Navigation – Plan du site
2016
782

Etalement urbain et géoprospective : apports et limites des modèles de spatialisation

Application aux modèles SLEUTH, LCM et NEDUM-2D
Urban sprawl and geoprospective : advantages and drawbacks of spatial models. Application to the SLEUTH, LCM and NEDUM-2D models
Rahim Aguejdad, Omar Doukari, Thomas Houet, Paolo Avner et Vincent Viguié

Résumés

L’objectif de cet article est d’évaluer les apports et les limites d’usage des modèles SLEUTH, LCM et NEDUM-2D pour spatialiser des scénarios prospectifs d’aménagement du territoire. Les deux modèles de changements d’occupation et d’usage des sols spatialement explicites SLEUTH et LCM sont basés sur une approche inductive de simulation de patrons spatiaux tandis que NEDUM-2D est un modèle économique d’expansion urbaine à base de processus. L’application porte sur l’aire urbaine de Toulouse dont les trajectoires d’évolution des changements d’occupation et d’usage des sols entre 1990 et 2006 ont préalablement été reconstruites. Le but est de suivre la dynamique spatio-temporelle de l’expansion urbaine et de calibrer les deux modèles SLEUTH et LCM. Après une présentation détaillée de la démarche méthodologique de construction de scénarios contrastés, cohérents et plausibles de développement urbain, le fonctionnement et les hypothèses propres à chacun des trois modèles de spatialisation sont présentés. Ensuite, une analyse comparative des résultats des deux modèles SLEUTH et LCM est menée à travers la spatialisation d’un scénario tendanciel élaboré à l’horizon 2025. Les résultats obtenus montrent d’importantes différences entre les simulations issues des deux modèles. L’influence de ces derniers concerne à la fois la quantité de changement et son allocation spatiale. Les résultats indiquent aussi que les deux modèles empiriques SLEUTH et LCM, calibrés à l’aide des trajectoires passées, ne permettent pas de spatialiser des scénarios de rupture avec les tendances passées. A l’issue de cette analyse, nous proposons de développer un nouveau modèle hybride couplant l’approche économique et l’approche géographique, utilisable de façon contrôlée conformément à la définition de scénarios normatifs.

Haut de page

Texte intégral

Ce travail s’inscrit dans le cadre du projet ACCLIMAT ayant bénéficié du financement de la fondation RTRA-STAE et dont les membres et les experts invités ont activement participé à la construction collective des scénarios prospectifs et aux différents échanges sur la pertinence du choix des modèles de simulation. Les auteurs voudraient également remercier les relecteurs pour leurs remarques ayant permis d’améliorer la qualité de cet article.

Introduction

1Malgré le degré de maturité des recherches ayant permis d’améliorer considérablement la capacité prédictive des modèles de simulation des changements d’occupation et d’usage des sols au cours des dernières décennies, la place de la modélisation dans le processus de planification territoriale et de prise de décision n’en est qu’à ses débuts (Brits et al., 2014). Plusieurs travaux se rapprochant de l’usage des modèles portent principalement sur des questions liées à la calibration et la validation (Irwin et Geoghegan, 2001 ; Herold et al., 2003 ; Verburg et al., 2004 ; Pontius et al., 2004 ; Irwin, 2006 ; Koomen et al., 2008 ; Chen et Pontius, 2010 ; van Vliet et al., 2016). Cependant, il existe encore de nombreuses lacunes méthodologiques et techniques relatives à l’usage des modèles spatiaux, tout particulièrement dans le domaine de la prospective spatialisée (Houet, 2015). Cette question, très rarement soulevée dans la littérature, consiste non pas à évaluer la performance prédictive des modèles à formaliser le fonctionnement du système territorial étudié mais plutôt à explorer leur capacité à offrir une plus grande diversité de situations futures suffisamment contrastées et en rupture avec les trajectoires passées (Mas et al., 2011 ; Mas et al., 2014 ; Houet, 2015 ; Mallampalli et al., 2016).

2C’est dans ce cadre que s’inscrit le présent article dont l’apport constitue une contribution aux débats menés lors du séminaire « La géoprospective : apport de la dimension spatiale aux recherches prospectives », organisé en 2010 par le Groupement de Recherche MAGIS (Houet et Gourmelon, 2014). Concrètement, l’objectif poursuivi dans cette recherche est de compléter les analyses existantes concernant l’usage des modèles spatiaux pour les études prospectives de l’étalement des villes. Trois exemples de modèles sont étudiés : SLEUTH (Clarke et Gaydos, 1998), LCM (Eastman, 2009) et NEDUM-2D (Viguié et al., 2014). Les résultats devraient aider à éclairer l’utilisateur à faire un choix de modèle approprié à la spatialisation de scénarios d’aménagement du territoire résultant d’une démarche exploratoire et/ou normative (Poux, 2003). Une application sur un cas d’étude permet d’illustrer les apports et les limites liés au fonctionnement et à l’usage de chacun des deux modèles SLEUTH et LCM. Cette application porte sur la spatialisation d’un scénario tendanciel d’aménagement du territoire élaboré à l’horizon 2025 sur l’aire urbaine de Toulouse dans le cadre du projet de recherche ACCLIMAT (Adaptation au Changement CLIMatique de l’Agglomération Toulousaine).

3L’article est organisé en quatre sections. La première section revient tout d’abord sur l’intérêt de la géoprospective pour l’aménagement du territoire et ce particulièrement par rapport à la prospective territoriale. Ensuite, une revue de la littérature existante expose les principaux outils et approches de simulation et leur usage pour la modélisation prospective de l’expansion urbaine. La deuxième section présente la zone d’étude, les données utilisées et la méthodologie suivie pour l’élaboration des scénarios. Elle présente aussi les trois modèles SLEUTH, LCM et NEDUM-2D et dresse une analyse comparative de leurs avantages et de leurs limites. Les résultats des simulations des modèles SLEUTH et LCM appliqués à l’aire urbaine de Toulouse sont présentés dans la troisième section. La dernière section porte sur la discussion des résultats obtenus ainsi que l’apport potentiel du modèle économique NEDUM-2D.

Usage des modèles pour la prospective

Apport de la géoprospective

4Maîtriser l’artificialisation de l’espace et anticiper le devenir d’un territoire représentent un enjeu important pour les collectivités territoriales qui se trouvent confrontées aux objectifs transversaux du développement durable. Ces dernières sont de plus en plus nombreuses à se livrer à des exercices de prospective territoriale qui se généralisent à différents niveaux territoriaux (Dodane et al., 2014) et accompagnent les différents documents et outils stratégiques de mise en œuvre de projets de territoire. Si ces documents se basent principalement sur des diagnostics territoriaux, « ils font désormais très souvent appel à une phase de prospective visant à mieux anticiper les mutations que pourrait connaître le territoire sur le long terme » (Enjalbert, 2012). La prospective permet, avant tout, d’initier une culture prospective nécessaire à l’élaboration d’une vision partagée du projet de territoire et son appropriation par l’ensemble des acteurs. En effet, elle questionne plus qu’elle n’affirme et « le processus collectif de construction des scénarios est aussi important que le résultat » (DATAR, 2012). En revanche, la modélisation des dynamiques et interactions spatiales et la spatialisation des scénarios prospectifs nécessitent une approche de géoprospective qui va au-delà du simple diagnostic territorial et des démarches de prospective territoriale non spatialement explicites.

5La géoprospective, en tant que posture (Gourmelon et al., 2012 ; Houet et Gourmelon, 2014 ; Dodane et al., 2014), est une démarche systémique et proactive qui se positionne à l’interface de beaucoup de disciplines et d’approches méthodologiques. Comparée à des démarches de prospective économique et démographique a-spatiales, la spécificité de la géoprospective réside dans l’intégration explicite de la dimension spatiale aux différents stades du processus prospectif (Houet et al., 2010 ; Gourmelon et al., 2012) au travers du rôle central des modèles, de l’analyse spatiale, des modes de représentation, des notions de complexité et de changement d’échelles (Voiron, 2006 ; Houet et al., 2008 ; Houet et Gourmelon, 2014).

6Grâce aux différents rendus des modèles spatiaux, la géoprospective permet d’alimenter les débats sur le territoire et d’accompagner les réflexions relevant d’une démarche prospective qui reste souvent qualitative (Dodane et al., 2014). Elle permet non seulement de comprendre les interactions mettant en jeu l’espace et les processus écologiques et socio-économiques (Jenerette et Poterie, 2010) mais surtout d’anticiper les impacts et de définir des stratégies d’adaptation pour des territoires sobres et sûrs (Masson et al., 2014). A l’aide de scénarios prospectifs proposant un large panel de futurs possibles, la géoprospective permet d’explorer le devenir d’un territoire pour des horizons temporels à moyen et long termes. La spatialisation de ces scénarios fait appel à des outils de simulation plus ou moins adaptés et dont les données, les hypothèses et les approches conceptuelles sont distinctes et plus ou moins complexes.

Des approches conceptuelles aux méthodes et outils de simulation

7De nombreuses études sur la modélisation de l’expansion urbaine ont été menées (Torrens et O’Sullivan, 2001 ; Herold et al., 2001 ; Wilson et al., 2003 ; Herold et al., 2003 ; Cheng et Masser, 2003 ; Antoni, 2003 ; Allen et Lu, 2003 ; Sudhira et al., 2004 ; Fang et al., 2004 ; Torrens, 2006). Ainsi, une multitude de modèles présentant des caractéristiques communes ou spécifiques a été développée. Parmi les plus connus, on peut citer : SLEUTH, UrbanSim (Waddell et al., 2003), CLUE (Verburg et Overmars, 2007), CURBA (Landis et al., 1998), DINAMICA (Mas et al., 2011), GEOMOD (Pontius et al., 2001), MOLAND (Engelen et al., 2007) et LCM (Aguejdad et Houet, 2008 ; Eastman, 2009 ; Maestripieri et Paegelow, 2013 ; Mas et al., 2014).

