origines de la mod†lisation scientifique dans les sciences de l’informatique Nous †tayerons ensuite les mod†lisations de type automates cellulaires tr–s li†es la g†ographie et enfin, nous nous attarderons sur les syst–mes multi-agents et le r†el int†r¶t de cette approche dans les sciences humaines et sociales et plus encore dans la g†ographie.

3.1 l’origine : les math†matiques

H†rit†es des sciences de l’informatique, les mod†lisations et simulations base d’agent, et plus particuli–rement des langages de mod†lisation et de Programmation Orient† Objet(POO), ont entra n† l’†mergence de nouvelles d†marches scientifiques Ce nouveau paradigme de pro-grammation informatique a †t† formalis† par les Norv†giens Ole-Johan Dahl et Kristen Nygaard au d†but des ann†es 1960 Cette nouvelle mani–re de programmer d†finit le paradigme des

Objets , entit† ou brique logicielle repr†sentant un concept, une id†e ou toute entit† dumonde physique (ex : une voiture, une personne, tout est objet) Les entit†s objetsposs–dent une structure interne (d†finie pas ses attributs , ex : l’objet crayon poss–del’attribut rouge ), un comportement (d†fini par ses m†thodes , ex : l’objet crayon poss–de

la m†thode †crire ) et savent interagir avec d’autres objets

La programmation orient† objet permet donc de repr†senter des objets du monde r†el etleurs interactions La mod†lisation devient donc une †tape d’importance majeureindispensable pour la POO, c’est cette †tape qui permet de transcrire les †l†ments dumonde r†el sous forme virtuelle

3.2 La mod†lisation scientifique

Figure 3.1 Historique de la mod†lisation scientifique

Comme le pr†sentent Jean-Pierre Treuil (Treuil et al 2008), un mod–le est une construction abstraite qui permet de comprendre les interactions au sein d’un syst–me de r†f†rence r†pondant une question qui le concerne C’est une repr†sentation simplifi†e de ce syst–me, un mod–le s’appuie sur une th†orie g†n†rale et il est exprim† dans un langage sp†cifique appel† langage de mod†lisation Le syst–me de r†f†rence †tant la partie de la r†alit† que l’on cherche repr†senter Cette partie du monde r†el est port† notre connaissance par diff†rents m†canismes de mesure, d’observation ou d’exp†rimentation qui produisent des donn†es Il est donc n†cessaire de donner

du sens ces donn†es, en fonction des objectifs de la mod†lisation qui entra ne une question de mod†lisation (ex : Comment expliquer les relations entre donn†es ? Comment pr†voir l’†volution

des donn†es dans le temps ?)

La mod†lisation est donc une simplification d†lib†r†e du syst–me qu’il d†crit, lasimplification †tant fond†e sur les hypoth–ses li†es au domaine scientifique †tudi† et donc

un choix assum† du mod†lisateur de choisir le niveau de complexit† prendre en compte

Un langage de mod†lisation est donc choisi en fonction du domaine scientifiqueconsid†r† et les propri†t†s souhait†es pour le mod–le Un m¶me mod–le (Mod–le deR†f†rence) peut ¶tre traduit dans diff†rents langages en fonction de son objectif

Un mod–le s’appuie sur des th†ories, en effet, l oò les th†ories ont pour objectif de d†crire

le fonctionnement et l’†volution d’un syst–me de r†f†rence, le mod–le est une instanciation decette th†orie pour un syst–me en particulier Quand la th†orie exprime l’a priori du scientifiquesur l’†volution ou l’†tat du syst–me de r†f†rence et fournit des abstractions (en fonction dulangage utilis†), le mod–le s’appuie sur ces abstractions et les relations entre abstraction Les

th†ories consid†r†es peuvent aussi ¶tre d†terminantes dans le choix des donn†es envisager pour

le mod–le Les th†ories fournissent donc une ossature qui guide le mod†lisateur en fonction des questions qu’il se pose sur un syst–me de r†f†rence donn† et permet la construction du mod–le.

