Luận văn thạc sĩ VNU 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

Contexte national et régional

La Dombes est une région naturelle et historique, elle constitue un plateau d’origine morainique aux innombrables étangs qui vient être menacer par des phénomènes artificiels qui est l’utilisation de la lumière artificielle de nuit En effet, cette région abrite à elle seule près de

18% de la surface nationale des étangs exploités Ces piscicultures extensives sont gérées par quelques 300 pisciculteurs qui produisent 21% de la production piscicole national(1600t) dont :

27% des carpes élevées en France et 21% des brochets.

Figure 1.1A gauche, une carte de l’Acadộmie de la Dombes prộsentant le ô Pays de Dombes ằ (G.F, 2009) composộ de 136 communes A droite, une carte de l’Insee reprenant le pộrimốtre du projet de PNR de la Dombes qui comprenait 102 communes (ô La Dombes : un territoire rural riche de son environnement, mais sous influence urbaine ằ, C Lenoir et P Bertrand, Insee

Figure 1.1 – La Dombes, un nom pour de multiples acceptions géographiques.

La Dombes correspond à un plateau d’origine morainique (dépôt de sable, de cailloux et d’argile) situé dans le département de l’Ain au nord-est de Lyon Elle est limitée à l’ouest par la vallée de la Saône et au sud par la Côtière qui surplombe les plaines du Rhône À l’est, la rivière d’Ain la sépare du Bugey Seule la limite nord est peu nette : progressivement la Dombes entre en contact avec la Bresse.

Elles est caractérisée par les étangs, très nombreux, sont d’origine humaine Ils ont été creusés principalement par les moines, en mettant à profit les dépôts d’argile morainiques En particulier, leur profil est maˆıtrisé et déterminé par le type de pêche ; à la différence des étangs du Forez, au fond plat, les étangs de la Dombes présentent une très légère pente, permettant à l’eau de s’écouler lentement et régulièrement vers l’émissaire lors de leur vidange au printemps tous les

4-5 ans à l’occasion de la pêche, avant d’être laissés à sec en général un été, pour être cultivés en avoine ou en ma¨ıs Ils permettent une pisciculture importante de carpes depuis longtemps, et alimentait les populations, en particulier de Lyon lors des nombreux ô jours maigres ằ.

Contexte institutionnel et le projet de recherche

Le stage réalisé durant six mois au sein de l’unité de recherche LETG (Littoral, Environ- nement, Télédétection, Géomatique) d’Angers, s’inscrit dans le cadre d’un projet de recherche du CNRS associant plusieurs équipes (LETG Angers, LEHNA Lyon, EVS Saint-Étienne) qui s’intéressent aux effets de l’éclairage artificiel nocturne sur la biodiversité de la Dombes Ce stage financé et coordonné par le Centre National de la recherche Scientifique(CNRS).

Ce projet de recherche tend à améliorer la compréhension, le suivi, la réduction et la prévention des contaminations de la pollution lumineuse et de leurs impacts sur la société, la santé et sur l’environnement permettant de construire des stratégies de réduction de la vulnérabilité ou l’adaptation écologiquement viables, sociologiquement adaptées et politiquement pertinentes.

Le programme se fonde sur une méthodologie interdisciplinaire réunissant des chercheurs en biologie, géographie et informatique en lieu avec quelques laboratoire.

Le LETG-Angers (Littoral, Environnement Télédétection, Géomatique) d’Angers est une unité mixte CNRS-Université d’Angers Parmi les axes de recherches du laboratoire, ce programme se place dans l’une des axes et intitulé " Mise en œuvre d’un modèle multi-agent permettant d’effectuer des simulations spatio-temporelles de l’exposition des habitats des amphibiens à

ALAN sur la zone de la Dombes" ayant pour objectif de comprendre et d’analyser les interactions Homme/milieu à l’aide d’outils et de méthodes innovantes de manière à caractériser qualitativement, quantitativement et spatialement les dynamiques paysagères et à définir les indicateurs 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 vulnérabilité/capacité de leurs intensités à faire face à la contamination environnementale ;

— mésuser les impacts de l’intensité lumineuse aux activités extractives sur les eaux, les sols, ;

— identifier les zones humides de la zone d’étude. qui seront poursuivis en perspectives aux objectifs suivants :

— d’identifier les zones de conflits entre usages et exigences écologiques d’organismes inféodés aux zones humides ;

— informer les structures décisionnelles de gestion d’ALAN.

Il est donc important de noter que bon nombre de projets visant la construction d’un modèle scientifique sont réalisés dans un contexte de manque de données, et que ses données parfois clefs ne sont obtenues qu’après les impératifs du projet Nous retiendrons également en compte les travaux de Margo et Tom cherchant à finalisé les effets de la lumière directe sur les zones humides et albedo respectivement.

Les études ainsi réalisés permettent d’apprécier chaque facette du projet et répondre en partie à la problématique que celui-ci pose La réalisation d’un système multi-agent assure la sélection, l’organisation et la visualisation des données et théories nécessaires à la compréhension des problématiques de ce projet Nous nous sommes dans un premier temps imprégnés de ces nouvelles connaissances tout en s’interrogeant sur la pertinence de chaque lecture et chaque données pour la réalisation d’un modèle.

Objectifs de l’étude

L’objectif principal de cette étude est de modéliser et de simuler le système environnement- lumière artificielle dans le contexte d’un front pionner physique et environnement du territoire

(zones humides, usage du sol), dynamiques végétales, les dynamiques agricoles et piscicultures, les dynamiques de contaminations de la lumière (différentes sources de pollution), les dynamiques socio-économiques (organisation sociale des ménages, regroupement communautaires, variation des prix, ) Le système multi-agent ainsi créé doit répondre aux objectifs suivants :

1 visualiser l’impact de la lumière artificielle sur la vulnérabilité de l’environnement aux pollutions : les zones humides sont-elles touchées ?

2 dộterminer le gradient des risques de pollutions perácu par la zone humide : comment une zone perácoit-elle le risque de pollution ? De quelle faácon, elle est exposộe à la lumiốre directe et indirecte.

Objectif de la modélisation

L’obtention de tels résultats passe par une succession d’étapes Les objectifs du modèle défini ci-dessus rejoignent les trois objectifs globaux d’une modélisation à savoir : Décrire, Comprendre,

Prédire (Lieurain, 1998) Ici nous cherchons à décrire les dynamiques Homme/Milieu (incluant les pollutions lumineuses) du territoire, à comprendre les phénomènes de pollution de la lumière artificielle et à prédire l’étendue de cette pollution lumineuse sur l’écosystème.

Dès lors, on peut définir l’objet de l’étude comme correspondant au système complexe mis en marche de la lumière artificielle dans cette zone Bien sˆur, ces activités n’étant pas les seules sur ce territoire et ayant un impact non négligeable sur les activités agricoles et pisciculture, il convient de définir celles-ci comme objet de la modélisation à part entière On distingue deux facteurs principaux

1 Le facteur d’exposition ( lumière directe, skyglow et albedo) : Celui-ci exprime directement le fait que les lampadaires, les phares des vộhicules, soient à ô portộe de pollution.

Une exposition prolongée entraˆınant une contamination Elle est avant tout définie par des critères spatiaux.

2 La politique des élus pour l’éclairage publique, notamment celles qui ont trait à l’aména- gement du territoire et l’usage de la lumière par la population Ceci nécessite également d’intégrer cette problématique au cœur de la réflexion sur les continuités écologiques et donc dans la dộfinition de la future trame ô verte et bleue ằ.

Contraintes stage et impact sur le mémoire

Le système multi-agent réalisé sur ce territoire correspond à deux stages de M1 et un stage de M2 complémentaires, l’un porte sur l’utilisation de l’analyse de visibilité pour identifier les zones humides de la Dombes exposées à l’éclairage artificiel nocturne direct Le second porte sur l’élaboration d’une cartographie de l’albédo de la Dombes (à partir d’images satellites et de données d’occupation du sol) Et le troisième étant orienté informatique comprenant la modélisation des dynamiques politiques et socio-économiques et l’implémentation des modèles sur plate-forme de simulation Ce stage se déroule sur une zones physique à Angers qui avait commencé à distance à Hanoi(Vietnam).

2 Artificial light at night (ALAN) sur la zone de la Dombes

Le territoire d’études : Dombes

La Dombes est située à une cinquantaine de kilomètres au Nord-Est de Lyon, dans la partie sud-ouest du département de l’Ain (01) en région Rhône-Alpes, la Dombes est un territoire à dominante rurale présentant une surface d’environ 1500 km 2 (Insee, 2014) dont les contours ne correspondent pas à une entité administrative mais plutôt à un territoire constitué d’une entité gộomorphologie et gộologique faáconnộe par une histoire et une dynamique humaine, culturelle et économique singulière liée en grande partie à l’activité piscicole développée dès le Moyen-Âge.

Figure 2.1 – Zone d’étude Cette dernière, cerclée de rouge sur les cartes, s’étend de l’extrémité

Nord-Est de la métropole Lyonnaise au Nord de Bourg-en-Bresse La zone est située à l’Ouest de la chaˆıne montagneuse du Jura, dans le département de l’Ain (cerclé de jaune).