8Plusieurs travaux de synthèse ont été réalisés sur les modèles existants selon les problématiques abordées et les approches utilisées (EPA, 2000 ; Agarwal et al., 2000 ; Geurs et van Wee, 2004 ; Hunt et al., 2005 ; Schaldach et Priess, 2008 ; Alberti, 2008 ; Haase et Schwarz, 2009 ; Santé et al., 2010 ; Triantakonstantis et Mountrakis, 2012). A titre d’exemple, Agarwal et al. (2000) ont établi diverses classifications de modèles d’usage des sols en fonction de leur capacité à formaliser la notion de complexité. Cette dernière est appréhendée dans un espace tridimensionnel espace-temps-prise de décision. S’agissant de la complexité spatiale, les auteurs distinguent deux types de modèles spatialement explicites : les modèles spatialement représentatifs et les modèles spatialement interactifs (Agarwal et al., 2000). Les premiers peuvent intégrer, produire ou visualiser la donnée dans un espace bi- ou tridimensionnel mais ne modélisent pas les relations topologiques et les interactions entre les objets géographiques. En revanche, les seconds définissent les interactions spatiales dans un voisinage donné au cours du temps. Quant à la complexité liée au processus décisionnel, le premier niveau regroupe les modèles qui n’incluent que des variables biophysiques, tandis que le niveau supérieur correspond à ceux où les acteurs sont pris en compte et les processus liés à leur choix sont explicitement modélisés à différents niveaux de prise de décision (Agarwal et al., 2000). Globalement, un modèle peut se fonder sur une approche spatiale/a-spatiale, statique/dynamique, inductive/déductive, ’pattern-based’/‘process-based’ (Brown et al., 2004 ; Mas et al., 2014 ; Houet, 2015). Une autre classification permet de distinguer les modèles spatiaux, plus précisément les modèles de changements d’occupation et d’usage des sols (Verburg et al., 2004 ; Berling-Wolff et Wu, 2004 ; Haase et Schwartz, 2009), les modèles économiques basés sur l’interaction usage du sol-transport (Iacono et al., 2008) et enfin les modèles hybrides (Verburg et al., 2004).

Les modèles de changements d’occupation et d’usage des sols

9Une grande variété de modèles de changements d’occupation et d’utilisation des sols existe pour simuler l’évolution des paysages urbains, allant de modèles développés spécifiquement pour la thématique urbaine à des outils traitant indifféremment divers usages et occupations du sol. Globalement, les modèles diffèrent en fonction de leur mode de fonctionnement et de leurs objectifs, des processus modélisés, des approches et des méthodes de simulation proposées, des données, des échelles et des niveaux d’organisation. Ils font appel à diverses méthodes de simulation dont les plus connues sont les automates cellulaires, les systèmes multi-agents, les régressions logistiques, les réseaux de neurones et les chaînes de Markov.

10Parmi tous les modèles dynamiques et spatialement explicites, ceux basés sur les automates cellulaires sont probablement les plus répandus pour leurs nombreuses et diverses applications en milieu urbain (Landis et Zhang, 1998a et 1998b ; Landis et al., 1998 ; Verburg et Overmars, 2007 ; Engelen et al., 2007 ; Dietzel et Clarke, 2007 ; Santé et al., 2010). Ceci s’explique notamment par leur relative simplicité et par l’intégration aisée des classifications issues des données de télédétection. Généralement, les facteurs anthropiques tels que les mouvements de population, la mobilité résidentielle ou l’élasticité des prix du marché immobilier sont définis par les hypothèses de scénarios et non modélisés en tant que tels.

Les modèles économiques d’expansion urbaine

11Les modèles économiques permettent de formaliser les processus d’utilisation résidentielle du sol en prenant en considération une série de variables démographiques et économiques telles que le prix des loyers, les revenus moyens, le temps et le coût de transport, la proximité aux services et aménités urbaines et les mécanismes d’arbitrage des ménages et des promoteurs immobiliers. Ils simulent l’évolution de la population, les revenus et les choix des ménages, principalement à travers les changements de tendances du marché immobilier (Mankiw et Weil, 1989 ; Nijkamp et al., 1993 ; Irwin et Geoghegan, 2001). Ces modèles peuvent être ou non spatialement explicites (Irwin et Geoghegan, 2001), monocentriques ou polycentriques, statiques ou dynamiques. Les premiers modèles fondés sur l’interaction usage du sol-transport considère ce dernier comme étant le facteur principal de la morphologie urbaine (Goldner, 1971 ; Geraldes et al., 1978 ; Putman, 1983 ; Mackett, 1985 ; Geurs et van Wee, 2004 ; Hunt et al., 2005).

Les modèles hybrides ou les approches intégrées

12A ces deux grandes familles de modèles s’ajoutent les modèles intégrés associant deux ou plusieurs approches de modélisation (Silvertown et al., 1992 ; Li et Reynolds, 1997 ; Schaldach et Priess, 2008). Le principal intérêt de ce type d’approches réside dans l’intégration de différentes méthodes et techniques au lieu des approches sectorielles ou monodisciplinaires (Verburg et al., 2004 ; Koomen et al., 2008). En général, les modèles hybrides combinent un modèle a-spatial d’estimation de la quantité de changement avec un modèle spatial de simulation destiné à l’allocation spatiale de la quantité de changement estimée (Irwin et Geoghegan, 2001).

Approche ‘modèle-dépendante’ versus ‘scénario-dépendante’

13Diverses méthodes de spatialisation de scénarios narratifs existent (Mallampalli et al., 2016). D’une façon générale, deux approches utilisées pour spatialiser les scénarios prospectifs se distinguent : une approche ‘modèle-dépendante’ et une approche ‘scénario-dépendante’ (Houet et al., 2016). La première approche, dite ’modèle-dépendante‘, est probablement la plus utilisée. Elle consiste à construire des scénarios d’évolution à partir des possibilités offertes par les modèles disponibles. Par exemple, la prise en compte des facteurs explicatifs du changement peut être limitée au type et au nombre d’entrées propres à chaque modèle. Or, certains modèles ne permettent de prendre en compte qu’un nombre limité de variables. C’est le cas par exemple du modèle SLEUTH (Clarke et Gaydos, 1998) où les données d’entrée sont limitées à seulement six variables. Cette approche contraignante peut même être considérée comme allant à l’encontre de la finalité de la démarche prospective qui consiste à explorer le champ des possibles et orienter le territoire vers des horizons souhaités et suffisamment contrastés. De plus, les projections futures ne font que reproduire les tendances passées qui servent à la calibration des modèles empiriques. Par conséquent, la marge de manœuvre dont l’utilisateur peut disposer pour élaborer des scénarios en rupture avec les tendances passées se trouve finalement réduite à cause de l’inadaptation des outils de simulation (Maestripieri et al., 2015 ; Houet et al., 2016).

14La deuxième approche consiste à élaborer les scénarios d’évolution indépendamment des modèles et de leurs contraintes. La difficulté de cette démarche "scénario-dépendante" réside dans la spatialisation a posteriori des scénarios à l’aide de modèles adaptés. L’utilisateur est souvent amené à développer de nouveaux outils ou adapter un modèle déjà existant qui ne répond que partiellement à la problématique traitée (Houet et al., 2016).

15La question de l’usage des modèles spatiaux pour la prospective revient à identifier les besoins et à expliciter les principaux critères à prendre en compte. En adoptant une démarche scénario-dépendante, le niveau de pertinence d’un modèle doit refléter sa capacité à traduire spatialement des scénarios prospectifs issus d’une démarche exploratoire et/ou normative (Maestripieri et al., 2015 ; Houet, 2015). Les principaux critères identifiés concernent essentiellement l’aptitude du modèle à répondre aux besoins formulés par l’utilisateur ainsi que le degré de liberté dont dispose ce dernier pour exercer un contrôle sur le modèle. Concernant l’étalement urbain, il s’agit de pouvoir : (1) prendre en compte des facteurs biophysiques et des déterminants socio-économiques régissant le marché foncier et les choix de localisation des agents ; (2) maîtriser la quantité de changement ; (3) influer sur l’allocation spatiale du changement grâce à la capacité du modèle à simuler les formes urbaines en tenant compte des interactions spatiales et de l’hétérogénéité locale ; (4) intégrer des options d’aménagement volontairement en rupture avec les dynamiques et les données passées ; et (5) traduire pour un même scénario une succession de dynamiques pouvant varier au cours du temps. Ces critères constituent la grille de lecture retenue dans cette recherche pour l’analyse comparative des avantages et des limites des trois modèles SLEUTH, LCM et NEDUM-2D.

Données et méthode

Zone d’étude

16La zone d’étude correspond à l’aire urbaine de Toulouse définie d’après le recensement de 1999 (Figure 1). Elle abrite 1 021 530 habitants et regroupe 342 communes en 1999, soit un territoire de 4015 km2. En dix ans, elle étend son attraction sur 111 communes supplémentaires et sa superficie atteint 5381 km2 en 2008 en enregistrant un gain de 181 359 habitants, soit un taux de croissance de 20 151 habitants par an (AUAT, 2012). Cette croissance est liée à l’essor de l’industrie aéronautique et spatiale qui constitue le secteur économique le plus important. Ce phénomène d’extension du périmètre d’influence de l’aire urbaine de Toulouse se traduit par des besoins importants en matière de logements, de structures et de services. L’urbanisation est caractérisée par un fort étalement où le mitage est très présent, le pavillonnaire étant la forme d’urbanisation dominante. Les territoires agricoles périurbains constituent une réserve foncière à l’urbanisation. La maîtrise du phénomène d’artificialisation accélérée du territoire constitue un fort enjeu auquel est confrontée la métropole toulousaine.

Figure 1 : Localisation et étendue de l’aire urbaine de Toulouse d’après le recensement de 1999

Figure 1 : Localisation et étendue de l’aire urbaine de Toulouse d’après le recensement de 1999

Données

17Les données d’occupation et d’usage du sol permettent de reconstruire et caractériser les trajectoires d’évolution des changements observés entre 1990 et 2006. Elles servent aussi à identifier les logiques à l’œuvre en matière d’artificialisation du territoire (Figure 2) et à calibrer les modèles de simulation. La non-disponibilité de données homogènes couvrant toute la zone d’étude aux dates retenues a contraint à utiliser des données multi-sources et de qualité différente en termes de résolution et de précision. Le premier jeu de données est une image Landsat TM à 30 m de résolution datant du mois de juillet 1990 et couvrant l’ensemble de la zone d’étude. Le choix de ce type d’images est justifié par le niveau de détail recherché. D’une part, on cherche à mettre en évidence l’extension urbaine à l’échelle de l’ensemble de l’aire urbaine et, d’autre part, à déterminer les principales catégories d’occupation du sol au détriment desquelles elle s’est produite. Une nomenclature simple a été retenue afin de discriminer les classes suivantes : tache urbaine, surfaces en eau, surfaces boisées et surfaces agricoles. Les limites communales et l’occupation du sol en 1990 et 2006 à l’échelle de l’agglomération ont été fournies par l’AUAT (Agence d’Urbanisme et d’Aménagement du Territoire de Toulouse). Ces données issues de Spot Thema sont organisées selon une nomenclature hiérarchique en deux niveaux emboités : (1) un premier niveau généraliste en huit thèmes pour une vision globale du territoire au 1/50 000 ; et (2) un deuxième niveau détaillé en vingt-neuf thèmes pour des utilisations au 1/25 000 avec une information sur l’occupation du sol plus affinée.