Les approches individus centr†e et orient†e-objet ou fond†es sur des agentsinformatiques ont permis des mod†lisations concues comme des repr†sentations dumonde vis†e plus ou moins r†aliste et non plus comme des calculs †quivalents aux mod–les math†matiques (Varenne & Silberstein, 2013)

3.3 Le langage UML (Unified Modeling Language)UML, c’est l’acronyme anglais pour Unified Modeling Language On le traduit parLangage de mod†lisation unifi† en francais Ce langage de mod†lisation orient† objetvoit le jour au d†but des ann†es 1990 (UML V0.8) avant d’¶tre normalis† (UML v1.0) parl’Object Management Group (OMG) la fin des ann†es 905 L’OMG diffuse en 2005 la version2.0 d’UML qui reste encore aujourd’hui la version la plus utilis†e UML permet la cr†ation derepr†sentations graphiques (appel†s diagrammes) du syst–me de r†f†rence que l’on souhaitereproduire Les sch†mas ainsi obtenus permettent une visualisation du mod–le que l’onsouhaite r†aliser (chaque symbole graphique a une s†mantique qui lui est propre) Ilsformalisent la mod†lisation, am†liorent la compr†hension du probl–me que pose le mod–le etfacilite la conception et la communication de celui-ci De plus, l’objectif d’UML est d’obtenir unmod–le compr†hensible par les humains et par les machines, c’est- -dire traduisiblerapidement en langage de programmation On notera aussi l’existence du langage AUML6.Cette extension du langage UML permet de mieux sp†cifier la structure des syst–mes agentsavec notamment des diagrammes plus pouss† pour les communications entre agents

3.4 Des automates cellulaires aux syst–mes multi-agentsDans les derni–res ann†es, de nouvelles approches et techniques de mod†lisation ont

†merg†, et leur champ d’application s’est †tendu progressivement, en touchant aussi laprobl†matique des choix r†sidentiels Les automates cellulaires et les syst–mes multi-agents sont repr†sentatifs de ces techniques nouvelles

L’apparition des techniques de mod†lisation dynamique issues de l’informatique(intelligence artificielle distribu†e, vie artificielle) ont permis d’aborder le probl–me ducomportement des acteurs ou celui des interactions multiples dans l’espace et le temps.Les automates cellulaires (Couclelis (1985), Phipps et Langlois (1997)) ont un int†r¶t †vident pour la mod†lisation des syst–mes dynamiques complexes Ces mod–les introduisent une repr†sentation du territoire correspondant un ensemble de cellules de forme identique, chaque cellule †tant d†crite par des caract†ristiques de milieu, habitat, population etc Des fonctions d’†tat permettent

de caract†riser l’†volution de chaque cellule en fonction de son †tat et de celui de ses voisins.

3.4.1 D†finition

Les automates cellulaires se pr†sentent sous la forme d’une grille, ou ensemble de cellules †volutives au cours du temps, r†gies par de m¶mes r–gles de transitions dans un espace deux dimensions Ce syst–me a largement †t† mis l’†preuve des math†maticiens depuis ses origines dans les ann†es 50, jusqu’ nos jours (Wolfram, 1984 ; Louis, 2002 ; Ollinger & Richard, 2009) Un automate cellulaire se d†finit ainsi, une cellule (i, j), localis†e

en en ligne i et en colonne j, l’instant t ; elle poss–de :

Un †tat St(i; j) : qui repr†sente son contenu (nombre fini d’†tats possibles)

Un voisinage V (i; j) : form† de cellules voisines (stable dans le temps)

Le voisinage peut inclure les 4 cellules voisines (voisinage de Von Neumann,

V4(i; j)) ; Le voisinage peut inclure aussi les 6 cellules voisines V6(i; j) ;

Les 8 cellules adjacentes (voisinage de Moore V8(i; j)), ou plus

Une r–gle de transition T s’applique toutes les cellules (i; j)

Chaque cellule calcule ainsi l’†tat suivant Sij(t + 1) au temps t + 1, en fonction de son †tat actuel Sij(t) et de l’†tat des k cellules voisines V (i; j)

3.4.2 Le Jeu de la vie

l’origine, le Jeu de la vie fut pr†sent† comme un jeu math†matique Sa description va nous permettre de mat†rialiser et mieux comprendre ce que sont les automates cellulaires.l’instar des espaces cellulaires d’Ulam, le Jeu de la vie se pr†sente sous la forme d’une grille constitu†e de cellules, par exemple :

Figure 3.2 Exemple de configuration de d†part

Dans le Jeu de la vie, est consid†r†e comme voisine toute cellule contigue, y compris les diagonales

Figure 3.3 D†termination du voisinage

La figure ci-dessus montre le voisinage de la cellule 12 En l’occurrence, sur les huit voisins, deux sont actifs

Les r–gles du Jeu de la vie sont simples :