Sa principale caractéristique sont les étangs, qui sont très nombreux (plus de mille), sont d’origine humaine Ils ont été creusés principalement par les moines, en mettant à profit les dépôts d’argile morainiques En particulier, leur profil est maˆıtrisé et déterminé par le type de pêche ; à la différence des étangs du Forez, au fond plat, les étangs de la Dombes présentent une très légère pente, permettant à l’eau de s’écouler lentement et régulièrement vers l’émissaire

(dộnommộ ô thou ằ) lors de leur vidange au printemps tous les 4-5 ans à l’occasion de la pờche, avant d’être laissés à sec en général un été, pour être cultivés en avoine ou en ma¨ıs Ils permettent une pisciculture importante de carpes depuis longtemps2, et alimentait les populations, en particulier de Lyon lors des nombreux ô jours maigres ằ.

Ce réseau d’étangs constitue une constellation de zones humides abritant de nombreuses espèces animales et végétales Ce territoire concentre de forts enjeux environnementaux relatifs à la protection de sa biodiversité.

Figure 2.2 – Vue aérienne de la Dombes marqué par la présence de nombreux étangs piscicoles, forêts caducifoliées et champs dédiés pour beaucoup à la culture céréalière Source de la photogra- phie(wikipedia)

Pollution lumineuse ou ALAN

La vie sur terre a évolué selon des cycles quotidiens et saisonniers de lumière et d’obscurité [Kronfeld-Schor et al 2013 , Tan et al 2010 ] Les humains modifient profondément ces cycles de lumière naturelle en introduisant une lumière artificielle de nuit (ALAN), également appelée pollution lumineuse Pendant longtemps, l’exposition à l’ALAN a été considérée comme une manipulation environnementale inoffensive pour l’homme sans répercussions graves Cependant, la présence total de la rayon lumineux de tout le temps représente une menace potentiellement importante pour la faune, la biodiversité et les humains [Duffy et al 2015 , Gaston et al 2013 ,

Holker et al 2010 , Navara et Nelson 2007 , Rich et Longcore 2005 ] Récemment, il a été de plus en plus prouvé que la perturbation de nos cycles de lumière et d’obscurité naturellement développés peut entraˆıner une vaste gamme de réponses biologiques [Bedrosian et al 2016 ,

Du point de vue de l’écologue, la pollution lumineuse désigne la lumière artificielle qui dégrade les cycles de la lumière naturelle (cycle jour/nuit et saisons), modifie la composante nocturne de l’environnement, c’est-à-dire l’illumination du milieu, et qui, en conséquence, impacte les comportements, les rythmes biologiques et les fonctions physiologiques des organismes vivants, ainsi que les ộcosystốmes Les ộcologues parlent de ô pollution lumineuse ộcologique ằ.

Le terme ô pollution lumineuse ằ est apparu rộcemment dans la littộrature Certains auteurs ont mờme proposộs une autre terminologie ô photopollution ằ englobant l’ensemble des lumières ayant des impacts négatifs sur la faune et la flore sauvage [Verheijen 1985].

Selon Longcore et Rich (2004), la pollution écologique lumineuse s’applique à la lumière artificielle qui altère l’alternance du jour et de la nuit ( rythme nycthéméral) dans les écosystèmes.

Cette pollution écologique lumineuse englobe plusieurs types de phénomènes et de nuisances :

— la sur-illumination, c’est-à-dire l’utilisation excessive de lumière ;

— l’éblouissement due à une trop forte intensité lumineuse ou à un contraste trop intense entre des couleurs claires et sombres ;

— la luminescence nocturne du ciel provoquée par la lumière non directionnelle émise en direction du ciel par les éclairages urbains, phénomène souvent nommé par le terme anglais ô Sky Glow ằ.

L’albédo Lorsque le rayonnement solaire arrive sur le sol d’une planète il est en partie réfléchi L’albédo est est la fraction de l’énergie solaire qui est réfléchie vers l’espace La partie de l’énergie lumineuse absorbée par la planète est dite incidente Plus une surface est réfléchissante, plus son albédo est élevé.La valeur de l’albédo est comprise entre 0 et 1.

L’albédo dépend de la couleur et de la matière de la surface concernée Pour notre planète Terre, l’albédo permet d’expliquer en partie les basses températures des régions polaires Les éléments qui contribuent le plus à l’albédo de la Terre sont les nuages, les surfaces de neige et de glace et les aérosols Par exemple, l’albédo de la neige fraˆıche est de 0,87, ce qui signifie que 87 % de l’énergie solaire est réfléchie par ce type de neige.

Le halo lumineuxou "sky glow" : La lumière artificielle partant vers le ciel s’associe aux particules en suspension dans l’air ce qui forme un halo lumineux bien visible au-dessus des métropoles Ce phénomène est accentué de surcroˆıt par la pollution de l’air qui augmente le nombre de particules en suspension dans l’atmosphère (aérosols) (Aubé, 2015) ainsi que par la météo (nuages, brume, brouillard, )

Or, de nombreuses espèces utilisent le ciel étoilé comme repère la nuit (oiseaux, mammifères marins, insectes, ) (Wiltschko et al., 1987 ; Doujak, 1985 ; Wehner, 1984) Il est donc pressenti que cette forme de pollution lumineuse leur serait très préjudiciable puisqu’elle se traduit par une ô chape ằ de lumiốre entre la terre et la voˆute cộleste, qui masque leurs repốres.

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’éclairage artificiel est, théoriquement, dévolue à un usage bien précis Mal- heureusement, en pratique, elle produit irrémédiablement un flux de lumière dirigé vers le ciel, lequel est diffusé par les particules atmosphériques et la vapeur d’eau A l’échelle d’un luminaire, la diffusion de la lumiốre artificielle forme un ô halo lumineux ằ A l’ộchelle d’une agglomộration, la somme des halos lumineux forment un ô halo d’agglomộration ằ Aussi, toute construction humaine équipée d’une source d’éclairage artificiel est susceptible d’engendrer une pollution lumineuse (Figure 2.12) C’est en particulier le cas de :

Figure 2.4 – Les sources de pollution lumineuse

— L’éclairage public et routier qui, dans le cadre de la prévention routière et anti-criminalité, est utilisé à des intensités lumineuses qui excèdent bien souvent les minimums requis.

— L’éclairage des bâtiments industriels et commerciaux, fréquemment sur-éclairés pour attirer les clients et créer un cadre attractif et propice à la consommation.

— L’éclairage des parkings et des centres sportifs.

— Les éclairages extérieurs et intérieurs des habitations qui ne sont encadrés par aucune réglementation.

2.2.3 Impacts de la pollution lumineuse sur la biodiversité

La pollution lumineuse est une menace pour la biodiversité La lumière bouleverse l’horloge biologique, les repères, les rythmes naturels, les modes de reproduction, d’alimentation ou de chasse Elle perturbe de nombreuses espèces : chauves-souris, batraciens, reptiles, espèces aquatiques, tout particulièrement les insectes, et également l’espèce humaine.

Les éclairages sont un cause majeure de mortalité des insectes : ils déciment des colonies entières, modifiant par conséquent les écosystèmes et l’équilibre de toute la chaˆıne alimentaire.

Les oiseaux migrateurs, qui se déplacent majoritairement de nuit, s’orientent grâce aux étoiles Les lumières artificielles telles que les tours ou les plates-formes pétrolières tuent plusieurs millions d’oiseaux par an, par collision, épuisement ou prédation.

Le changement d’intensité lumineuse bouleverse les relations proie-prédateurs, augmente l’activité nocturne de certaines espèces, peut stopper la reproduction notamment chez les batraciens, modifie la recherche alimentaire de micro-mammifères, ou repousse des espèces de mammifères terrestres, réduisant la superficie de leur habitat

Les végétaux ont besoin de la nuit, qui conditionne leur fonctionnement et leur dévelop- pement Une surexposition à la lumière peut avoir des conséquences sur la germination, la croissance, l’expansion des feuilles, la floraison, et le développement des fruits.

L’homme souffre également de la lumière intrusive : au-delà d’être privé du magnifique spectacle des étoiles, et de la gêne ressentie par trop de lumière, un dérèglement nerveux et hormonal peut s’opérer Selon certains structures de l’écologie, la lumière artificielle pourrait être l’un des facteurs à l’origine de l’augmentation de l’incidence des cancers "Sous l’effet de la lumière artificielle, l’épiphyse (petite glande située dans le cerveau) diminue nettement la production de mélatonine - également appelée "hormone du sommeil" - dont les bienfaits seraient multiples : anti-vieillissement, frein au développement des tumeurs, stabilisateur de la tension, maintien de la libido ".

Les effets de la lumière artificielle sur la faune et la flore aquatiques : la modification de l’intensité et de la composition de la lumière sur une étendue d’eau détermine la stratification des espèces d’algues et les réseaux alimentaires qui en dépendent On peut donc supposer que ces communautés de vie sont perturbées L’éclairage des zones humides et cours d’eau peut interférer avec le phénomène de dérive des invertébrés aquatiques Ces invertébrés se laissent transporter par le courant, peut-être pour mieux échapper à leurs prédateurs, ils le font presque toujours un peu avant l’aube et un peu après le crépuscule Les poissons semblent également plus actifs à ces périodes 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 cérébrale et protège son cerveau et ses lobes soit terminée Le rôle exact de l’éclairage nocturne n’est pas connu, mais il est vraisemblable que la migration puisse être, au moins partiellement, bloquée.