Figure 2 : Seize ans d’artificialisation accélérée du territoire illustrant le phénomène de mitage et la forme étalée de la métropole toulousaine

Figure 2 : Seize ans d’artificialisation accélérée du territoire illustrant le phénomène de mitage et la forme étalée de la métropole toulousaine

Démarche d’élaboration de scénarios prospectifs

18Suivant le principe d’une approche scénario-dépendante, les scénarios sont élaborés indépendamment des modèles en adoptant une démarche participative et pluridisciplinaire. Ils doivent être contrastés, pertinents et cohérents. L’approche méthodologique combine une approche descendante, visant à décliner à une échelle fine les tendances globales, et une approche ascendante visant à tenir compte des spécificités du système local (Slaughter, 1996). Six grandes étapes sont à distinguer : (1) la définition des grands thèmes ; (2) la définition de variables ou facteurs clés pour chaque thème (exemple : évolution démographique) ; (3) la définition d’hypothèses pour chaque variable, définies ici comme les diverses déclinaisons possibles et contrastées de cette variable (pour reprendre le même exemple que précédemment : hausse vs. baisse de population) ; (4) la construction des matrices « Hypothèses × Variables » pour chaque thème ; (5) la construction de scénarios thématiques permettant de vérifier la cohérence des hypothèses entre elles ; et (6) la combinaison de scénarios thématiques pour certaines sous-périodes, en veillant à leur cohérence afin de produire des scénarios systémiques.

19L’analyse rétrospective a permis d’identifier les tendances passées et actuelles de l’urbanisation. A partir de l’analyse de ces changements, une première réunion participative, regroupant les partenaires du projet et des experts locaux (CETE : Centre Etudes Techniques de l’Equipement du Sud-Ouest, CIEU : Centre Interdisciplinaire d’Etudes Urbaines, Mairie de Toulouse, CONTINENTAL, ARPE Midi-Pyrénées : Agence Régionale Pour l’Environnement) a permis d’identifier les principaux facteurs explicatifs déclinés suivant cinq grands thèmes : l’aménagement du territoire, les tendances locales, les adaptations technologiques, les grandes tendances mondiales et le climat. Pour chacun de ces thèmes, les variables clés susceptibles d’exercer une influence sur le système étudié ont été identifiées. Chacune de ces variables a été déclinée en plusieurs hypothèses et a fait l’objet d’une fiche descriptive détaillée. Une variable peut donc prendre différentes valeurs en fonction de l’hypothèse retenue. Toutes les variables et les hypothèses correspondantes ont été synthétisées sous forme de matrices afin de faciliter l’échange au sein du groupe lors d’une seconde réunion participative où deux groupes de travail ont été créés. Chaque groupe avait pour objectif de combiner différentes hypothèses, c’est-à-dire trouver un « chemin » qui relie de façon cohérente les hypothèses de chaque variable pour un thème donné, générant un scénario thématique. En confrontant le résultat de chacun des groupes, trois scénarios ont été ainsi créés pour le thème « tendances locales » et cinq scénarios pour le thème « adaptations technologiques ». Cinq scénarios ont été créés pour le thème « aménagement du territoire » mais deux couples de scénarios présentaient de fortes similitudes aboutissant à 3 scénarios contrastés dont deux présentaient de légères variantes. Les scénarios « grandes tendances mondiales » sont issus d’un travail de modélisation réalisé à l’aide du modèle IMACLIM-R (Sassi et al., 2010 ; Waisman et al., 2012). Quatre scénarios ont été définis à partir du croisement des deux hypothèses retenues pour les deux facteurs considérés comme essentiels pour l’évolution du système mondial à l’horizon 2100 : l’évolution des prix en lien avec la disponibilité du pétrole (impact d’un choc pétrolier fort ou faible) et l’existence ou non d’une politique climatique mondiale de stabilisation des émissions de GES (gaz à effet de serre). Enfin, une troisième réunion participative a permis de mettre en cohérence, sur une frise temporelle allant de 2010 à 2100, les scénarios thématiques dont le croisement a servi à l’élaboration de sept scénarios systémiques contrastés présentés sous forme de récits (ACCLIMAT, 2013 ; Masson et al., 2014). Une fois la phase de scénarisation terminée, l’étape suivante consiste à traduire les différents scénarios en données et paramètres d’entrée d’un ou plusieurs modèles de spatialisation.

Modèles de spatialisation

20Nous présentons dans cette partie trois modèles de simulation. Leur fonctionnement, les règles de simulation et les données d’entrée diffèrent d’un modèle à l’autre. Il s’agit, d’une part, d’un modèle spatial (SLEUTH) et d’un modèle économique (NEDUM-2D) tous les deux dédiés à la simulation de l’expansion urbaine et, d’autre part, d’un outil générique de simulation des changements d’occupation et d’usage des sols (LCM).

SLEUTH

21Le modèle SLEUTH est un automate cellulaire dédié à la simulation dynamique et spatialement explicite de l’expansion urbaine en se basant sur des données d’entrée et des paramètres de simulation associés à des règles de transition (Clarke et Gaydos, 1998 ; Candau, 2002 ; Dietzle et Clarke, 2004). Il tire son nom de l’acronyme formé à partir des six mots (Slope, Land Cover, Excluded, Urban, Transportation, Hillshade) correspondant aux données d’entrée nécessaires à son exécution : les pentes, l’occupation du sol, les zones à exclure de l’urbanisation, les zones urbanisées, le réseau de transport et l’ombrage (Figure 3). La popularité de SLEUTH, comparé aux modèles urbains traditionnels, peut s’expliquer en partie par la simplicité et la disponibilité de ses variables d’entrée (Triantakonstantis et Mountrakis, 2012). Le modèle SLEUTH permet de simuler quatre formes d’expansion urbaine différenciées : en continuité de l’urbain existant, par création de nouveaux centres ou foyers urbains, par diffusion et le long des axes routiers. De type ‘pattern-extrapolation’, SLEUTH est calibré sur des données historiques afin de reproduire les patrons spatiaux du développement urbain passé (Jantz et Goetz, 2005). Cinq paramètres, dont les valeurs peuvent varier de 0 à 100, sont déterminés grâce à un processus stochastique générant plusieurs itérations en utilisant la méthode de Monte Carlo (Jantz et al., 2003 ; Goldstein et al., 2005 ; Clarke, 2008). Trois paramètres permettent de contrôler les formes spatiales de l’expansion urbaine. Un quatrième sert à modéliser l’effet attractif du réseau routier, tandis que le dernier permet de définir l’influence des pentes. Les valeurs de ces paramètres sont ajustées au cours du cycle de simulation grâce à la fonction d’auto-modification de SLEUTH (Candau, 2002 ; Jantz et Goetz, 2005).

22Largement utilisé, SLEUTH fait l’objet de plusieurs applications et travaux de recherche (Jantz et al., 2003 ; Clarke et al., 2007 ; Clarke, 2008). Divers travaux se sont principalement penchés sur des questions liées au temps de calcul, à la calibration et à l’analyse de sensibilité (Candau, 2002 ; Dietzle et Clarke, 2004 ; Jantz et Goetz, 2005 ; Goldstein et al., 2005 ; Dietzle et Clarke, 2007). D’autres questions non encore résolues ont été mises en évidence par Clarke (2008). L’un des thèmes prometteurs en matière de planification urbaine serait d’adapter le modèle SLEUTH au processus décisionnel avec une prise en compte de l’approche participative et des enjeux de durabilité (Clarke, 2008). Il s’agit notamment de prendre en compte les concepts de densité, de renouvellement urbain, de mixité urbaine et d’accessibilité de l’habitat aux nœuds de transport en commun. Par exemple, Mahiny et Clarke (2012) ont incorporé une approche d’évaluation multicritères dans le processus de modélisation à des fins d’aménagement du territoire.

Figure 3 : Données d’entrée du modèle spatial d’expansion urbaine SLEUTH (Source : Clarke, 2008)

Figure 3 : Données d’entrée du modèle spatial d’expansion urbaine SLEUTH (Source : Clarke, 2008)

LCM

23LCM (Land Change Modeler) est un modèle générique conçu pour la simulation des changements d’occupation et d’usage des sols (Eastman, 2009 ; Aguejdad, 2009 ; Khoi et Murayama, 2010 ; Mas et al., 2011 ; Maestripieri et Paegelow, 2013 ; Mas et al., 2014 ; Dodane et al., 2014 ; Houet et al., 2015). Doté d’une interface conviviale, le modèle LCM est un module disponible sous Idrisi ©. Spatialement explicite et basé sur une approche inductive, il propose des méthodes de simulation placées, d’une part, dans la famille des applications statistiques et, d’autre part, dans la famille des méthodes de l’intelligence artificielle. Son fonctionnement s’organise autour d’un ensemble de cinq tâches principales (Figure 4) : (1) préparation des données et analyse des changements passés ; (2) estimation des quantités de changements futurs, (3) modélisation des cartes de localisation des changements futurs pour des transitions d’occupation du sol prédéfinies ; (4) simulation dynamique et spatialement explicit des changements futurs ; et (5) évaluation d’impact des changements simulés sur l’environnement.

  • 1 Le perceptron multicouche est un modèle de réseau de neurones avec algorithme d'apprentissage.

24Deux cartes d’occupation du sol, indispensables au fonctionnement du modèle LCM, sont utilisées comme données d’entrée pour analyser les changements passés et calibrer le modèle sur la période correspondante. D’autres données spatialisées vont être utilisées comme variables explicatives de la localisation des changements d’occupation du sol. On citera par exemple le réseau routier, les pentes, la proximité aux services et aménités urbaines, l’emploi, la démographie et l’attractivité selon les types de transitions à modéliser. Une transition est définie comme le changement d’une ou plusieurs occupations du sol vers une autre. A partir des données d’entrée représentées sous forme de cartes, la localisation des pixels appartenant à une transition donnée est analysée comparativement aux variables explicatives. Pour définir une relation mathématique destinée à estimer le poids respectif de ces variables, LCM propose trois méthodes différentes : la régression logistique (Kleinbaum, 1994), la méthode SimWeight (Sangermano et al., 2010) et le perceptron multi-couches1 appartenant la famille des réseaux de neurones. La régression logistique est fréquemment utilisée dans la modélisation des changements d’occupation et d’usage des sols, tandis que le perceptron multi-couches est basé sur un algorithme d’auto-apprentissage qui vise à minimiser l’erreur globale (Sudheer, 2000 ; Govindaraju et Rao, 2000). L’application de l’une des trois méthodes produit une carte de probabilité de transition estimant la localisation la plus probable des changements futurs.