Une cellule inactive entour†e de 3 cellules actives devient active ( na

t ) ; Une cellule active entour†e de 2 ou 3 cellules actives reste active ;

Dans tous les autres cas, la cellule meurt ou reste inactive

Les automates cellulaires fonctionnent de mani–re discr–te C’est- -dire que le tempss’†coule par -coups Ceci signifie dans notre cas qu’ la g†n†ration t, chaque celluleexamine son environnement et d†termine son †tat futur Quand l’ensemble des cellules a

†t† trait†, et seulement ce moment l , toutes les cellules passent l’†tat calcul† On simuleainsi un traitement parall–le

Illustrons ce m†canisme partir de la configuration pr†c†dente :

Figure 3.4 Valeurs de voisinage

3.4.3 Applications pratiques utilis†es Les applications pratiques des automates cellulaires sont nombreuses et diverses Fondamen- talement ils constituent des univers dont on fixe les lois Notre Univers est soumis aux lois de la Physique Ces lois ne sont que partiellement connues et apparaissent hautement complexes Dans

un automate cellulaire, les lois sont simples et compl–tement connues On peut ainsi tester et analyser le comportement global d’un univers simplifi† Voici quelques exemples d’application :

Simulation du comportement d’un gaz Un gaz est compos† d’un ensemble de mol†cules dont le comportement est fonction de celui des mol†cules voisines ;

Simulation des processus de percolation ;

Simulation des processus de cristallisation ;

Simulation de la propagation des feux de for¶t ;

Simulation et d’†tude du d†veloppement urbain ;

Simulation et †tude des changements d’occupation du sol

Dans un domaine plus quotidien, les automates cellulaires peuvent ¶tre utilis†s commeg†n†rateur graphique Les quelques figures ci-dessous, construites avec Capow montrentcertains effets graphiques

Figure 3.5 Quelques effets graphiques des automates cellulaires

3.5 Les syst–mes multi-Agent(SMA)

L’intelligence artificielle ses d†buts entendait essentiellement rivaliser avec l’¶tre humain Il s’agissait de r†soudre une question pos†e en adoptant le comportement et le savoir-faire d’un ou souvent plusieurs experts, d’oò les programmes informatiques biens connus appel†s syst–mes experts , notamment pour le diagnostic m†dical Cette voie de l’intelligence artificielle soul–ve, entre autres questions, le probl–me de l’individualisation des comp†tences d’expert dans un seul programme informatique En effet, dans la plupart des cas pratiques, les savoirs n†cessaires la r†solution de t¥ches complexes sont souvent distribu†s entre plusieurs individus.

Ce sont des †changes d’informations, de connaissances sp†cifiques voire des n†gociations qui concourent la r†solution d’une t¥che ou l’†tablissement d’un diagnostic Aussi, un courant de l’intelligence artificielle s’est inscrit dans la construction de programmes informatiques rela-tivement autonomes et ind†pendants en interaction, appel†s des agents Un SMA est un programme informatique regroupant des petits programmes disposant d’une certaine autonomie constituant des entit†s artificielles qui †voluent, communiquent et agissent dans un environne-ment, qui n’est pas forc†ment spatial Un SMA int–gre une dimension temporelle sous la forme d’une horloge qui rythme les interactions entre ces diverses entit†s artificielles ou agents Ces in-teractions produisent des organisations qui, en retour, sont susceptibles de contraindre les agents.

Selon Jacques Ferber (1995), un agent, dans une d†finition strictement informatique, estune entit† capable d’agir sur elle-m¶me et sur son environnement, qui r†agit sestransformations et qui poss–de une repr†sentation partielle de cet environnement Les SMA,parce qu’ils donnent la possibilit† de mod†liser directement les individus, leurs comportements

et leurs interactions, offrent des solutions radicalement nouvelles pour la mod†lisation Parexemple, le fonctionnement d’une fourmili–re peut ¶tre mod†lis† en donnant aux fourmis desstatuts d’agents dont les caract†ristiques varieront avec les diff†rentes sp†cialisations de cesinsectes au sein de la soci†t† des fourmis (Drogoul et al., 1993) Par extension, le statutd’agent est †galement donn† des entit†s moins actives comme les ressources (nourriture,humidit†) En †voluant dans un espace mod†lis† sous la forme de grilles r†guli–res oò sontr†parties des ressources (voire une reconstitution plus complexe d’une r†alit† observ†e),chaque agent mobile se situe dans l’espace et par son action le transforme pour les autres.Les interactions sont au centre de ce type de mod†lisation