Quelques travaux et réalisations connexes

L’approche agent est utilisée par de nombreux chercheurs ayant cette même volonté de simuler sur la pollution lumineuse dans le milieu écologique [Héloise 2012] De nombreux travaux et outils de simulation ont donc été réalisés souvent liés à la mesure et modélisation de la pollution lumineuse [Philippe Deverchère et al 2018] La pollution lumineuse dans les milieux urbains

[Philippe Deverchère et al 2017] mais aussi et surtout ce qui nous intéressera particulièrement de la pollution lumineuse dans le milieu écologique, simulation multi-agents sur l’architecture massivement parallèles [Emmanuel Hermellin 2018].

Nous allons donc brièvement présenter quelques outils conséquents qui sont utilisés pour simuler la pollution lumineuse dans la zone urbaines, mesure de la pollution lumineuse,l’évolution des surfaces agricoles Nous présenterons ces outils en particuliers puisqu’ils sont souvent réalisés et utilisés dans des contextes comparables à notre outil de simulation de la pollution lumineuse dans les zones humides.

Mesure de la pollution lumineuse : La pollution lumineuse est produite essentiellement par l’éclairage public et industriel et dans une moindre mesure par l’éclairage résidentiel privé.

Cette lumière artificielle peut être émise directement vers le ciel par les sources lumineuses, ou bien être réfléchie par les terrains et bâtiments environnants (avec albédo plus ou moins élevé en fonction de leur nature).

Fruit de la collaboration des équipes de géographes et des informaticiens, ce modèle montre les techniques pour mesurer et modéliser la pollution lumineuse en utilisant les outils Ninox pour mesurer la brillance du fond ciel nocturne de manière continue, l’acquisition de la luminosité du fond de ciel à l’aide d’un SQM présente toutefois l’inconvénient de ne mesurer qu’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 résultat d’une acquisition Ninox réalisée durant la nuit du 25 décembre 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 : à la fin de la nuit, toutes les mesures valides sur les différentes zones sont combinées pour produire une carte de luminosité du fond de ciel résultante On voit sur cet exemple que la Voie lactée n’apparaˆıt plus sur l’image Cette dernière s’est déplacée au cours de la nuit et la carte peut ainsi être complétée entièrement.

Simulation de la pollution lumineuse d’un milieu urbain : De nombreux travaux se consacrent à l’étude de l’évolution de la pollution lumineuse dans un milieu urbain Le modèle réalisé par les chercheurs [Philippe D et al 2017] propose ainsi une représentation du mobilité urbain éclairé de la ville de Paris à la pollution lumineuse.

Comparativement aux travaux que nous menons, une tel modèle s’approche en partie de ce qui faire avec le travail de Margo que nous utilisons ses résultats, même s’il ne prend pas en compte un aspect spatialisé permettant de tester une zone humide Mais au niveau usage, il s’approche plutôt une grande partie du modèle.

Figure 2.8 – Distribution du mobilier urbain éclairé à Paris, [philippe D et al., 2017]

Figure 2.9 – Simulation de la pollution lumineuse produite par le mobilier urbain éclairé sur la ville de Paris, [philippe D et al 2017] Évolutions agricoles et naturelles : De nombreux travaux se consacrent à l’étude de l’évolution des surfaces agricoles Le modèle PAYSAGRI, réalisé par les chercheurs d’AgroParis-

Tech [Dépigny 2008], propose ainsi une représentation de l’effet des différentes sensibilités au paysage des agriculteurs sur les évolutions paysagères d’une portion de territoire rural et ap- porte la démonstration du rôle de la sensibilité au paysage dans les évolutions d’un paysage rural.

Comparativement aux travaux que nous menons, un tel modèle s’approche en partie de ce qui peut se faire avec le modèle, même s’il ne prend pas en compte un aspect spatialisé permettant de tester un plus grand nombre de choix d’aménagement Mais au niveau usage, il s’approche plutôt d’une partie du modèle puisqu’il permet de suivre l’évolution de surfaces agricoles, chose que nous faisons également en l’associant à l’évolution des autres grandes classes d’occupation du sol, zone humides.

Figure 2.10 – L’évolution de surfaces agricoles avec PAYSAGRI (extrait de [Dépigny 2008])

Plus proches de ce que nous verrons, les travaux menés conjointement par des équipes améri- caines et équatoriennes portent sur l’évolution des surfaces agricoles en Amazonie Equatorienne

[Walsh et al 2008, Mena et al 2010] Ils utilisent l’approche agent pour simuler les processus décisionnels au niveau des exploitations agricoles, et leurs résultats permettent de mettre en avant les changements en terme d’occupation du sol sous une forme spatialisée Les outils qu’ils développent permettent donc d’observer à une échelle globale les répercussions qui sont dues aux comportements des exploitants agricoles On peut par exemple voir sur la figure2.10les résultats d’une simulation qui montre essentiellement l’importante évolution des zones pastorales (en jaune).

Ces travaux sont particulièrement intéressants puisqu’ils ont été réalisés, en ce qui concerne l’évolution des espaces agricoles, dans le même esprit que celui que nous avons eu en développant notre modèle Ils offrent, en outre, une modélisation relativement rigoureuse des phénomènes sociaux qui ont lieu dans les exploitations agricoles.

Par ailleurs, il est intéressant de noter que les dynamiques qui sont modélisées dans ces travaux sont parmi celles permettant, de maniốre assez avancộe, de simuler de faácon conjointe de l’évolution de différentes types d’espaces En effet, l’évolution des exploitations agricoles se fait notamment au détriment des zones de forêt primaire dont l’évolution est prise en compte.

Figure 2.11 – L’évolution de surfaces pastorales (en jaune) en Équateur A gauche l’état initial, à droite l’état final (extrait de [Walsh et al 2008])

Apport des sciences computationnelles aux sciences humaines et sociales

Dans ce chapitre nous aborderons les origines de la modélisation scientifique dans les sciences de l’informatique Nous étayerons ensuite les modélisations de type automates cellulaires très liées à la géographie et enfin, nous nous attarderons sur les systèmes multi-agents et le réel intérêt de cette approche dans les sciences humaines et sociales et plus encore dans la géographie.

À l’origine : les mathématiques

Héritées des sciences de l’informatique, les modélisations et simulations à base d’agent, et plus particulièrement des langages de modélisation et de Programmation Orienté Objet(POO), ont entraˆıné l’émergence de nouvelles démarches scientifiques Ce nouveau paradigme de programmation informatique a été formalisé par les Norvégiens Ole-Johan Dahl et Kristen Nygaard au début des années 1960 Cette nouvelle manière de programmer définit le paradigme des ô Objets ằ, entitộ ou ô brique logicielle ằ reprộsentant un concept, une idộe ou toute entitộ du monde physique (ex : une voiture, une personne, tout est objet) Les entitộs ô objets ằ possốdent une structure interne (dộfinie pas ses ô attributs ằ, ex : l’objet crayon possốde l’attribut ô rouge ằ), un comportement (dộfini par ses ô mộthodes ằ, ex : l’objet crayon possốde la mộthode ô ộcrire ằ) et savent interagir avec d’autres objets.

La programmation orienté objet permet donc de représenter des objets du monde réel et leurs interactions La modélisation devient donc une étape d’importance majeure indispensable pour la POO, c’est cette étape qui permet de transcrire les éléments du monde réel sous forme virtuelle.

La modélisation scientifique

Figure 3.1 – Historique de la modélisation scientifique

Comme le présentent Jean-Pierre Treuil (Treuil et al 2008), un modèle est une construction abstraite qui permet de comprendre les interactions au sein d’un système de référence répondant à une question qui le concerne C’est une représentation simplifiée de ce système, un modèle s’appuie sur une théorie générale et il est exprimé dans un langage spécifique appelé langage de modélisation Le système de référence étant la partie de la réalité que l’on cherche à représenter.

Cette partie du monde réel est porté à notre connaissance par différents mécanismes de mesure, d’observation ou d’expérimentation qui produisent des données Il est donc nécessaire de donner du sens à ces données, en fonction des objectifs de la modélisation qui entraˆıne une question de modélisation (ex : Comment expliquer les relations entre données ? Comment prévoir l’évolution des données dans le temps ?).

La modélisation est donc une simplification délibérée du système qu’il décrit, la simplification étant fondée sur les hypothèses liées au domaine scientifique étudié et donc un choix assumé du modélisateur de choisir le niveau de complexité à prendre en compte.

Un langage de modélisation est donc choisi en fonction du domaine scientifique considéré et les propriétés souhaitées pour le modèle Un même modèle (Modèle de Référence) peut être traduit dans différents langages en fonction de son objectif.