25LCM offre la possibilité d’estimer la quantité de changements futurs pour chaque transition. A partir des données d’entrée, les probabilités de transition et la quantité de changement sont estimées par extrapolation des tendances passées à l’aide d’un module probabiliste composé de chaînes de Markov. Le processus markovien suppose que l’état d’un système au temps t2 peut être prédit en se basant sur son évolution entre ses états à t0 et t1. Cette quantité de changement peut également être définie manuellement ou provenir d’un modèle externe. Au final, le couplage des chaînes de Markov et des cartes de probabilités de transition au sein d’un module d’allocation spatiale des changements tenant compte des différentes transitions (Allocation multi-objectifs) permet de bénéficier des avantages comparatifs des deux approches.

Figure 4 : Architecture du modèle spatial de changement d’occupation du sol LCM

Figure 4 : Architecture du modèle spatial de changement d’occupation du sol LCM

26Les principales caractéristiques et approches de simulation utilisées par les deux modèles SLEUTH et LCM sont synthétisées dans le tableau 1. Elles montrent que SLEUTH et LCM appartiennent à la famille de modèles stochastiques de type ‘pattern-based’. Le modèle LCM permet d’intégrer un nombre illimité de variables explicatives tout en offrant à l’utilisateur la possibilité de modéliser simultanément différentes transitions d’occupation du sol. Toutefois, il reste limité pour générer des formes urbaines spécifiques (ville étalée, ville compacte) et ainsi, au travers du rendu cartographique, accroître la plausibilité des scénarios prospectifs territoriaux. Contrairement au modèle SLEUTH, LCM est un modèle générique de simulation des changements d’occupation du sol qui n’est pas spécifiquement destiné à la simulation de l’étalement urbain. Toutefois, une application du modèle LCM sur Rennes métropole pour simuler l’expansion urbaine à moyen terme a montré des résultats plausibles et satisfaisants (Aguejdad et Houet, 2008 ; Aguejdad, 2009). En comparant le changement simulé par LCM au changement observé sur la période 2000-2005, les auteurs ont révélé qu’une part des erreurs dues à l’allocation spatiale du changement provient partiellement de la qualité spatiale des données. En effet, les cartes d’occupation du sol issues du traitement d’images et les documents de planification urbaine (SCOT, PLU) présentent de légers décalages au niveau des différents zonages.

Tableau 1 : Synthèse des principales approches et caractéristiques des deux modèles spatiaux SLEUTH et LCM

SLEUTH

LCM

Type de modèle

Simulation des changements d’occupation et d’usage des sols

Unité

Pixel

Pixel

Approche de modélisation

Géographique

Géographique

Inductive

Inductive

Orientée patrons spatiaux

Orientée patrons spatiaux

Processus modélisés

Stochastiques

Stochastiques

Méthode de simulation

Automate cellulaire

1- Chaînes de Markov

2- Méthodes géostatistiques - Intelligence artificielle :

- Régression logistique

- Réseaux de neurones

- SimWeight

3- Allocation Multi-Objectif (MOLA)

Modèle spatialement explicite

Oui

Oui

Modèle dynamique

Oui

Oui

Processus économiques

Non

Non

Interactions spatiales explicites

Oui

Non

Formes d’expansion urbaine

Oui

Non

Dépendance des données passées

Oui

Oui

Quantité de changement exogène

Non

Optionnel

Plusieurs transitions simultanément

Non

Oui (sous-modèles)

Nombre limité de variables d’entrée

Oui (six facteurs)

Non

Données

- Occupation et usage du sol

X

X

- Réseau routier

X

X

- Zones protégées

X

X

- Modèle numérique de terrain

X

X

- Facteurs socio-économiques

Non

X

NEDUM-2D

27NEDUM-2D (Non-Equilibrium Dynamic Urban Model) est un modèle économique d’expansion urbaine (Viguié et Hallegatte, 2010 ; Viguié, 2012 ; Viguié et al., 2014). Les données d’entrée du modèle sont : la population moyenne en nombre de ménages, le revenu moyen des ménages, l’indice du coût à la construction, le coût et le temps de transport. Le fonctionnement du modèle NEDUM-2D s’articule autour de quatre hypothèses essentielles (Figure 5) :

  • Utilisation d’un modèle d’économie urbaine classique inspirée des travaux de Von Thünen (Huriot, 1994). Il s’agit d’un modèle urbain monocentrique (Alonso, 1964 ; Fujita, 1989).

  • Trois hypothèses principales : (1) les ménages ne se déplacent que pour aller travailler ; (2) les emplois se situent au centre de l’agglomération ; et (3) l’ensemble des ménages a le même revenu et la même utilité à l’équilibre.

  • Mécanisme d’arbitrage par les ménages : les ménages choisissent entre des appartements de grande taille et des loyers/m² faibles loin du centre-ville mais des coûts de transport élevés ou des coûts de transport faibles près du centre-ville mais des appartements plus petits et plus chers.

  • Mécanisme d’arbitrage par les constructeurs immobiliers : les promoteurs choisissent la densité de bâti et où construire en maximisant leur profit. Le choix se fait en fonction des coûts de construction et des loyers en chaque point de l’agglomération. Cela conduit à construire des logements denses lorsque les loyers sont élevés, et des logements de faible densité lorsque les loyers sont faibles.

Figure 5 : Architecture du modèle économique d’expansion urbaine NEDUM-2D

Figure 5 : Architecture du modèle économique d’expansion urbaine NEDUM-2D

(Source : Viguié, 2012)

Résultats

28Afin d’évaluer les rendus spatiaux des deux modèles SLEUTH et LCM et d’en identifier les principales limites, nous avons opté pour la spatialisation du « scénario tendanciel » sur la période 2006-2025. Celui-ci envisage un prolongement des tendances passées liées à la politique d’aménagement du territoire. Le modèle d’urbanisation reste fortement marqué par une faible gouvernance du territoire, une faible maîtrise du foncier et un mitage généralisé dû au laxisme des politiques de planification.

29Les résultats montrent qu’à l’horizon 2025, les surfaces artificialisées projetées par le modèle LCM (Figure 6) atteignent un total de 76 690 ha (Tableau 2). Dans le cas du modèle SLEUTH (Figure 7), elles sont estimées à 90 315 ha. Sur la période de simulation 2006-2025, la quantité estimée des zones d’expansion simulées par SLEUTH et LCM correspond respectivement à 29 238 et 15 613 ha, soit une moyenne d’environ 1539 et 822 hectares par an respectivement (Tableau 2).

Tableau 2 : Rythmes d’expansion urbaine observés entre 1990 et 2006 et quantité de changement estimée par les deux modèles SLEUTH et LCM à l’horizon 2025

Quantité observée entre 1990 et 2006

Quantité estimée pour 2025

LCM (Chaînes de Markov)

SLEUTH

1990 (ha)

2006 (ha)

Taux annuel (ha/an)

Tache urbaine (ha)

Taux annuel (ha/an)

Tache urbaine (ha)

Taux annuel (ha/an)

40 077

61 077

1 312

76 690

822

90 315

1 539

Figure 6 : Occupation du sol à l’horizon 2025 simulée par le modèle LCM sur l’aire urbaine de Toulouse

Figure 6 : Occupation du sol à l’horizon 2025 simulée par le modèle LCM sur l’aire urbaine de Toulouse

Figure 7 : Tache urbaine à l’horizon 2025 simulée par le modèle SLEUTH sur l’aire urbaine de Toulouse

Figure 7 : Tache urbaine à l’horizon 2025 simulée par le modèle SLEUTH sur l’aire urbaine de Toulouse

30La comparaison des deux simulations (Figure 8) indique que la part de la tache urbaine commune aux deux simulations (pixels rouges) représente 15,31 % (62 065 ha) de l’aire urbaine dont 15,07 % (61077 ha) correspond à l’emprise de la tache urbaine de 2006. Par conséquent, la part commune du changement simulé par les deux outils est de seulement 988 ha sur une période de 19 ans. Les surfaces urbaines simulées par le modèle SLEUTH mais considérées comme non urbanisables par le modèle LCM représentent environ 6,9 % (28 250 ha) de la superficie totale de l’aire urbaine (pixels verts), tandis que celles simulées par LCM et non pas par SLEUTH occupent 3,6 % (pixels bleus), l’équivalent de 14 625 ha. Les deux modèles divergent sur 10,6 % de la zone d’étude, ce qui correspond à une erreur totale de 42 875 ha. L’erreur due à la quantité représente 32 % (13 625 ha) de l’erreur totale, tandis que l’erreur due à l’allocation spatiale atteint 68 % (29 250 ha).

Figure 8 : Comparaison des simulations issues des deux modèles SLEUTH et LCM à l’horizon 2025

Figure 8 : Comparaison des simulations issues des deux modèles SLEUTH et LCM à l’horizon 2025

31Par ailleurs, la figure 8 illustre le croisement pixel par pixel des simulations générées par les deux modèles SLEUTH et LCM. D’emblée, on remarque une différence dans le mode de spatialisation des deux modèles. Si les surfaces urbanisées simulées par SLEUTH suivent une configuration spatiale privilégiant une urbanisation en continuité de l’urbain existant, le modèle LCM a tendance à surestimer la part des nouveaux petits fragments isolés suivant un processus de diffusion. Ainsi, le nombre de fragments urbains contenus dans la tache urbaine simulée par SLEUTH et LCM atteint respectivement 5 900 et 103 278, comparativement aux 8 433 taches urbaines en 1990 et 8 736 en 2006.

Discussion

32La discussion des résultats porte sur (1) l’approche empirique et la non-stationnarité des processus ; (2) la quantité de changement ; (3) l’allocation spatiale du changement ; (4) les niveaux d’organisation ; ainsi que (5) l’apport potentiel du modèle économique NEDUM-2D et l’intérêt du couplage de modèles plus particulièrement.

Approche inductive et non-stationnarité des processus

33L’analyse rétrospective des dynamiques spatio-temporelles passées est indispensable pour la majorité des modèles spatiaux de changement d’occupation et d’usage des sols. Cette phase de diagnostic consiste à reconstruire l’évolution des trajectoires d’occupation et d’usage des sols, dresser les logiques d’urbanisation à l’œuvre, dégager les tendances lourdes, caractériser les processus et identifier les facteurs explicatifs des changements observés (Houet et al., 2010). Elle sert à la calibration des modèles empiriques tels que les deux modèles SLEUTH et LCM. Par conséquent, les simulations essayent de reproduire globalement dans le futur les tendances passées sur lesquelles le modèle aura été calibré suivant une démarche inductive. A ce niveau, plusieurs limites peuvent être identifiées quant à l’usage et à la performance de cette famille de modèles pour la prospective.