3.5.1 Quelques d†finitions

Qu’est ce qu’un agent ? Comme dans tous les domaines porteurs, le terme agent estutilis† de mani–re assez vague Cependant on peut d†gager une d†finition minimalecommune qui est approximativement la suivante :

D†finition :Ferber, 1995 d†finit un agent : est une entit† physique ou virtuelle

1 qui est capable d’agir dans un environnement,

2 qui peut communiquer directement avec d’autres agents,

3 qui est mue par un ensemble de tendances (sous la forme d’objectifs individuels ou d’une fonction de satisfaction, voire de survie, qu’elle cherche ‘a optimiser),

4 qui poss–de des ressources propres,

5 qui est capable de percevoir (mais de mani–re limit†e) son environnement,

6 qui ne dispose que d’une repr†sentation partielle de cet environnement (et

†ventuellement aucune),

7 qui poss–de des comp†tences et offre des services,

8 qui peut †ventuellement se reproduire,

9 dont le comportement tend ‘a satisfaire ses objectifs, en tenant compte desressources et des comp†tences dont elle dispose, et en fonction de sa perception, de sesrepr†sentations et des communications qu’elle recoit

Chacun des termes de cette d†finition est important Une entit† physique est quelque chose qui agit dans le monde r†el : un robot, un avion ou une voiture sont des exemples d’entit†s physiques.

En revanche, un composant logiciel, un module informatique sont des entit†s virtuelles,car elles n’existent pas physiquement.

Les agents sont capables d’agir, et non pas seulement de raisonner comme dans les syst–mes d’IA classique L’action, qui est un concept fondamental pour les syst–mes multi-agents,repose sur le fait que les agents accomplissent des actions qui vont modifier l’environnementdes agents et donc leurs prises de d†cision futures Ils peuvent aussi communiquer entre eux,

et c’est d’ailleurs l l’un des modes principaux d’interaction existant entre les agents Ilsagissent dans un environnement, sauf, comme nous le verrons, pour les agents purementcommunicants pour lesquels toutes les actions se r†sument des communications

D†finition : D’apr–s Ferber, 1995,un syst–me multi-agent (ou SMA), un syst–me estcompos† des †l†ments suivants :

1 Un environnement E, c’est-‘a-dire un espace disposant g†n†ralement d’une m†trique

2 Un ensemble d’objets O Ces objets sont situ†s, c’est-‘a-dire que, pour tout objet, il estpossible, ‘a un moment donn†, d’associer une position dans E Ces objets sont passifs,c’est-‘a-dire qu’ils peuvent ¶tre percus, cr††s, d†truits et modifi†s par les agents

3 Un ensemble A d’agents, qui sont des objets particuliers (A O), lesquels

repr†sentent les entit†s actives du syst–me

4 Un ensemble de relations R qui unissent des objets (et donc des agents) entre eux

5 Un ensemble d’op†rations Op permettant aux agents de A de percevoir, produire, consom-mer, transformer et manipuler des objets de O

La figure 2.9 donne une illustration de la notion de syst–me multi-agents d’un agent eninteraction avec son environnement et les autres agents[Ferber, 1995] L’agent repr†sent†qui dispose de comp†tences et de repr†sentations tente d’atteindre ses objectifs

Figure 3.6 Interactions d’un agent [Ferber 1995]

Il existe un cas particulier de syst–mes dans lequel A = O, et E est †gal l’ensemble vide Dans

ce cas, les relations R d†finissent un r†seau : chaque agent est li† directement un ensemble d’autres agents, que l’on appelle ses accointances Ces syst–mes, que l’on peut appeler SMA

purement communicants, sont tr–s courants en intelligence artificielle distribu†e Leurdomaine de pr†dilection est la coop†ration de modules logiciels dont la fonction est der†soudre un probl–me ou d’†laborer une expertise (interpr†tation de signaux ouconception d’un produit par exemple) partir de modules sp†cialis†s, comme dans le casd’un syst–me de contræle distribu†, oò E est d†fini par la structure du r†seau sous-jacent.Ces syst–mes se caract†risent par le fait que les interactions sont essentiellement descommunications intentionnelles et que le mode de travail ressemble celui d’un organismesocial (groupe de travail, entreprise, administration, etc.).