Un modèle s’appuie sur des théories, en effet, là ó les théories ont pour objectif de décrire le fonctionnement et l’évolution d’un système de référence, le modèle est une instanciation de cette théorie pour un système en particulier Quand la théorie exprime l’a priori du scientifique sur l’évolution ou l’état du système de référence et fournit des abstractions (en fonction du langage utilisé), le modèle s’appuie sur ces abstractions et les relations entre abstraction Les théories considérées peuvent aussi être déterminantes dans le choix des données à envisager pour le modèle Les théories fournissent donc une ossature qui guide le modélisateur en fonction des questions qu’il se pose sur un système de référence donné et permet la construction du modèle.

Les approches individus centrée et orientée-objet ou fondées sur des agents informatiques ont permis des modộlisations conácues comme des reprộsentations du monde à visộe plus ou moins réaliste et non plus comme des calculs équivalents aux modèles mathématiques (Varenne

Le langage UML (Unified Modeling Language)

UML, c’est l’acronyme anglais pour ô Unified Modeling Language ằ On le traduit par ô Langage de modộlisation unifiộ ằ en franácais Ce langage de modộlisation orientộ objet voit le jour au début des années 1990 (UML V0.8) avant d’être normalisé (UML v1.0) par ô l’Object Management Group ằ (OMG) à la fin des annộes 905 L’OMG diffuse en 2005 la version 2.0 d’UML qui reste encore aujourd’hui la version la plus utilisée UML permet la création de représentations graphiques (appelés diagrammes) du système de référence que l’on souhaite reproduire Les schémas ainsi obtenus permettent une visualisation du modèle que l’on souhaite réaliser (chaque symbole graphique a une sémantique qui lui est propre) Ils formalisent la modélisation, améliorent la compréhension du problème que pose le modèle et facilite la conception et la communication de celui-ci De plus, l’objectif d’UML est d’obtenir un modèle compréhensible par les humains et par les machines, c’est-à-dire traduisible rapidement en langage de programmation On notera aussi l’existence du langage AUML6 Cette extension du langage UML permet de mieux spécifier la structure des systèmes agents avec notamment des diagrammes plus poussé pour les communications entre agents.

Des automates cellulaires aux systèmes multi-agents

Dans les dernières années, de nouvelles approches et techniques de modélisation ont émergé, et leur champ d’application s’est étendu progressivement, en touchant aussi la problématique des choix résidentiels Les automates cellulaires et les systèmes multi-agents sont représentatifs de ces techniques nouvelles.

L’apparition des techniques de modélisation dynamique issues de l’informatique (intelligence artificielle distribuée, vie artificielle) ont permis d’aborder le problème du comportement des acteurs ou celui des interactions multiples dans l’espace et le temps.

Les automates cellulaires (Couclelis (1985), Phipps et Langlois (1997)) ont un intérêt évident pour la modélisation des systèmes dynamiques complexes Ces modèles introduisent une représentation du territoire correspondant à un ensemble de cellules de forme identique, chaque cellule étant décrite par des caractéristiques de milieu, habitat, population etc Des fonctions d’état permettent de caractériser l’évolution de chaque cellule en fonction de son état et de celui de ses voisins.

Les automates cellulaires se présentent sous la forme d’une grille, ou ensemble de cellules évolutives au cours du temps, régies par de mêmes règles de transitions dans un espace à deux dimensions Ce système a largement été mis à l’épreuve des mathématiciens depuis ses origines dans les années 50, jusqu’à nos jours (Wolfram, 1984 ; Louis, 2002 ; Ollinger & Richard, 2009).

Un automate cellulaire se définit ainsi, une cellule (i, j), localisée en en ligne iet en colonne j, à l’instant t ; elle possède :

— Un état S t (i, j): qui représente son contenu (nombre fini d’états possibles).

— Un voisinage V(i, j): formé de cellules voisines (stable dans le temps)

— Le voisinage peut inclure les 4 cellules voisines (voisinage de Von Neumann, V 4 (i, j));

— Le voisinage peut inclure aussi les 6 cellules voisinesV 6 (i, j);

— Les 8 cellules adjacentes (voisinage de Moore V 8 (i, j)), ou plus.

— Une règle de transition T s’applique à toutes les cellules(i, j).

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

3.4.2 Le Jeu de la vie À l’origine, le Jeu de la vie fut présenté comme un jeu mathématique Sa description va nous permettre de matérialiser et mieux comprendre ce que sont les automates cellulaires. À l’instar des espaces cellulaires d’Ulam, le Jeu de la vie se présente sous la forme d’une grille constituée de cellules, par exemple :

Figure 3.2 – Exemple de configuration de départ

Dans le Jeu de la vie, est considérée comme voisine toute cellule contigu¨e, y compris les diagonales.

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

Les règles du Jeu de la vie sont simples :

— Une cellule inactive entourộe de 3 cellules actives devient active (ô naˆıt ằ) ;

— Une cellule active entourée de 2 ou 3 cellules actives reste active ;

— Dans tous les autres cas, la cellule ô meurt ằ ou reste inactive.

Les automates cellulaires fonctionnent de manière discrète C’est-à-dire que le temps s’écoule par à-coups Ceci signifie dans notre cas qu’à la génération t, chaque cellule examine son environnement et détermine son état futur Quand l’ensemble des cellules a été traité, et seulement à ce moment là, toutes les cellules passent à l’état calculé On simule ainsi un traitement parallèle.

Illustrons ce mécanisme à partir de la configuration précédente :

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 complètement connues On peut ainsi tester et analyser le comportement global d’un univers simplifié Voici quelques exemples d’application :

— Simulation du comportement d’un gaz Un gaz est composé d’un ensemble de molécules dont le comportement est fonction de celui des molécules voisines ;

— Simulation des processus de percolation ;

— Simulation des processus de cristallisation ;

— Simulation de la propagation des feux de forêt ;

— Simulation et d’étude du développement urbain ;

— Simulation et étude des changements d’occupation du sol.

Dans un domaine plus quotidien, les automates cellulaires peuvent être utilisés comme générateur graphique Les quelques figures ci-dessous, construites avec Capow montrent certains effets graphiques.

Figure 3.5 – Quelques effets graphiques des automates cellulaires

Les systèmes multi-Agent(SMA)

L’intelligence artificielle à ses débuts entendait essentiellement rivaliser avec l’être humain.

Il s’agissait de résoudre une question posée en adoptant le comportement et le savoir-faire d’un ou souvent plusieurs experts, d’ú les programmes informatiques biens connus appelộs ô systốmes experts ằ, notamment pour le diagnostic mộdical Cette voie de l’intelligence artificielle soulève, entre autres questions, le problème de l’individualisation des compétences d’expert dans un seul programme informatique En effet, dans la plupart des cas pratiques, les savoirs nécessaires à la résolution de tâches complexes sont souvent distribués entre plusieurs individus.

Ce sont des échanges d’informations, de connaissances spécifiques voire des négociations qui concourent à la résolution d’une tâche ou à l’établissement d’un diagnostic Aussi, un courant de l’intelligence artificielle s’est inscrit dans la construction de programmes informatiques relativement autonomes et indộpendants en interaction, appelộs des ô agents ằ Un SMA est un programme informatique regroupant des petits programmes disposant d’une certaine autonomie constituant des entités artificielles qui évoluent, communiquent et agissent dans un environnement, qui n’est pas forcément spatial Un SMA intègre une dimension temporelle sous la forme d’une horloge qui rythme les interactions entre ces diverses entités artificielles ou agents Ces interactions produisent des organisations qui, en retour, sont susceptibles de contraindre les agents.

Selon Jacques Ferber (1995), un agent, dans une définition strictement informatique, est une ô entitộ capable d’agir sur elle-mờme et sur son environnement, qui rộagit à ses transformations et qui possốde une reprộsentation partielle de cet environnement ằ Les SMA, parce qu’ils donnent ô la possibilitộ de modộliser directement les individus, leurs comportements et leurs interactions, offrent des solutions radicalement nouvelles pour la modộlisation ằ Par exemple, le fonctionnement d’une fourmilière peut être modélisé en donnant aux fourmis des statuts d’agents dont les caractéristiques varieront avec les différentes spécialisations de ces insectes au sein de la société des fourmis (Drogoul et al., 1993) Par extension, le statut d’agent est ộgalement donnộ à des entitộs moins ô actives ằ comme les ressources (nourriture, humiditộ).

En évoluant dans un espace modélisé sous la forme de grilles régulières ó sont réparties des ressources (voire une reconstitution plus complexe d’une réalité observée), 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 modélisation.

Qu’est ce qu’un agent ? Comme dans tous les domaines porteurs, le terme agent est utilisé de manière assez vague Cependant on peut dégager une définition minimale commune qui est approximativement la suivante :

Définition :Ferber, 1995 définit un agent : est une entité 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 possède des ressources propres,

5 qui est capable de percevoir (mais de manière limitée) son environnement,

6 qui ne dispose que d’une représentation partielle de cet environnement (et éventuellement aucune),

7 qui possède des compétences et offre des services,

8 qui peut éventuellement se reproduire,

9 dont le comportement tend ‘a satisfaire ses objectifs, en tenant compte des ressources et des compétences dont elle dispose, et en fonction de sa perception, de ses représentations et des communications qu’elle reácoit.