34L’une des limites de ces modèles concerne leur dépendance aux données et, par corollaire, à la trajectoire passée. Leur fonctionnement suppose la stationnarité des processus et des facteurs explicatifs du changement au cours du temps, d’où l’influence du choix des dates de calibration sur les résultats des simulations et de la validation du modèle (Paegelow et al., 2014 ; Blecic et al., 2015 ; Verstegen et al., 2016). Implicitement, cette hypothèse suppose que les poids des facteurs explicatifs restent stables durant les phases de calibration et de simulation (Kolb et al., 2013 ; Mas et al., 2014). Ce postulat risque de réaffirmer le poids et l’inertie des héritages spatiaux passés (Dodane et al., 2014) alors qu’une démarche de prospective est censée favoriser l’imagination et intégrer des ruptures voulues. Par conséquent, ces modèles sont moins adaptés à la spatialisation de scénarios déclinés en sous-périodes et prévoyant des dynamiques variables au cours du temps, voire des ruptures avec les tendances passées (Houet et al., 2016).

Estimation de la quantité de changement

35L’estimation de la quantité de changement suit une approche empirique qui reste largement influencée par les données historiques et les modèles utilisés. Avec les modèles utilisés ici, elle dépend de la période de calibration choisie (Paegelow et al., 2014 ; Houet, 2015) alors qu’elle pourrait également être définie par le scénario et être imposée au modèle. Les projections moyennes annuelles issues des deux modèles SLEUTH et LCM représentent, respectivement, 117 et 63 % de la quantité moyenne annuelle issue d’une simple extrapolation linéaire de la tendance passée. Ces résultats illustrent une importante sous-estimation de la quantité de changement par le modèle LCM contre une légère surestimation par le modèle SLEUTH (Figure 9).

36D’après Jantz et Goetz (2005), la fonction d’auto-modification permet à SLEUTH d’ajuster les valeurs des coefficients de prédiction afin d’accélérer ou de ralentir le rythme d’urbanisation au cours de la simulation. Sans cette propriété, SLEUTH risque de produire chaque année, en moyenne, la même quantité de changement jusqu’à ce que la disponibilité des terrains urbanisables commence à diminuer (Jantz et Goetz, 2005). Cette fonctionnalité est utile notamment dans le cas où le taux de croissance annuel issu des données historiques est non linéaire (Jantz et al., 2003) en raison de la non-stationnarité des dynamiques passées.

37L’utilisation d’un modèle stochastique de type chaînes de Markov dans LCM présente deux inconvénients majeurs pouvant limiter son usage en prospective. D’une part, il s’agit d’une approche spatialement non explicite et par conséquent très peu utilisée, même dans le cas des études empiriques de simulation de l’expansion urbaine (Moghadam et Helbich, 2013). D’autre part, les projections basées sur les chaînes de Markov sont adaptées dans le cadre d’une stationnarité du système. Cela suppose que la dynamique de changements observés au cours de la période de calibration restera la même au cours de la projection. Or cette hypothèse peut s’avérer erronée dans plusieurs situations (Mas et al., 2014) et inadaptée en prospective suivant les types de scénarios considérés (Houet, 2015). Cette famille de modèles, utilisés de façon standard, reste globalement adaptée pour spatialiser des scénarios tendanciels uniquement. Par conséquent, elle ne convient pas à la spatialisation de scénarios exploratoires et/ou normatifs prévoyant des quantités de changement différentes des tendances passées, voire même variables au cours du temps. Toutefois, l’intervention du modélisateur dans le paramétrage manuel du modèle ou par l’utilisation de données externes (matrice de probabilités de transitions) peut permettre d’y parvenir dans le cas du modèle LCM (Mas et al., 2014 ; Maestripieri et al., 2015). Par ailleurs, la non-prise en compte de projections démographiques et économiques dans le calcul de cette quantité constitue une autre limite que l’on peut reprocher à cette famille de modèles notamment dans le cas de projections à long-terme. Une des solutions consisterait à injecter une quantité de changement exogène provenant d’un autre modèle. Dans le cas du modèle NEDUM-2D, cette quantité est estimée sur la base de projections démographiques, de revenus moyens et des coûts de transport. Elle correspond aux besoins des ménages en matière de logements et de densité, ce qui permet de déduire la demande en matière d’artificialisation du territoire.

Figure 9 : Influence des modèles sur la quantité de changement estimée à l’horizon 2025 (ha)

Figure 9 : Influence des modèles sur la quantité de changement estimée à l’horizon 2025 (ha)

Allocation spatiale du changement

38Contrairement à SLEUTH et aux tendances observées, le modèle LCM tend à favoriser le processus de diffusion et donc de fragmentation du paysage en surestimant le nombre de fragments urbains isolés (Figure 8). Cette différence dans la configuration spatiale des objets urbains simulés par les deux outils peut s’expliquer par l’approche pixelaire de LCM comparée au fonctionnement d’un automate cellulaire. Ce dernier permet à SLEUTH de rendre compte localement de l’interaction spatiale à travers la prise en compte du voisinage de chaque cellule dont l’état futur ne dépend pas seulement des variables explicatives exogènes et de ses états passés mais également de l’état des pixels voisins (Poelmans et Rompaey, 2010 ; Triantakonstantis et Mountrakis, 2012). Ainsi, l’approche ascendante implémentée dans les automates cellulaires repose, d’une part, sur la formalisation des interactions locales et, d’autre part, sur la simulation des configurations spatiales qui en découlent au niveau global en créant progressivement la structure globale émergente (Wolfram, 1984 ; Sanders, 2001 ; Wu, 2002). Toutefois, Jantz et Goetz (2005) ont montré qu’en utilisant des données de résolution fine, SLEUTH présente un biais tendant à favoriser l’expansion en continuité de l’urbain existant au détriment de l’expansion diffuse. Bien que SLEUTH et LCM soient basés sur une approche inductive de type ‘pattern-based’, l’intérêt du premier réside dans sa définition plus explicite de patrons spatiaux d’expansion urbaine. Cette fonctionnalité est très utile pour la spatialisation de scénarios destinés à évaluer l’impact des formes urbaines (structure étalée/structure compacte, modèle monocentrique/modèle polycentrique) sur le microclimat (Stone et al., 2010 ; Aguejdad et al., 2012 ; Masson et al., 2014), la mobilité et la biodiversité en ville (Seto et al., 2012).

39Avec ces modèles, la question de représentation et du niveau de généralisation de l’espace urbain modélisé reste entière. SLEUTH, plus que LCM, est représenté par un niveau grossier correspondant à une unique classe d’occupation du sol : la tache urbaine. Cette dernière englobe l’ensemble des surfaces urbanisées comprenant les espaces bâtis, les parkings, la voirie, les surfaces en eau, les espaces verts et les espaces boisés associés à l’urbanisation. Elle regroupe également l’ensemble des typologies du tissu urbain (habitat résidentiel/zones d’activités, habitat pavillonnaire/petits collectifs et grands ensembles) correspondant à des usages différents. Ces différents tissus urbains se caractérisent par des dynamiques et des processus différents. Cela peut influer sur l’estimation des surfaces artificialisées futures suivant l’évolution de la densité des espaces bâtis. Des développements futurs pourraient tendre vers le raffinement des résultats des modèles en différentiant les principales composantes de l’espace urbanisé et en introduisant des règles de simulation adaptées à chaque type de bâti. Contrairement à SLEUTH, LCM permet à l’utilisateur de simuler simultanément plusieurs transitions organisées sous forme de sous-modèles, c’est-à-dire d’intégrer ces différents types d’occupation et d’usages urbains du sol.

Prise en compte des niveaux d’organisation

40Une autre critique pouvant constituer une limite aux études prospectives est la question de l’échelle spatiale et plus spécifiquement de la prise en compte des niveaux d’organisations (macro-échelle, commune, quartier, îlot, bâtiment). A titre d’exemple, les deux modèles LCM et SLEUTH sont destinés à effectuer des simulations mono-échelle, en l’occurrence, à l’échelle de l’ensemble de la ville. La non-prise en compte de l’échelon communal dans un exercice de modélisation prospective à l’échelle d’une agglomération ne permet pas de rendre compte de l’attractivité et des rythmes de croissance propres à chaque commune. Par conséquent, adopter une approche multi-échelles dans le processus de simulation est indispensable. Elle devrait permettre d’améliorer la performance prédictive des modèles en réduisant certaines erreurs notamment celles associées à la quantité et à la localisation du changement. La compétence communale en matière d’urbanisme fait que ce niveau d’organisation dispose d’une autonomie en matière d’aménagement. Or, la majorité des modèles actuels est basée sur une approche globale (règles de simulation globales) qui ne permet pas de rendre compte de l’hétérogénéité spatiale à l’échelle communale. A titre d’exemple, la spatialisation de la quantité globale de changement estimée par un modèle ne tient pas compte des potentialités propres à chaque commune. Cette quantité, estimée par le modèle à l’échelle de l’ensemble de la zone d’étude, devrait être spatialement répartie en fonction du potentiel de développement propre à chaque commune ou sous-région. Plusieurs solutions peuvent être envisagées pour y pallier : (1) exécuter successivement ou simultanément le modèle pour chaque commune indépendamment des autres ; (2) intégrer simultanément des processus multi-échelles par couplage d’approches descendante et ascendante (Houet et al., 2014) ; ou (3) injecter de l’information sur l’hétérogénéité locale dans le modèle (Triantakonstantis et al., 2011), ce qui est envisageable pour le modèle LCM.

41Par ailleurs, l’évolution future de l’urbanisation amènera à redéfinir les limites de l’aire urbaine. En effet, le zonage en aires urbaines évolue aux rythmes des dynamiques démographiques et socio-économiques qui modifient les déplacements domicile-travail et structurent l’espace. A titre d’exemple, l’aire urbaine de Toulouse redéfinie en 2010 sur la base du recensement de la population de 2008 étend son attraction sur 111 communes supplémentaires par rapport au recensement de 1999. Il convient donc, dès la définition des scénarios, de circonscrire la zone d’étude à un espace plus large, notamment pour paramétrer les modèles, afin de capter l’ensemble des dynamiques urbaines à venir. Une autre solution est d’adapter le modèle de telle sorte que la zone d’étude et les niveaux d’organisation sous-jacents soient dynamiques par le biais d’une mise à jour plus ou moins régulière et prédéfinie dans le scénario.