Lorsque les agents sont situ†s, E est g†n†ralement un espace m†trique, et les agents sont capables de percevoir leur environnement, c’est-‘a-dire de reconna^ tre les objets situ†s dans l’environne-ment en fonction de leurs capacit†s perceptives, et d’agir, c’est-‘a-dire de transformer l’†tat du syst–me en modifiant les positions et les relations existant entre les objets Les meta-donn†es

Un SIG manipule des donn†es provenant de diff†rentes sources, aussi celles-ci sontaccompa-gn†es d’informations caract†risant la source elle-m¶me, soit encore de donn†es surles donn†es : des m†ta-donn†es Les meta-donn†es apportent, par exemple, des informationssur la nature des donn†es, le syst–me de projection, l’†tendue g†ographique, date de saisie

3.6 Mod†liser des dynamiques spatiales avec le SMA

Nous allons aborder dans cette section l’utilisation des SMA pour l’†tude de ph†nom–nes se tenant dans un environnement g†ographique On cherche expliquer les concepts et techniques disponibles pour traiter les dynamiques spatiales l’aide de la mod†lisation multi-agent.

La r†alisation d’un mod–le en SMA se fait en deux temps : dans un premier temps ilr†alise un laboratoire virtuel qui reprend les caract†ristiques du domaine empirique objet

de la simulation oò syst–me cible Dans un second temps, il pratique desexp†rimentations, d†placant des individus, changeant leur comportement ou en modifiantles conditions environnementales De ce fait, le mod–le, la vision du syst–me cibles’†labore au fur et mesure Ce n’est pas une abstraction d’un monde r†el, mais unereconstruction d’un monde artificiel obtenue partir d’hypoth–ses qui peuvent donc ¶tretest†es in vitro Ces exp†rimentations permettent de v†rifier les hypoth–ses †mises, der†cup†rer de nouvelles donn†es et de les exploiter via des traitements statistiques

Les caract†ristiques de SMA est la capacit† consid†rer l’environnement d’un syst–me,l’acceptation d’agents conceptuellement tr–s diff†rents, par une diversit† d’†chelles quipermet une analyse des niveaux multiples et une souplesse dans les r–gles d’interactions,particuli–rement pour les relations spatiales (Bretagnolle et al., 2003)

3.7 Les Syst–mes d’Informations G†ographiques SIG

D†finition : Un SIG est un ensemble organis† de mat†riels informatiques, de logiciels, de donn†es g†ographiques et de personnel capable de saisir, stocker, mettre jour, manipuler, analyser et pr†senter toutes formes d’informations g†ographiquement r†f†renc†es [De Blomac 94].

Les syst–mes d’informations g†ographiques proposent une repr†sentation de l’espace

en utilisant des primitives g†ographiques telles que des points, des arcs, des polygones(vecteurs) ou des grilles (raster) Des informations qualitatives, les meta-donn†es(donn†es sur les donn†es), sont associ†es ces primitives

L’information g†ographique peut ¶tre d†finie comme l’ensemble de la description d’un objet

et de sa position g†ographique la surface de la Terre Le but d’un SIG est souvent de fournirune aide la d†cision Il peut aussi servir produire des cartes pour r†pondre des besoinssp†cifiques : organisation de tourn†es, circuits touristiques, pr†vention des incendies

Figure 3.7 Composantes d’un SIG

Quel que soit le domaine d’utilisation, un SIG permet de r†pondre 5 questions :

1 Oò : Oò se situe le domaine d’†tude et quelle est son †tendue g†ographique ?

2 Quoi : Quels objets peut-on trouver sur l’espace †tudi† ?

3 Comment : Comment les objets sont r†partis dans l’espace †tudi†, et quelles sont leurs relations ? C’est l’analyse spatiale

4 Quand : Quel est l’¥ge d’un objet ou d’un ph†nom–ne ? C’est l’analyse temporelle

5 Et si : Que se passerait-il s’il se produisait tel †v†nement ?

L’information g†ographique se compose :

1 l’information g†ographique se compose :

2 d’objets g†ographiques

3 de m†ta donn†es

Les donn†es attributaires

Les donn†es attributaires d†crivent un objet g†ographique : nom d’une route, type d’unb¥timent, nombre d’habitants d’un immeuble, d†bit d’un cours d’eau, tension d’une ligne

de transport d’†nergie, type d’arbres dans un verger Les attributs ne sont pas strictosensu des informations g†ographiques, mais contribuent les qualifier les objets

Les objets g†ographiques

Les objets g†ographiques sont organis†s en couches Chaque couche fait r†f†rence unth–me, par exemple, couvert v†g†tal, voies de navigation