Chacun des termes de cette définition est important Une entité physique est quelque chose qui agit dans le monde réel : un robot, un avion ou une voiture sont des exemples d’entités physiques.

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

Les agents sont capables d’agir, et non pas seulement de raisonner comme dans les systèmes d’IA classique L’action, qui est un concept fondamental pour les systèmes multi-agents, repose sur le fait que les agents accomplissent des actions qui vont modifier l’environnement des agents et donc leurs prises de décision futures Ils peuvent aussi communiquer entre eux, et c’est d’ailleurs là l’un des modes principaux d’interaction existant entre les agents Ils agissent dans un environnement, sauf, comme nous le verrons, pour les agents purement communicants pour lesquels toutes les actions se résument à des communications.

Définition : D’après Ferber, 1995,un système multi-agent (ou SMA), un système est composé des éléments suivants :

1 Un environnement E, c’est-‘a-dire un espace disposant généralement d’une métrique.

2 Un ensemble d’objets O Ces objets sont situés, c’est-‘a-dire que, pour tout objet, il est possible, ‘a un moment donné, d’associer une position dans E Ces objets sont passifs, c’est-‘a-dire qu’ils peuvent ờtre perácus, crộộs, dộtruits et modifiộs par les agents.

3 Un ensemble A d’agents, qui sont des objets particuliers (A⊂O), lesquels représentent les entités actives du système.

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

5 Un ensemble d’opérationsOppermettant aux agents de A de percevoir, produire, consom- mer, transformer et manipuler des objets deO.

La figure 2.9 donne une illustration de la notion de système multi-agents d’un agent en interaction avec son environnement et les autres agents[Ferber, 1995] L’agent représenté qui dispose de compétences et de représentations tente d’atteindre ses objectifs.

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

Il existe un cas particulier de systèmes dans lequel A=O, et E est égal à l’ensemble vide.

Dans ce cas, les relationsR définissent un réseau : chaque agent est lié directement à un ensemble d’autres agents, que l’on appelle ses accointances Ces systèmes, que l’on peut appeler SMA purement communicants, sont très courants en intelligence artificielle distribuée Leur domaine de prédilection est la coopération de modules logiciels dont la fonction est de résoudre un problème ou d’élaborer une expertise (interprétation de signaux ou conception d’un produit par exemple) à partir de modules spécialisés, comme dans le cas d’un système de contrôle distribué, ó E est défini par la structure du réseau sous-jacent Ces systèmes se caractérisent par le fait que les interactions sont essentiellement des communications intentionnelles et que le mode de travail ressemble à celui d’un organisme social (groupe de travail, entreprise, administration, etc.).

Lorsque les agents sont situés, E est généralement un espace métrique, et les agents sont capables de percevoir leur environnement, c’est-‘a-dire de reconna^ıtre les objets situés dans l’environnement en fonction de leurs capacités perceptives, et d’agir, c’est-‘a-dire de transformer l’état du système en modifiant les positions et les relations existant entre les objets Les meta-données

Un SIG manipule des données provenant de différentes sources, aussi celles-ci sont accompa- gnées d’informations caractérisant la source elle-même, soit encore de données sur les données : des méta-données Les meta-données apportent, par exemple, des informations sur la nature des données, le système de projection, l’étendue géographique, date de saisie.

Modéliser des dynamiques spatiales avec le SMA

Nous allons aborder dans cette section l’utilisation des SMA pour l’étude de phénomènes se tenant dans un environnement géographique On cherche à expliquer les concepts et techniques disponibles pour traiter les dynamiques spatiales à l’aide de la modélisation multi-agent.

La réalisation d’un modèle en SMA se fait en deux temps : dans un premier temps il réalise un laboratoire virtuel qui reprend les caractéristiques du domaine empirique objet de la simulation ú ô systốme cible ằ Dans un second temps, il pratique des expộrimentations, dộplaácant des individus, changeant leur comportement ou en modifiant les conditions environnementales De ce fait, le modèle, la vision du système cible s’élabore au fur et à mesure Ce n’est pas une abstraction d’un monde réel, mais une reconstruction d’un monde artificiel obtenue à partir d’hypothèses qui peuvent donc être testées in vitro Ces expérimentations permettent de vérifier les hypothèses émises, de récupérer de nouvelles données et de les exploiter via des traitements statistiques.

Les caractéristiques de SMA est la capacité à considérer l’environnement d’un système, l’acceptation d’agents conceptuellement très différents, par une diversité d’échelles qui permet une analyse à des niveaux multiples et une souplesse dans les règles d’interactions, particulièrement pour les relations spatiales (Bretagnolle et al., 2003).

Les Systèmes d’Informations Géographiques SIG

Définition : Un SIG est un ensemble organisé de matériels informatiques, de logiciels, de données géographiques et de personnel capable de saisir, stocker, mettre à jour, manipuler, analyser et présenter toutes formes d’informations géographiquement référencées [De Blomac 94].

Les systèmes d’informations géographiques proposent une représentation de l’espace en utilisant des primitives géographiques telles que des points, des arcs, des polygones (vecteurs) ou des grilles (raster) Des informations qualitatives, les meta-données (données sur les données), sont associées à ces primitives.

L’information géographique peut être définie comme l’ensemble de la description d’un objet et de sa position géographique à la surface de la Terre Le but d’un SIG est souvent de fournir une aide à la décision Il peut aussi servir à produire des cartes pour répondre à des besoins spécifiques : organisation de tournées, circuits touristiques, prévention des incendies

Quel que soit le domaine d’utilisation, un SIG permet de répondre à 5 questions :

1 Où : Où se situe le domaine d’étude et quelle est son étendue géographique ?

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

3 Comment : Comment les objets sont répartis dans l’espace étudié, et quelles sont leurs relations ? C’est l’analyse spatiale.

4 Quand : Quel est l’âge d’un objet ou d’un phénomène ? C’est l’analyse temporelle.

5 Et si : Que se passerait-il s’il se produisait tel événement ? L’information géographique se compose :

Les données attributaires Les données attributaires décrivent un objet géographique : nom d’une route, type d’un bâtiment, nombre d’habitants d’un immeuble, débit d’un cours d’eau, tension d’une ligne de transport d’énergie, type d’arbres dans un verger Les attributs ne sont pas stricto sensu des informations géographiques, mais contribuent à les qualifier les objets.

Les objets géographiques Les objets géographiques sont organisés en couches Chaque couche fait référence à un thème, par exemple, couvert végétal, voies de navigation.

Trois types d’entités géographiques peuvent être représentés :

Deux modes de représentations des données sont possibles :

— Vectoriel (format vecteur) : les objets sont représentés par des points, des lignes, des polygones ou des polygones à trous ;

— Matriciel (format raster) : il s’agit d’une image, d’un plan ou d’une photo numérisés et affichés dans le SIG en tant qu’image.

Dans un SIG, un système de coordonnées terrestres (sphérique ou projectif) permet de référencer les objets dans l’espace et de positionner l’ensemble des objets les uns par rapport aux autres.

Les objets sont généralement organisés en couches (cf Figure 2.10), chaque couche rassemblant l’ensemble des informations se rapportant à un même thème.

Avec un SIG, les relations entre les objets peuvent être calculées et donner naissance à des points d’intersection afin d’éviter la répétition d’objets superposés Ainsi une parcelle bordant une route aura les mêmes sommets que ceux définis pour la route.

Utilisation hybride SIG–SMA

Les système d’information géographique ont apporté à leurs capacités de gestion et de visualisation de l’information géographique, de puissants outils permettant de traiter de l’information établissant des liens entre données géographiques et attributaires Ces liens améliorent et affinent l’exploitation des relations spatiales qui existent entre entités et créent un espace relatif (en opposition à un espace absolu basé sur la mesure des distances euclidiennes et les règles trigonométriques) Les analyses spatiales ainsi obtenue fournissent pour les SMA un moyen efficace d’offrir à leurs agents une connaissance topologique de leur l’environnement.

Cette connaissance est une contribution majeure à l’hétérogénéité des agents et par conséquence aux produits de l’émergence Les outils SIG et les SMA sont donc complémentaires les SIG apportent des données raffinées aux SMA ou conservent ces données pour valider les résultats d’une simulation dite ô business as usual ằ Les rộsultats des simulations peuvent aussi ờtre analysés via des outils SIG Un SMA permet donc, au travers des règles et modes d’interactions qu’il définit, d’établir des scénarios en tenant compte des dimensions sociales et temporelles qui lient les objets.

Ainsi par soucis de lisibilité nous ne détaillerons ici que les travaux réalisés sur des plateformes de modélisation et simulation intégrant des données SIG.

3.8.2 Les plateformes de simulations multi-agents

Un modèle est donc une spécification de l’ensemble des instructions qui permet de générer le comportement du système Ainsi, définir un modèle de simulation multi-agent consiste à définir une fonction Evolution [Michel, 2004] qui calcule, pour un état δ(t) du modèle, l’état suivant σ(t+δ(t)) de manière déterministe : σ(t+δ(t)) =Evolution(σ(t))

Cependant, du fait de la très grande variété de modèles qu’il est possible d’élaborer, il existe un nombre incalculable de faácons de dộfinir une telle fonction Cela explique, en partie, le nombre très important de plates-formes dédiées au développement de systèmes et simulations multi-agents Dans [Kravari and Bassiliades 2015], 24 de ces plates-formes ont été comparées et évaluées (il en existe bien d’autres) selon de nombreux critères Il en ressort que chacune d’entre elle possède un champ d’application bien spécifique Ainsi, certaines vont être spécialisées dans la simulation à large échelle (e.g GAMA), d’autres en simulation économique (e.g JADE) ou en biologie et études sociales (e.g Jason ou Repast), etc.