Apport potentiel d’un modèle économique : le cas de NEDUM-2D

42Les modèles de changements d’occupation et d’usage des sols ne sont pas conçus pour modéliser les processus socio-économiques guidant les choix de localisation bien que certains offrent à l’utilisateur la possibilité d’intégrer des variables socio-économiques (démographie, emploi, temps et prix des transports, proximité aux services et aménités urbaines,…). A titre d’exemple, en limitant les données d’entrée à six facteurs seulement (topographie du terrain, occupation du sol et réseau de transport), le modèle SLEUTH ne permet pas de prendre en compte des données supplémentaires telles que la démographie, l’économie et la mobilité des ménages, toutes nécessaires à la formalisation du processus d’urbanisation. En effet, les déterminants de l’étalement urbain ne peuvent être réduits aux seules logiques spatiales expliquées par des variables biophysiques et géographiques. Ils sont aussi le résultat de processus socio-économiques qui interagissent à différentes échelles de temps et d’espace hiérarchiquement emboitées. La modélisation de la dynamique d’un système territorial doit donc intégrer la totalité des trajectoires liées à ses différentes composantes et leurs interactions : l’économie, les politiques, le changement global, l’environnement local, les contraintes naturelles, la société, la démographie, l’occupation du sol et le marché foncier (Thériault et al., 2011 ; Masson et al., 2014). Ces processus concernent non seulement la société dans sa globalité mais aussi les ménages dans leurs spécificités et préférences. Ces processus se traduisent sur le territoire par une forme d’urbanisation, une configuration spatiale et une densité d’habitats. Par conséquent, la prise en compte des différents acteurs, processus et données est fortement souhaitable pour toute modélisation multidisciplinaire de la ville.

43A partir de cette analyse comparative et critique des outils de simulation, le couplage de modèles est à privilégier (Masson et al., 2014). Ainsi, faire dialoguer le modèle SLEUTH avec le modèle NEDUM-2D, en s’inspirant de certaines fonctionnalités du modèle LCM, devrait permettre de profiter de leurs avantages respectifs. L’apport de NEDUM-2D réside dans sa prise en compte explicite des déterminants économiques liés aux choix de localisation des agents (marché foncier, revenu des ménages, coûts et temps de transport). De plus, il permet d’envisager des projections futures en toute indépendance des observations passées.

44L’articulation dynamique entre une approche économique et une approche géographique, toutes les deux complémentaires, s’inscrit dans la perspective d’adapter les modèles aux scénarios et de réduire les incertitudes spatiales relatives aux changements futurs des modes d’occupation et d’usage des sols (Masson et al., 2014 ; Houet et al., 2015). L’approche économique doit permettre d’alimenter le nouveau modèle en quantité de changement, tandis que les facteurs géographiques combinés à d’autres variables économiques telles que l’accessibilité, le prix des loyers ou encore l’attractivité, doivent contribuer à améliorer la localisation des changements futurs. En plus de la possibilité de s’affranchir de la phase de calibration non indispensable dans le cas de certains types de scénarios, l’utilisateur doit avoir la possibilité d’exercer un contrôle sur le modèle à travers la maîtrise de la quantité de changement et des formes urbaines souhaitées (Houet et al., 2016 ; Doukari et al., 2016).

Conclusion et perspectives

45Cet article contribue à enrichir le débat mené sur l’apport de la dimension spatiale aux recherches prospectives. Plus particulièrement, il aborde les enjeux et les aspects méthodologiques liés à l’usage des modèles pour la prospective spatialisée de l’expansion urbaine. A travers la comparaison de trois exemples de modèles (SLEUTH, LCM et NEDUM-2D), l’article vise à éclairer l’utilisateur dans son choix de modèles appropriés à la démarche prospective. Il conclut sur la nécessité et l’intérêt de privilégier le couplage de modèles de spatialisation au lieu d’approches souvent mono-disciplinaires. Ces derniers doivent être utilisés avec précaution et suivant un cadrage méthodologique rigoureux.

46L’analyse comparative des deux modèles spatiaux SLEUTH et LCM, pris comme exemples pour la spatialisation d’un scénario tendanciel élaboré à l’horizon 2025 sur l’aire urbaine de Toulouse, a permis d’identifier un certain nombre de limites propres à chacun d’eux. Les premiers résultats des simulations ont montré que les modèles peuvent différemment traduire les scénarios en produisant des rendus pouvant diverger d’un modèle à l’autre. L’influence des modèles sur les résultats des simulations concerne à la fois la quantité et l’allocation spatiale du changement. La comparaison des simulations issues des deux modèles LCM et SLEUTH montre que ce dernier tend à produire des résultats plus plausibles que le premier en termes de quantité de changement et de formes spatiales.

47L’analyse des apports et des limites d’usage des deux modèles SLEUTH et LCM a montré qu’en partant d’une approche "scénario-dépendante", aucun de ces modèles à approche mono-disciplinaire ne permet à lui seul de répondre de manière satisfaisante aux besoins de la modélisation prospective et spatialisée des scénarios d’aménagement du territoire. S’ils permettent de reproduire des dynamiques et des formes spatiales plausibles pour un scénario tendanciel, (1) ils présentent des limites pour spatialiser des scénarios contrastés de type normatif ; et (2) il reste indispensable de prendre en compte les déterminants économiques régissant le marché foncier et les choix de localisation des ménages. Ainsi, le couplage de modèles économiques (NEDUM-2D) et géographiques (SLEUTH) est à privilégier. Parallèlement, des travaux futurs devraient se pencher sur l’adaptation du modèle SLEUTH afin qu’il soit utilisable de façon contrôlée conformément à la démarche prospective. La nouvelle version, à doter d’une interface facile d’utilisation, devrait permettre la prise en compte de facteurs explicatifs supplémentaires ainsi que le contrôle de la quantité de surfaces à urbaniser et les formes urbaines de son allocation spatiale.

Haut de page

Bibliographie

ACCLIMAT, 2013, Adaptation au Changement CLIMatique de l’Agglomération Toulousaine. Projet de recherche financé par la Fondation de Coopération Scientifique STAE. URL: http://www.aua-toulouse.org/sites/www.aua-toulouse.org/IMG/pdf/rapport_acclimat_v0.20-1.pdf

Agarwal C., Green G.-L., Grove M., Evans T., Schweik C., 2000, "A review and assessment of landuse change models: Dynamics of space, time and human choice", General Technical Report NE-297, U.S. Department of Agriculture, Forest Service, Northeastern Research Station, 67 p.

Aguejdad R., Hidalgo J., Doukari O., Masson V., Houet T., 2012, "Assessing the influence of long-term urban growth and climate change scenarios on urban climate", iEMSs 2012, Leipzig, Germany.

Aguejdad R., 2009, "Étalement urbain et évaluation de son impact sur la biodiversité, de la reconstitution des trajectoires à la modélisation prospective. Application à une agglomération de taille moyenne : Rennes Métropole", Thèse de doctorat en géographie, Université Rennes 2.

Aguejdad R., Houet T., 2008, "Modeling of urban sprawl using the Land Change Modeler on a French metropolitan area (Rennes): foresee the unpredictable", International Symposium, Spatial landscape Modelling: from dynamic approaches to functional evaluations, Toulouse, 3-5 June 2008, France. URL: http://w3.geode.univ-tlse2.fr/rtp-modelisation/documents/resumes/mardi/aguejdad_al.pdf

Alberti M., 2008, "Modeling the Urban Ecosystem: A Conceptual Framework", in Marzluff J.-M., Shulenberger E., Endlicher W., Alberti M., Bradley G., Ryan C., Simon U., ZumBrunnen C. (eds.), Urban Ecology: An International Perspective on the Interaction Between Humans and Nature, New York (Springer).

Allen J., Lu K., 2003, "Modeling and prediction of future urban growth in the Charleston region of South Carolina: A GIS-based integrated approach", Conservation Ecology, vol. 8, 1–20.

Alonso W., 1964, Location and land use, Cambridge, MIT Press.

Antoni J.-P., 2003, "Modélisation de la dynamique de l’étalement urbain. Aspects conceptuels et gestionnaires. Application à Belfort", Thèse de doctorat, Université Louis Pasteur.

AUAT, 2012, "Toulouse, quatrième aire urbaine de France", Perspectives Villes / Nouvelle Aire Urbaine 2010, Janvier 2012.

Berling-Wolff S., Wu J., 2004, "Modeling urban landscape dynamics: A review", Ecological Research, vol. 19, 119–129.

Blecic I., Cecchini A., Trunfio G.-A., 2015, "How much past to see the future: a computational study in calibrating urban cellular automata", International Journal of Geographic Information Science, vol. 29, No. 3, 349-374.

Brits A., Burke M., Li T., 2014, "Improved modelling for urban sustainability assessment and strategic planning: local government planner and modeller perspectives on the key challenges", Australian Planner, vol. 51, No. 1, 76–86.

Brown D.-G., Walker R., Manson S., Seto K., 2004, "Modeling land use and land cover change", in Gutman G., Janetos A.-C., Justice C.-O., Moran E.-F., Mustard J.-F., Rindfuss R.-R., Skole D.-L., Turner B.-L., Cochrane M.-A. (eds.), Land Change Science: Observing, Monitoring and Understanding Trajectories of Change on the Earth’s Surface, New York: Springer, 395–409.

Candau J., 2002, "Temporal calibration sensitivity of the SLEUTH urban growth model", Master’s thesis, Department of Geography, University of California, Santa Barbara, CA.

Chen H., Pontius, R.-G. Jr., 2010, "Diagnostic tools to evaluate a spatial land change projection along a gradient of an explanatory variable", Landscape Ecology, vol. 25, 1319–1331.

Cheng J., Masser I., 2003, "Urban growth pattern modeling: a case study of Wuhan city, PR China", Landscape and Urban Planning, vol. 62, No. 4, 199–217.

Clarke K.-C., 2008, "A Decade of Cellular Urban Modeling with SLEUTH: Unresolved Issues and Problems", in Brail R.-K. (eds.), Planning Support Systems for Cities and Region, Lincoln Institute of Land Policy, Cambridge, MA, 47–60.

Clarke K.-C., Gazulis N., Dietzel C.-K., Goldstein N.-C., 2007, "A decade of SLEUTHing: Lessons learned from applications of a cellular automaton land use change model", Chapter 16 in Fisher, P. (ed) Classics from IJGIS. Twenty Years of the International Journal of Geographical Information Systems and Science. Taylor and Francis, CRC. Boca Raton, FL. pp. 413–425.

Clarke K.-C., Gaydos L., 1998, "Long term urban growth prediction using a cellular automaton model and GIS: Applications in San Francisco and Washington/Baltimore", International Journal of Geographical Information Science, vol. 12, No. 7, 699–714.

DATAR, 2012, "Des systèmes spatiaux en prospective", Territoires 2040, No. 3 et 4, La Documentation française.

Dietzel C., Clarke K.-C., 2007, "Toward Optimal Calibration of the SLEUTH Land Use Change Model”, Transactions in GIS, vol. 11, No. 1, 29–45.

Dodane C., Joliveau T., Rivière-Honegger A., 2014, "Simuler les évolutions de l’utilisation du sol pour anticiper le futur d’un territoire", Cybergeo : European Journal of Geography, No. 689.