Trois types d’entit†s g†ographiques peuvent ¶tre repr†sent†s :

le point (x,y)

la ligne ((x1; y1); :::; (xn;

yn)) le polygone

Deux modes de repr†sentations des donn†es sont possibles :

Vectoriel (format vecteur) : les objets sont repr†sent†s par des points, des lignes, despolygones ou des polygonestrous ;

Matriciel (format raster) : il s’agit d’une image, d’un plan ou d’une photo num†ris†s

et affich†s dans le SIG en tant qu’image

Dans un SIG, un syst–me de coordonn†es terrestres (sph†rique ou projectif) permet der†f†rencer les objets dans l’espace et de positionner l’ensemble des objets les uns parrapport aux autres Les objets sont g†n†ralement organis†s en couches (cf Figure 2.10),chaque couche rassemblant l’ensemble des informations se rapportant un m¶me th–me

Figure 3.8 Couches d’un SIG

Avec un SIG, les relations entre les objets peuvent ¶tre calcul†es et donner naissancedes points d’intersection afin d’†viter la r†p†tition d’objets superpos†s Ainsi une parcellebordant une route aura les m¶mes sommets que ceux d†finis pour la route

3.8 Utilisation hybride SIG SMA

3.8.1 Utilisation de SIG et SMA combin†e

Les syst–me d’information g†ographique ont apport† leurs capacit†s de gestion et devisualisation de l’information g†ographique, de puissants outils permettant de traiter de l’infor-mation †tablissant des liens entre donn†es g†ographiques et attributaires Ces liens am†liorent

et affinent l’exploitation des relations spatiales qui existent entre entit†s et cr†ent un espacerelatif (en opposition un espace absolu bas† sur la mesure des distances euclidiennes et lesr–gles trigonom†triques) Les analyses spatiales ainsi obtenue fournissent pour les SMA

un moyen efficace d’offrir leurs agents une connaissance topologique de leurl’environnement Cette connaissance est une contribution majeure l’h†t†rog†n†it† desagents et par cons†quence aux produits de l’†mergence Les outils SIG et les SMA sontdonc compl†mentaires les SIG apportent des donn†es raffin†es aux SMA ou conserventces donn†es pour valider les r†sultats d’une simulation dite business as usual Lesr†sultats des simulations peuvent aussi ¶tre analys†s via des outils SIG Un SMA permetdonc, au travers des r–gles et modes d’interactions qu’il d†finit, d’†tablir des sc†narios entenant compte des dimensions sociales et temporelles qui lient les objets

Ainsi par soucis de lisibilit† nous ne d†taillerons ici que les travaux r†alis†s sur desplateformes de mod†lisation et simulation int†grant des donn†es SIG

3.8.2 Les plateformes de simulations multi-agents

Un mod–le est donc une sp†cification de l’ensemble des instructions qui permet deg†n†rer le comportement du syst–me Ainsi, d†finir un mod–le de simulation multi-agentconsiste d†finir une fonction Evolution [Michel, 2004] qui calcule, pour un †tat (t) du mod–

le, l’†tat suivant (t + (t)) de mani–re d†terministe : (t + (t)) = Evolution( (t))

Cependant, du fait de la tr–s grande vari†t† de mod–les qu’il est possible d’†laborer, il existe

un nombre incalculable de facons de d†finir une telle fonction Cela explique, en partie, lenombre tr–s important de plates-formes d†di†es au d†veloppement de syst–mes etsimulations multi-agents Dans [Kravari and Bassiliades 2015], 24 de ces plates-formes ont

†t† compar†es et †valu†es (il en existe bien d’autres) selon de nombreux crit–res Il en ressortque chacune d’entre elle poss–de un champ d’application bien sp†cifique Ainsi, certaines vont

¶tre sp†cialis†es dans la simulation large †chelle (e.g GAMA), d’autres en simulation

†conomique (e.g JADE) ou en biologie et †tudes sociales (e.g Jason ou Repast), etc

Si l’on s’int†resse des aspects tels que la simplicit† d’utilisation, la facilit† de prise en main,

la scalabilit† du mod–le simul† ou encore les performances de ces plates-formes (des th–mes proches de ceux que nous rencontrerons tout au long de ce document), il est possibled’extraire de [Kravari and Bassiliades 2015] le tableau 3.1 Plus pr†cis†ment, nousconsid†rons les crit–res suivants :

Le crit–re Simplicit† caract†rise la facilit† d’utilisation de la plate-forme (la facilit† de