Si l’on s’intéresse à des aspects tels que la simplicité d’utilisation, la facilité de prise en main, la scalabilité du modèle simulé ou encore les performances de ces plates-formes (des thèmes proches de ceux que nous rencontrerons tout au long de ce document), il est possible d’extraire de [Kravari and Bassiliades 2015] le tableau 3.1 Plus précisément, nous considérons les critères suivants :

— Le critère Simplicité caractérise la facilité d’utilisation de la plate-forme (la facilité de développer sur cette dernière) ;

— Le critère Apprentissage caractérise la rapidité de prise en main de la plate-forme et si ces mécanismes sont compréhensibles ;

— Le critère Support quantifie les documents et ressources à disposition de l’utilisateur ;

— Le critère Scalabilité donne des informations sur la capacité de la plate-forme à gérer des problèmes de tailles différentes ;

— Le critère Performance caractérise la rapidité d’exécution de la plate-forme.

Table 3.1 : Évaluation de plates-formes dédiées au développement de systèmes et simulations multi-agents (extrait de [Kravari, K and Bassiliades, N (2015)]). plate-forme Simplicité Apprentissage Support Scalabilité GAMA

Simple, fonctions dédiées à la simulation,interface utilisateur

Moyenne, beaucoup de fonctions,interface utilisateur complexe

Simple, nombreuses fonctions dédiées à la simulation, interface utilisateur

Swarm Moyenne, interface utilisateur complexe

Table 3.1 – Plates-formes de développement de systèmes et simulations multi-agents.

Cependant, dans [Emmanuel Hermellin 2018] a ajouté le critère Performance comme trop subjectif pour l’intégrer En effet, dans [Kravari, K and Bassiliades, N 2015], il n’est fait à aucun moment mention du protocole expérimental utilisé permettant de définir les termes associés à ce critère d’évaluation et qui se limitent à des mots génériques tels que "excellente",

"bonne" et "moyenne" De ce fait, il propose à la place de considérer le critère Solution HPC qui est plus pertinent et qu’il définisse de la manière suivante :

— Le critère Solution HPC spécifie si la plate-forme est compatible avec le calcul intensif.

Table 3.2 : intègre ce critère et présente les différences entre les méthodes d’implémentation proposées par les plates-formes sélectionnées précédemment. plate- forme

Maturité technologique Langages de programmation

GAMA Stable, développement actif GAML Non

Jason Stable, développement actif Java, AgentSpeak Non Madkit Stable, développement actif Java, C/C++, Python Non MasOn Stable, développement actif Java Oui, [Ho et al., 2015]

NetLogo Stable, développement actif Logo Non

Repast Stable, développement actif Java, C#, C++, Lisp,

Swarm Stable, développement actif Java Oui, [Pallickara and

Table 3.2 – Différences entre les méthodes d’implémentation proposées par les plates-formes de développement,[Kravari and Bassiliades 2015 ].

Dans ce chapitre, nous avons défini un ensemble d’éléments qui permettent de poser les bases des travaux qui seront décrits dans la suite de ce manuscrit En particulier, nous avons donné une vue d’ensemble du champ de la modélisation et de la simulation des systèmes complexes naturels et sociaux, en nous attardant sur ceux qui constitueront la majeure partie de nos travaux appliqués : les outils de simulation de la pollution lumineuse.

Outils utilisés

Dans cette partie, nous traiterons d’abord de la plate-forme de développement utilisé pour notre système multi-agents Puis, nous présenterons le logiciel QGIS qui nous a été nécessaire d’apprendre à utiliser pour manipuler les cartes géographiques.

GAMA

GAMA est une plate-forme de simulation open source proposant un environnement de modélisation à base d’agents permettant de les contrôler à plusieurs niveaux Elle intègre des données d’informations géographiques mais aussi des exemples de SMA GAMA permet de créer des simulations à base d’agents spatialement explicites GAMA peut être utiliser dans plusieurs domaines d’application avec un langage intuitif de haut niveau basé sur les agents qui permet d’écrire facilement vos modèles en utilisant GAML (langage intuitif de haut niveau basé sur des agents) L’intégration du modèles SIG et axés sur les données est aussi très pratique c’est-à-dire l’instanciation des agents de n’importe quel jeu de données, y compris les données

SIG, et exécutez des simulations à grande échelle (jusqu’à des millions d’agents) Son interface utilisateur déclarative prend en charge les inspections approfondies des agents, les panneaux d’action contrôlés par l’utilisateur, les affichages multicouches 2D / 3D et les aspects relatifs aux agents.

Sa dernière version, la 1.8 celle que nous avons utilisé pour notre modèle Elle est livrée pré-chargée avec plusieurs modèles, des didacticiels et une documentation complète en ligne

GAMA a été développé avec une approche très générale et peut être utilisé dans de nombreux domaines d’application Certains plugins supplémentaires ont été développés pour répondre à des besoins particuliers.

Exemple de domaines d’application ó GAMA est principalement présent

3.10.2 SIG et modèles basés sur les données

GAMA (Architecture de modélisation à base d’agent SIG) vous offre, depuis sa création, la possibilité de charger facilement un système d’information géographique (SIG).

Vous pouvez importer un grand nombre de types de données , tels que texte, fichiers, CSV,fichier de formes, OSM ( Open Street Map Data ), grille, images, SVG, mais également des fichiers 3D, tels que 3DS ou OBJ, avec leur texture.

GAMA n’est qu’un outil qui permet de développer et simuler des SMA Il peut importer diverses données comme des données et de se connecter aux bases de données ou même des cartes contenant des informations géographiques et aussi d’utiliser des outils statistiques puissants tels que R Ces cartes sont modifiables grâce à l’outil QGIS dont nous allons parler de suite.

QGIS

QGIS est un logiciel SIG (système d’informations géographiques) libre et multiplateforme.

Nous sommes venu à utiliser ce logiciel pour modifier les données géographique contenue dans les cartes de Besanácon et Dijon ou pour crộer notre propre carte.

Il a la particularité de gérer les formats d’images vectorielles ainsi que des données de type raster dont nous avons eu besoin pour modifier des cartes.

Le principe directeur d’un SIG est le suivant : nous avons d’un côté les données géographiques et de l’autre, les données attributaires liées à ces données géométriques Ces données sont stockées sous format numérique, organisées par couches et modifiables.

Une carte est un fichier constitué de plusieurs couches Dans notre cas nous avions par exemple une carte en image avec l’occupation du sol ou la couche avec les zones humides Les données attributaires étaient par exemple l’intensité pour les cartes et le nom du site, la surface,

Figure 3.9 – Couche de zones humides avec sa table attributaire

La Figure 3.9 montre la carte de département de l’Ain pour la couche des zones humides et une fenêtre contenant les données attributaires Nous y voyons par exemple que le champ

“site_name” contient le nom de la zone de chaque portion de la carte.

Construire et calibrer un modèle représentatif d’exposition des zones humides de la Dombes à la lumière artificielle qui permet de produire un outil d’aide à la décision.

Les données

Comme ce modèle est à la fois un modèle multi-agent, un automate cellulaire (beaucoup de cellules à caractériser), agents et cellules soumis à des dynamiques extérieures, les données nécessaires à sa réalisation sont de types spatialisées caractérisant les cellules ou pixels du territoire ; ce sont des couches qui vont caractériser le territoire et qui se doivent d’être exhaustives.

Elles sont de deux types : pour ce qui concerne le territoire lui-même,l’albédo, elles proviennent du projet de stage "Élaboration d’une cartographie de l’albédo de la Dombes (à partir d’images satellites et de données d’occupation du sol)" réalisé par Tom Lorée La donnée exhaustive la plus précise disponible sur la capacité d’une surface à réfléchir la lumière, celui des sources de contamination de l’environnement par la lumière directe(lampadaires, phares de véhicules,

), elles proviennent du projet de stage [Margo, 2018] et celles des sources deshalos lumineux

(pollution lumineuse à proximité et dans les agglomérations), elles proviennent de Skylab Elles sont aussi de deux types : celle d’estimation de brillance du fond ciel par le temps clair et celle du fond ciel nuageux La présence de nuages amplifie fortement les halos de pollution Enfin pour ce qui concerne la perception et l’usage de territoire, les données décriants les infrastructures

(zones humides, occupation du sol, ) nom de données

Type Description Traitements Utilité Sources

SIG vecteur les zones humides découpe Input -

SIG Raster d’exposition de la lumière directe découpe, typologie, calcul d’intensité

2018) Albedo SIG Raster Albédo découpe, typologie, calcul d’intensité

2018) Skyglow SIG raster halos lumineux découpe, typologie, calcul d’intensité

Les données présentées ci-dessus servent de bases à la création de différents modules (Voir annexes 1 pour le détail des données) Ces données servent, de cadre ou de structure à notre modốle Les donnộes dộfinies en ô Input ằ seront implộmentộes telles quelles, sous forme de données SIG (vectorielles et raster).