Doukari O., Aguejdad R., Houet T., 2016, "SLEUTH* : un modèle d’expansion urbaine pour une approche scénario-dépendante", Revue Internationale de Géomatique, vol. 26, No. 1, 7–32.

Eastman J.-R., 2009, IDRISI Taiga, Guide to GIS and Remote Processing, Clark University: Worcester, MA, USA, pp. 234–256.

Engelen G., Lavalle C., Barredo J.-I., van der Meulen M., White R., 2007, "The Moland Modelling Framework for Urban and Regional Land-use Dynamics", in Koomen E., Stillwell J., Bakema A., Scholten H.-J. (eds.), Modelling Land-Use Change, Progress and Applications, Dordrecht (Springer), 297–319.

Enjalbert V., 2012, Les scénarios prospectifs, fiche technique M2 « Conseil en Développement territorial ». URL: http://lecercledesdeveloppeurs.files.wordpress.com/2012/04/les-scc3a9narios-prospectifs.pdf

EPA, 2000, "Projecting Land-Use Change: A Summary of Models for Assessing the Effects of Community Growth and Change on Land-Use Patterns", EPA/600/R-00/098. U.S. Environmental Protection Agency, Office of Research and Development, Cincinnati, OH. 260 pp. 

Fang F., Wang Q., Li J., 2004, "Urban environmental mercury in Changchun, a metropolitan city in Northeastern China: source, cycle, and fate", Science of the Total Environment, vol. 330, No. 1, 159–170.

Fujita M., 1989, Urban Economic Theory, Land Use and City Size, Cambridge University Press.

Geraldes P., Echenique M.-H., Williams I.-N., 1978, "A spatial economic model for Bilbao", In: Proceedings of the PTRC Summer Annual Meeting, 75–94, PTRC, London.

Geurs K.-T., van Wee B., 2004, "Land-use/transport Interaction Models as Tools for Sustainability Impact Assessment of Transport Investments: Review and Research Perspectives", European Journal of Transport and Infrastructure Research, vol. 4, No. 3, 333–355.

Goldner W., 1971, "The Lowry Model Heritage", Journal of the American Institute of Planners, vol. 37, No. 2, 100–110.

Goldstein N., Dietzel C., Clarke K., 2005, "Don’t Stop Til You Get Enough - Sensitivity Testing of Monte Carlo Iterations for Model Calibration", Proceedings of the 8th International Conference on GeoComputation University of Michigan.

Gourmelon F., Houet T., Voiron-Canicio C., Joliveau T., 2012, "La géoprospective, apport des approches spatiales à la prospective", L’Espace géographique, vol. 12, No. 2.

Govindaraju R.-S., Rao A.-R., 2000, "Artificial Neural Networks in Hydrology", Kluwer Academic Publisher: Netherlands.

Haase D., Schwarz N., 2009, "Simulation Models on Human–Nature Interactions in Urban Landscapes: A Review Including Spatial Economics, System Dynamics, Cellular Automata and Agent-based Approaches", Living Reviews in Landscape Research, vol. 3, No. 2.

Herold M., Goldstein N.-C., Clarke K.-C., 2003, "The spatiotemporal form of urban growth: measurement, analysis and modeling", Remote Sensing of Environment, vol. 86, 286–302.

Herold M., Menz G., Clarke K.-C., 2001, "Remote Sensing and Urban Growth Models – Demands and Perspectives", Proceedings of the Symposium on Remote Sensing of Urban Areas, Regensburg, Germany, June 2001.

Houet T, Aguejdad R., Doukari O., Battaia G., Clarke K., 2016, "Description and validation of a “non path-dependent” model for projecting contrasting urban growth futures", Cybergeo, No. 759.

Houet T., 2015, "Usage des modèles spatiaux pour la prospective", Revue Internationale de Géomatique, vol. 25, No. 1, 123–143.

Houet T., Vacquié L., Sheeren D., 2015, "Evaluating the spatial uncertainty of future land abandonment in a mountainous valley (Vicdessos, Pyrenees - France): insights from model parameterization and experiments", The Journal of Mountain Science, vol. 12, No. 5, 1095–1112.

Houet T., Gourmelon F., 2014, "La géoprospective – Apport de la dimension spatiale aux démarches prospectives", Cybergeo : European Journal of Geography, No. 667.

Houet T., Schaller N., Castets M., Gaucherel C., 2014, "Improving the simulation of fine scale landscape changes coupling top-down and bottom-up land use and cover changes rules", International Journal of Geographical Science, vol. 28, No. 9, 1848–1876.

Houet T., Loveland T.-R., Hubert-Moy L., Napton D., Gaucherel C., Barnes C., 2010, "Exploring subtle land use and land cover changes: a framework based on future landscape studies", Landscape Ecology, vol. 25, No. 2, 249–266.

Houet T., Hubert-Moy L., Tyssot C., 2008, "Modélisation prospective spatialisée à l’échelle locale : approche méthodologique", Revue Internationale de Géomatique, vol. 18, No. 3, 345–373.

Hunt J.-D., Kriger D.-S., Miller E.-J., 2005, "Current Operational Urban Land-use–Transport Modelling Frameworks: A Review”, Transport Reviews, vol. 25, No. 3, 329–376.

Huriot J.-M., 1994, Von Thünen : économie et espace, Paris : Economica, Bibliothèque de Science Régionale.

Iacono M., Levinson D., El-Geneidy A., 2008, "Models of Transportation and Land Use Change: A Guide to the Territory", Journal of Planning Literature, vol. 22, No. 4, 323–340.

Irwin E., 2006, "Thinking spatially: Economic models of urban land use change", conference onSpatial Thinking in the Social Sciences”, University of Illinois, December 17-18, 2006.

Irwin E., Geoghegan J., 2001, "Theory, data, methods: developing spatially explicit economic models of land use change", Agriculture, Ecosystems and Environment, vol. 85, 7–23.

Jantz C.-A., Goetz S.-J., 2005, "Analysis of scale dependencies in an urban land-use change model", International Journal of Geographical Information Science, vol. 19, No. 2, 217–241.

Jantz C.-A., Goetz S.-J., Shelle M.-K., 2003, "Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore/Washington metropolitan area", Environment and Planning B, vol. 31, 251–71.

Jenerette G.-D., Poterie D., 2010, "Global analysis and simulation of land-use change associated with urbanization", Landscape Ecology, vol. 25, 657–670.

Khoi D.-D., Murayama Y., 2010, "Forecasting Areas Vulnerable to Forest Conversion in the Tam Dao National Park Region, Vietnam", Remote sensing, vol. 2, 1249–1272.

Kleinbaum D.-G., 1994, Logistic regression: a self-learning text, Springer-Verlag: New York, 312 pp. , USA.

Kolb M., Mas J.-F., Galicia L., 2013, "Evaluating drivers of land-use change and transition potential models in a complex landscape in Southern Mexico", International Journal of Geographical Information Science, vol. 27, No. 9, 1804–1827.

Koomen E., Rietvel P., de Nijs T., 2008, "Modelling land-use change for spatial planning support", The Annals of Regional Science, vol. 42, 1–10.

Landis J.-D., Monzon J.-P., Reilly M., Cogan C., 1998, "Development and Pilot Application of the California Urban and Biodiversity Analysis (CURBA) Model", University of California at Berkeley.

Landis J.-D., Zhang M., 1998a, "The second generation of the California urban futures model. Part 1: Model logic and theory”, Environment and Planning B: Planning and Design, vol. 25, No. 5, 657–666.

Landis J.-D., Zhang M., 1998b, "The second generation of the California urban futures model. Part 2: Specification and calibration results of the land-use change submodel", Environment and Planning B: Planning and Design, vol. 25, No. 6, 795–824.

Li H., Reynolds J.-F., 1997, "Modeling effects of spatial pattern, drought, and grazing on rates of rangeland degradation: A combined Markov and cellular automata approach", in Quattrochi D.-A., Goodchild M.-F. (eds.), Scales in remote sensing and GIS, City: Lewis Publishers.

Mackett R.-L., 1985, "Integrated land use transport models", Transport Reviews, vol. 5, 325–343.

Maestripieri N., Houet T., Paegelow M., Selleron G., Balbontín D.T., Villalobos N.S., 2015, "Dynamic simulation of forest management normative scenarios: the case of timber plantations in the southern Chile", Futures, In press.

Maestripieri N., Paegelow M., 2013, "Validation spatiale de deux modèles de simulation : l’exemple des plantations industrielles au Chili", Cybergeo, No. 653.

Mahiny A.-S., Clarke K.-C., 2012, "Guiding SLEUTH land-use/land-cover change modeling using multicriteria evaluation: towards dynamic sustainable land-use planning", Environment and Planning B: Planning and Design, vol. 39, No. 5, 925–944.

Mallampalli V.-R., Mavrommati G., Thompson J., Duveneck M., Meyer S., Ligmann-Zielinska A., Druschke C.-G., Hychka K., Kenney M.-A., Kok K., Borsuk M.-E., 2016, "Methods for translating narrative scenarios into quantitative assessments of land use change", Environmental Modelling and Software, vol. 82, 7–20.

Mankiw N.-G., Weil D.-N., 1989, "The baby boom, the baby bust, and the housing market”, Regional Science and Urban Economics, vol. 19, No. 2, 235–258.

Mas J.-F., Kolb M., Paegelow M., Camacho Olmedo M.-T, Houet T., 2014, "Inductive pattern-based land use/cover change models: A comparison of four software packages", Environmental Modelling and Software, vol. 51, 94–111.

Mas J.-F., Kolb M., Houet T., Paegelow M., Camacho Olmedo M.-T., 2011, "Éclairer le choix des outils de simulation des changements des modes d’occupation et d’usages des sols. Une approche comparative", Revue Internationale de Géomatique, vol. 21, 405–430.

Masson V., Marchadier C., Adolphe L., Aguejdad R., Avner P., Bonhomme M., Bretagne G., Briottet X., Bueno B., De Munck C., Doukari O., Hallegatte S., Hidalgo J., Houet T., Le Bras J., Lemonsu A., Long N., Moine M.-P., Morel T., Nolorgues L., Pigeon G., Salagnac J.-L., Viguié V., Zibouche K., 2014, "Adapting cities to climate change : A systemic modelling approach", Urban Climate, vol. 10, No. 2, 407–429.

Moghadam H.-S., Helbich L., 2013, "Spatiotemporal urbanization processes in the megacity of Mumbai, India: A Markov chains-cellular automata urban growth model", Applied Geography, vol. 40, 140–149.

Nijkamp P., Van Wissen L., Rima A., 1993, "A Household Life Cycle Model for Residential Relocation Behaviour", Socio-Economic Planning Sciences, vol. 27, No. 1, 35–53.

Paegelow M., Camacho Olmedo M.-T., Mas J.-M., Houet T., 2014, "Benchmarking of LUCC modelling tools by various validation techniques and error analysis", Cybergeo: European Journal of Geography, No. 701.

Poelmans L., Rompaey A.-V., 2010, "Complexity and performance of urban expansion models", Computers, Environment and Urban Systems, vol. 34, No. 1, 1727.

Pontius R.-G. Jr, Cornell J.-D., Hall C.-A.-S., 2001, "Modeling the spatial pattern of land-use change with GEOMOD2: application and validation for Costa Rica", Agriculture, Ecosystems and Environment, vol. 85, No. 1-3, 191–203.

Pontius R.-G. Jr, Huffaker D., Denman K., 2004, "Useful techniques of validation for spatially explicit land-change models", Ecological Modelling, vol. 179, No. 4, 445–461.

Poux X., 2003, Les méthodes des scénarios, Prospectives pour l’environnement : Quelles recherches ? Quelles ressources ? Quelles méthodes ? La documentation française, pp. 33–50.

Putman S.-H., 1983, Integrated Urban Models : Policy Analysis of Transportation and Land Use, Pion, London.

Sanders L., 2001, Modèles en analyse spatiale, Hermes-Lavoisier, pp. 17–29.

Sangermano F., Eastman J.-R., Zhu H., 2010, "Similarity Weighted Instance-based Learning for the Generation of Transition Potentials in Land Use Change Modeling", Transactions in GIS, vol. 14, No. 5, 569580.

Santé I., García A.-M., Miranda D., Crecente R., 2010, "Cellular automata models for the simulation of real-world urban processes: A review and analysis", Landscape and Urban Planning, vol. 96, No. 2, 108122.

Sassi O., Crassous R., Hourcade J.-C., Gitz V., Waisman H., Guivarch C., 2010, " Imaclim-R: a modelling framework to simulate sustainable development pathways", International Journal of Global Environmental Issues, vol. 10, No. 1, 5–24.

Schaldach R., Priess J.-A., 2008, "Integrated Models of the Land System: A Review of Modelling Approaches on the Regional to Global Scale", Living Reviews in Landscape Research, vol. 2, No. 1.

Seto K.-C., Güneralp B., Hutyra L.-R., 2012, "Global forecast or urban expansion to 2030 and direct impacts on biodiversity and carbon pools", Proceedings of the National Academy of Sciences of the USA, vol. , 109 No. 40, 16083–16088.

Silvertown J., Holtier S., Johnson J., Dale P., 1992, "Cellular automaton models of interspecific competition for space - the effect of pattern on process", Journal of Ecology, vol. 80, 527–534.

Slaughter R.-A., 1996, "The Knowledge Base of Futures Studies", Futures Study Centre, Melbourne.

Stone B., Hess J.-J., Frumkin H., 2010, "Urban form and extreme heat events: are sprawling cities more vulnerable to climate change than compact cities", Environmental health perspectives, vol. 118, No 10, 1425–1428.

Sudheer K.-P., 2000, "Modeling hydrological processes using neural computing technique", PhD thesis, Indian Institute of Technology, Delhi, India.

Sudhira H.-S., Ramachandra T.-V., Jagadish K.-S., 2004, "Urban sprawl: metrics, dynamics and modelling using GIS", International Journal of Applied Earth Observation and Geoinformation, vol. 5, 29–39.

Thériault M., Sparfel L., Gourmelon F., Le Berre I., 2011, "Modélisation des changements d’occupation et d’utilisation du sol. Cadres formels et exemple d’application", Revue Internationale de Geomatique, vol. 21, No. 3, 267–295.

Torrens P.-M., 2006, "Simulating Sprawl", Annals of the Association of American Geographers, vol. 96, No. 2, 248–275.

Torrens P.-M., O’Sullivan D., 2001, "Cellular automata and urban simulation: where do we go from here?", Environment and Planning B: Planning and Design, vol. 28, 163–168.

Triantakonstantis D., Mountrakis G., 2012, "Urban Growth Prediction: A Review of Computational Models and Human Perceptions", Journal of Geographic Information System, vol. 4, 555–587.

Triantakonstantis D., Mountrakis G, Wang J., 2011, "A Spatially Heterogeneous Expert Based (SHEB) Urban Growth Model Using Model Regionalization", Journal of Geographic Information System, vol. 3, 195–210.

van Vliet J., Bregt A.-K., Brown D.-G., van Delden H., Heckbert S., Verburg P.-H., 2016, "A review of current calibration and validation practices in land-change modeling", Environmental Modelling and Software, vol. 82, 174–182.

Verburg P.-H., Overmars K.-P., 2007, "Dynamic simulation of Land-use change Trajectories with the CLUE-s Model", in Koomen E., Stillwell J., Bakema A., Scholten H.-J. (eds), Modelling Land-Use Change, Progress and Applications, Dordrecht (Springer), 321–335.

Verburg P.-H., Schot P.-P., Dijst M.-J., Veldkamp A., 2004, "Land use change modelling: current practice and research priorities", GeoJournal, vol. 61, No. 4, 309–324.

Verstegen J.-A., Karssenberg D., van der Hilst F., Faaij A.-P.-C., 2016, "Detecting systemic change in a land use system by Bayesian data assimilation", Environmental Modelling and Software, vol. 75, 424–438.

Viguié V., Hallegatte S., Rozenberg J., 2014, "Downscaling long term socio-economic scenarios at city scale: a case study on Paris", Technological forecasting and social change, vol. 87, 305–324.

Viguié V., 2012, "Modélisation des dynamiques urbaines, application à l’analyse économique du changement climatique". Thèse de doctorat en économie, CIRED, Université Paris-Est.

Viguié V., Hallegatte S., 2010, "Une taxe carbone peut-elle rendre l’agglomération parisienne plus dense ?", in : Economie Et Développement Urbain Durable, Émissions Urbaines : Inventaires Et Politiques Publiques. Presses de l’école des Mines.

Waddell P., Borning A., Noth M., Freier N., Becke M., Ulfarsson G., 2003, "Microsimulation of Urban Development and Location Choices: Design and Implementation of UrbanSim”, Networks and Spatial Economics, vol. 3, No. 1, 43–67.

Waisman H., Guivarch C., Grazi F., Hourcade J.-C., 2012, "The Imaclim-R model: infrastructures, technical inertia and the costs of low carbon futures under imperfect foresight", Climatic Change, vol. 114, 101–120.

Wilson E.-H., Hurd J.-D., Civco D.-L., Prisloe M.-P., Arnold C., 2003, "Development of a geospatial model to quantify, describe and map urban growth", Remote Sensing of Environment, vol. 86, No. 3, 275–285.

Wolfram S., 1984, "Cellular Automata as Models of Complexity", Nature, vol. 311, No. 5985, 419–424.

Wu F., 2002, "Calibration of Stochastic Cellular Automata: The Application to Rural-Urban Land Conversions", International Journal of Geographical Information Science, vol. 16, No. 8, 795–818.

Haut de page

Notes

1 Le perceptron multicouche est un modèle de réseau de neurones avec algorithme d'apprentissage.

Haut de page

Table des illustrations

Titre Figure 1 : Localisation et étendue de l’aire urbaine de Toulouse d’après le recensement de 1999
URL http://cybergeo.revues.org/docannexe/image/27668/img-1.png
Fichier image/png, 165k
Titre Figure 2 : Seize ans d’artificialisation accélérée du territoire illustrant le phénomène de mitage et la forme étalée de la métropole toulousaine
URL http://cybergeo.revues.org/docannexe/image/27668/img-2.png
Fichier image/png, 589k
Titre Figure 3 : Données d’entrée du modèle spatial d’expansion urbaine SLEUTH (Source : Clarke, 2008)
URL http://cybergeo.revues.org/docannexe/image/27668/img-3.png
Fichier image/png, 98k
Titre Figure 4 : Architecture du modèle spatial de changement d’occupation du sol LCM
URL http://cybergeo.revues.org/docannexe/image/27668/img-4.png
Fichier image/png, 179k
Titre Figure 5 : Architecture du modèle économique d’expansion urbaine NEDUM-2D
Crédits (Source : Viguié, 2012)
URL http://cybergeo.revues.org/docannexe/image/27668/img-5.png
Fichier image/png, 145k
Titre Figure 6 : Occupation du sol à l’horizon 2025 simulée par le modèle LCM sur l’aire urbaine de Toulouse
URL http://cybergeo.revues.org/docannexe/image/27668/img-6.png
Fichier image/png, 637k
Titre Figure 7 : Tache urbaine à l’horizon 2025 simulée par le modèle SLEUTH sur l’aire urbaine de Toulouse
URL http://cybergeo.revues.org/docannexe/image/27668/img-7.png
Fichier image/png, 707k
Titre Figure 8 : Comparaison des simulations issues des deux modèles SLEUTH et LCM à l’horizon 2025
URL http://cybergeo.revues.org/docannexe/image/27668/img-8.png
Fichier image/png, 394k
Titre Figure 9 : Influence des modèles sur la quantité de changement estimée à l’horizon 2025 (ha)
URL http://cybergeo.revues.org/docannexe/image/27668/img-9.png
Fichier image/png, 13k
Haut de page

Pour citer cet article

Référence électronique

Rahim Aguejdad, Omar Doukari, Thomas Houet, Paolo Avner et Vincent Viguié, « Etalement urbain et géoprospective : apports et limites des modèles de spatialisation », Cybergeo : European Journal of Geography [En ligne], Systèmes, Modélisation, Géostatistiques, document 782, mis en ligne le 14 juin 2016, consulté le 29 avril 2017. URL : http://cybergeo.revues.org/27668 ; DOI : 10.4000/cybergeo.27668

Haut de page

Auteurs

Rahim Aguejdad

Laboratoire Image Ville Environnement UMR-7362 CNRS/Université de Strasbourg
rahim.aguejdad@live-cnrs.unistra.fr

Articles du même auteur

Omar Doukari

ESTP - École Spéciale des Travaux Publics, du Bâtiment et de l’Industrie
odoukari@estp-paris.eu

Articles du même auteur

Thomas Houet

Laboratoire GEODE UMR-5602 CNRS/Université Toulouse Jean Jaurès
thomas.houet@univ-tlse2.fr

Articles du même auteur

Paolo Avner

The World Bank, Washington DC, USA
CIRED - Centre International de Recherche sur l’Environnement et le Développement
APREC - Association pour la Promotion de la Recherche sur l’Économie du Carbone
pavner@worldbank.org

Vincent Viguié

CIRED - Centre International de Recherche sur l’Environnement et le Développement, UMR 8568 CNRS, EHESS, École des Ponts, AgroParisTech, CIRAD
viguie@centre-cired.fr

Haut de page

Droits d’auteur

© CNRS-UMR Géographie-cités 8504

Haut de page