Modèle général

Construction du plan d’information

La construction de ce plan d’information de la pollution lumineuse sur les zones humides est effectuée grâce à une superposition de deux informations spatiales principales : la carte d’exposition de la lumière directe couplée à l’albédo et la carte skyglow couplée à l’albédo.

Ces deux cartes sont issues d’un croisement d’autres couches d’information sur les conditions d’exposition de la lumière directe (lampadaires, phares véhicules, ), de halos lumineux (la pollution à proximité et agglomération) avec l’albédo.

Figure 4.2 – Processus d’élaboration de la carte de la pollution lumineuse

Modèle :directe-albedo

Structure du modèle et échelle :

Le modèle directe-albédo est inspiré d’une simulation présente dans la librairie de GAMA qui simule l’inondation avec des digues et des bâtiments Il montre la présentation du système d’inondation et comment l’eau peut s’écouler d’une cellule à une autre qui dépend essentiellement de la hauteur des cellules et la pression de l’eau.

Pour notre expérimentation, nous avons défini un modèle contenant seulement un environnement représenté sous la forme d’une grille à deux dimensions torique et discrétisé dans laquelle les cellules sont initialisées avec la valeur de chaque cellule de la couche en entrée.

Une fois la simulation lancée, chaque cellule est mise à jour en fonction de sa liste de voisinage aux cellules correspondant dans la couche albedo La figure 4.3 illustre les différentes étapes de la simulation.

Figure 4.3 – modèle direct-albedo, dynamique globale du modèle

4.4.2 Les grands concepts du modèle

Les calculs les plus gourmands dans ce modèle sont situés aux étapes (2), (3) et (4) qui consistent à éditer, pour chaque agent, de déterminer son agent correspondant dans la deuxième couche, ensuite une liste des voisins les plus proches puis à parcourir cette liste afin de calculer leur intensité (calculer en fonction du nombre et du type d’agents présents autour d’eux) Vu que ces deux étapes reposent sur la réalisation et le parcours de nombreuses boucles séquentielles (et cela à chaque pas de simulation), le temps de calcul requis va considérablement s’accroˆıtre lorsque le nombre d’agents va augmenter En accord avec les critères du principe de délégation défini par nous-même, le calcul de l’intensité ne peut être transformé en dynamique environnementale car il modifie l’état de l’agent Cependant, il est possible de transformer la perception préalable à ce calcul de l’intensité qui consiste à établir le voisinage de chaque agent (le type et nombre d’agents).

L’intensité des agents est définie en déterminant sa correspondance sur la couche albedo et en multipliant l’intensité de chaque agent de sa liste avec sa valeur initiale Ainsi, pour chaque agent la simulation va spécifier, à quelle communauté il appartient La figure 4.8 illustre ce calcul Chaque cellule de la couche résultat contient donc une variable pouvant prendre une nouvelle valeur Les nouvelles valeurs sont ensuite être utilisées par les agents, en fonction de leur position, pour calculer leur intensité.

Figure 4.4 – modèle directe-albedo, exemple d’un calcul de l’intensité

Algorithm 1 Modèle Skyglow-albedo, calcul de l’intensité

Input :La grille de la lumiere directe, sa hauteur, sa largeur, son intensité de cellule, intCell et une grille de données albedo, grilleAlbedo Output :carteDirecteAlbedo

1 i=blockIdx.x∗blockDim.x j =blockIdx.y∗blockDim.y listOf V ois[] : tous les huit cellules voisins. if i < largeur et j < hauteur then

2 if distance(grille[i][j], grilleAlbedo[i][j]) = 0then

5 for cellule dans la listOfVois do

6 grille[i][j] =grille[i][j] +grille[i][j]∗quantiteIntensite(cellule)

9 save coucheDirecte sous le nom carteDirecteAlbedo

Modèle :Skyglow-albedo

Le modèle skyglow-albedo est inspiré de notre modèle direct-albedo qui montre l’impact de la lumière directe et l’albedo.

Pour notre expérimentation, nous avons un modèle dans lequel chaque cellule est considérée comme un agent qui propage une lumière dans un environnement à deux dimensions carré et discrétisé Comme nous avons deux couches en entrée, Chaque agent cherche son agent parcourt la deuxième couche pour déterminer son agent correspondant dans cette couche Par la suite, lorsqu’un agent rencontre son agent correspondant, il calcule sa nouvelle intensité en multipliant son intensité initiale avec l’intensité de son agent correspondant puis se met à jour Ensuite l’environnement se met à jour La figure 4.5 illustre les différentes étapes de la simulation.

Figure 4.5 – modèle skyglow-albedo, dynamique globale du modèle

Les calculs qui requièrent le plus de puissance sont localisés dans les étapes (2) et (3) et consistent au parcours de la couche albedo pour identifier l’agent correspondant et le calcul de l’intensité Le temps de calcul nécessaire est donc fortement dépendant de la taille des couches.

Une fois ce calcul réalisé, les agents n’ont plus qu’à percevoir dans l’environnement la nouvelle valeur correspondant à leur position et agir en conséquence.

Figure 4.6 – modèle skyglow-albedo, exemple d’un calcul de l’intensité

Le résultat de cette multiplication est ensuite sauvegardé Ainsi, chaque cellule contient une valeur qui est inférieure à la valeur initiale Cette liste résultat est utilisée pour mettre à jour la grille et calculer le prochain pas de simulation en accord avec les règles de transitions du modèle.

L’algorithme ci-dessous présente une implémentation du modèle.

La traduction du calcul de la valeur des cellules a mené à la création d’une nouvelle carte En effet, alors que ce module de calcul peut sembler très simpliste (il réalise une simple multiplication sur la cellule correspondante ), il peut être utilisé d’une manière plus générique en tant que fonction d’analyse de correspondance.

Algorithm 2 Modèle Skyglow-albedo, calcul de l’intensité

Input :La grille de phéromone, sa hauteur, sa largeur, son intensité de cellule, intCell et une grille de données albedo, grilleAlbedo Output :carteSkyglowAlbedo

10 for cell1 dans coucheSkyglow do

11 for cell2 dans la coucheAlbedo do

12 if distance(cell1, cell2) = 0 then

13 cell1.valuel1.intCell∗cell2.intCell

17 save coucheSkyglow sous le nom carteSkyglowAlbedo

Modèle : directe-albedo-Skyglow

Ce modèle consiste à réunir les deux modèles précédents.A cet effet, nous avons défini un modèle contenant seulement un environnement représenté sous la forme d’une grille carrée à deux dimensions discrétisée dans laquelle les cellules sont initialisées avec les valeurs de l’une de couche en entrée.À chaque pas de simulation, les états des cellules sont mises à jour en sommant avec leur cellule correspondant.

De ce fait, à priori il faut ramener les cartes au même échelle (normalisation) afin qu’on puisse faire un calcul logique.La figure4.7 illustre les différentes étapes de la simulation.

Figure 4.7 – modèle direct-albedo-skyglow, dynamique globale du modèle

Le calcul séquentiel nécessitant le plus de ressources est présent dans l’étape (2) et (3) qui consiste à calculer la somme de l’intensité émise par la lumière directe couplée à l’albédo et le skyglow couplée à l’albédo dans l’environnement Pour réaliser cette carte, il est nécessaire d’effectuer une boucle séquentielle sur toutes les cases de l’environnement Ainsi, plus l’environnement est grand et plus le temps de calcul de l’intensité est important Ce calcul étant déjà une dynamique de l’environnement.

Figure 4.8 – modèle diercte-albedo-skyglow, exemple d’un calcul de l’intensité

En s’inspirant des modèles dédiés au calcul de somme de deux grilles a été créé ce modèle.

Il est possible de le réutiliser pour le modèle skyglow-Albedo en adaptant uniquement les structures de données qui vont lui être envoyées Chaque agent va ainsi déposer une certaine quantité d’intensité en fonction de sa position d’exposition à la lumière directe dans un tableau à une dimension Un deuxième tableau contenant les valeurs d’intensité d’exposition à la lumière indirecte (Skyglow et albédo) Ensuite on fait la somme de ces deux tableaux sur tout l’environnement de chaque cellule pour mettre dans un tableau Enfin le résultat global dans un tableau (résultat) pour redistribuer sur la grille ensuite la carte sera enregistrée La figure 4.8 illustre ce calcul et l’algorithme 3présente une implémentation.

Algorithm 3 Modèle Directe-albedo-Skyglow, calcul de l’intensité

Input :La grille de phéromone, sa hauteur, sa largeur, son intensité de cellule, intCell et une grille de données SyglowAlbedo, grilleSkyAlbedo Output :carteDirecteAlbedoSkyglow

18 for cell1 dans coucheDirecteAlbedo do

19 for cell2 dans la coucheSlyAlbedo do

20 if distance(cell1, cell2) = 0 then

21 cell1.valuel1.intCell+cell2.intCell

25 save coucheDirecteAlbedo sous le nom carteDirecteAlbedoSky

Détails

La figure 4.9est une capture d’écran à l’état initial pour la production de la carte directe- albédo Nous pouvons y lire les paramètres de simulation dans les boites à gauche, ainsi que la configuration du territoire sur la fenêtre de simulation à droite Les simulations ont toutes été réalisées à partir de la même structure spatiale Les variables d’état des agents ont toutes été initialisées de la même manière et les paramètres de simulation sont restés fixes.

Notre modèle ne possède pas de variables d’entrée qui interviennent dans la simulation Tous les paramètres sont figés et les variables d’état sont modifiées au cours de la simulation Elles dépendent uniquement du fonctionnement interne du modèle Sauf au cas d’utilisation de la carte tampon d’albédo nécessite un paramètre pour définir la valeur de l’albédo des cellules de la zone tampon.

Changement d’échelle des cartes

Une fois les deux cartes "directe-Albedo" et "Skyglow-Albedo" réalisées, nous allons produire la carte résultante "directe-Albedo-skyglow" de ces deux cartes Pour ce faire, il est nécessaire d’harmoniser les données c’est-à-dire il faut ramener les valeurs cellules sous une même échelle avant de faire la somme car leurs valeurs sont dans des intervalle différents ce qui n’est pas cohérent mathématiquement.

Pour transformer une valeur x 1 appartient à un intervalle [a, b] à une valeur x qui appartient à un intervalle[c, d] on a : x= b−a d−c (x1−a) +c

Pour notre cas, la carte "directe-Albedo" a des valeurs comprises entre0.0et 106.0, nous voulons les ramener à l’intervalle [0,10].

Et celui de la carte "Skyglow-Albedo" les valeurs sont dans l’intervalle [17.86,21.89] donc il suffit d’appliquer la formule suivante : x= 20.89−17.86 10 (x 1 −17.86)

Une fois toutes les deux cartes produisent ont des valeurs compris entre 0.0 et 10 ce qui nous permet de faire une somme de deux cartes pour avoir une carte résultante.

Résultats des simulations du modèle

Dans notre modèle, nous avons défini une carte de la pollution directe correspondant à un chargement d’une à la pollution de la lumière directe (lampadaires, phares des voitures, ), une carte albédo correspondant l’effet de l’albédo de la zone et une carte pollution skyglow correspondant à un chargement d’une carte de la pollution de halo lumineuse.

Ainsi nous avons simulés deux scénarios qui correspondent aux deux grandes états du ciel de la zone de Dombes(cf description zones d’étude) Le premier scénario correspond à une période ó le ciel est clair avec une faible de présence des nuages et le second scénario à une zone ó le ciel est nuageux c’est-à-dire une forte présence des nuages.

L’objectif est de comparer les deux scénarios sur la base de la variation de l’état du ciel par rapport aux nuages à l’échelle totale de la zone.

Avant d’exécuter ces scénarios, nous avons produit deux cartes de la zone pollué notamment une carte pollué correspondant la lumière directe et l’albédo et une carte polluée correspondant le skyglow et l’albédo.

Production de la carte directe-albédo

Figure 4.10 – production d’une carte de la pollution à partir d’une carte de la lumière directe et l’albédo

Nous remarquons ici sur la fig :4.11que les zones en rouges sont les plus contaminées par la lumière artificielle.

Figure 4.11 – identification des zones humides sur la carte polluée par la linière directe et l’albédo

Nous avons ajouté la couche des zones humides pour identifier les zones humides afin de savoir à quel point les zones humides sont menacés Nous constatons que dans cette zone la lumière directe n’est pas un compacte important sur les zones humides.

Production de la carte directe-albédo-skyglow avec le ciel clair

Figure 4.12 – production d’une carte de la pollution à partir d’une carte de la lumière directe,l’albédo et skyglow

La carte à gauche de la figure 4.12 ci-dessus montre le résultat d’une simulation de notre modèle à partir de la carte polluée par la lumière directe (Margo, carte produite suit au diagnostic réalisé en 2018), la carte l’albédo et la halos de pollution lumineuse à proximité de la zone de

Dombes dans le cas d’un ciel clair et celle de la figure4.12 de droite montre la même zone mais simulée cette fois-ci par ciel couvert.

La finalité d’une telle simulation d’un système multi-agent est d’aider à comprendre à quel point la région de Dombes est-elle exposée à la pollution lumineuse et permettre de prendre de décision pour protéger l’écosystème Plus précisément, elle nous a permis de comprendre à le degré de la pollution lumineuse atteint les zones humides de la Dombes.

L’une des principales particularités du modèle de simulation construit ici est la finesse avec laquelle le comportement spatial et contamination des zones humides par la pollution lumineuse est décrite et représentée.

L’état de l’art sur l’approche multi-agent pour modéliser la pollution lumineuse face aux zones humides est le facteur clé de cette étude A partir de l’étude de divers travaux de modélisation complémentaires et différents en termes de systèmes étudiés et de formalismes, cette revue de la littérature nous a aidé à concevoir la composante décisionnelle du modèle, à savoir quand, comment, quoi, la lumière artificielle provoque une pollution et les impacts sur l’environnement.

La méthodologie adaptée pour la réalisation de notre modèle est concluante même si elle reste beaucoup à faire En effet, celle-ci permet de soulever la complexité et montre une méthode de modélisation robuste dans un contexte ó il y a de divers facteurs et paramètres à analyser.Il est certainement difficile d’avoir à tout moment une vue d’ensemble de l’avancée du projet On remarque que celle-ci nous permet d’avancer pas à pas dans la description et la formalisation du système cible et ainsi obtenir des premières visualisations et résultats des dynamiques physiques.

S’agissant du bilan, le modèle développé sous GAMA rempli ses objectifs en termes de simulation de la pollution lumineuse telle qu’elle a été volontairement simplifiée dans le cadre du stage Les données sont simples, homogènes et organisée, le code du modèle est optimisé afin de pouvoir intégrer des données avec le moins de modifications possibles.

Du point de vue de la gestion des différents niveaux d’échelles, les recherches ne sont pas terminées, les possibilités qu’offre GAMA semblent prometteuses grâce à son couplage avec

SIG Cette interopérabilité reste néanmoins contextuelle, certaines fonctions nécessitant, en effet, un temps de calcul extrêmement long sous GAMA alors qu’ils sont quasi instantanés sous

QGIS, et vice et versa On remarque tout de même que les opérations spatiales bénéficient d’un traitement plus efficace sous QGIS que sous GAMA.

S’agissant de perspectives, deux perspectives principales nous semblent nécessaires et prio- ritaires, la première concerne l’approfondissement des potentiels d’exploration du modèle, la seconde concerne la validation du modèle.

A propos d’exploration par simulation, le modèle prend non seulement en compte le contexte de la lumière directe (lampes et les phares de véhicules), l’albédo et le halos lumineuse et à partir des cartes déjà produits mais aussi de la production des cartes lumineuses à partir des sources lumineuses (lampadaires (types de la lampe), position du point lumineux, ) et l’organisation administratives des lieux publics et les avis sociaux (l’utilisation de la lumière artificielle) Ici seul l’effet de la lumière directe et les phares de véhicules, les halos lumineuse et l’albédo a été simulé, mais nous envisageons d’utiliser ce modèle pour évaluer l’effet de la structure globale des zones sur le nombre des points lumineux, le temps d’utilisation de la lumière artificielle.

Quelques exemples de scénarios envisagés sont :

— l’étude des effets de la lumière artificielle sur les zones lorsqu’on éteint la lumière sur une partie de la zone, automatisation de l’allumage (les lumières publiques sont éteints par défaut sauf présence d’un corps) ou la réduction du temps d’utilisation de la lumière artificielle (à partir d’une heure toutes les lampes extérieures soient éteints) ;

— l’étude des effets de l’importance relatives à l’albédo par rapport aux zones humides selon les types de cultures( ma¨ıs, blé, riz, ) cultivé aux alentours ;

— l’étude des effets de la pollution lumineuse sur les amphibiens ;

A propos de validation du modèle, comme déjà intégrer le Système d’Information Géographique

(SIG) au modèle, on pourrait vérifier le réalisme des simulations et nous permettre de confronter ces simulations à des situations observées sur le terrain.

[1] Daniel David (2015) [Thèse] "Prospective Territoriale par Simulation Orientée Agent".

[2] Emmanuel Hermellin (2018) [Thèse] "Modélisation et implémentation de simulations multi-agents sur architectures massivement parallèles".

[3] INAYA LAHOUD (2012) Application au territoire du Parc Naturel Régional des Causses du Quercy "Comment prendre en compte la pollution lumineuse dans l’identification des continuités écologiques ?".

[4] INAYA LAHOUD (2013) "Un système multi-agents pour la gestion des connaissances hétérogènes et distribuées".

[5] Kravari, K and Bassiliades, N (2015) "A survey of agent platforms Journal of Artificial

[6] Margo PORTEOUS-COTÉ (2018) [Mémoire de Master 1] "Utilisation de l’analyse de visibilité pour identifier les zones humides de la Dombes exposées à l’éclairage artificiel nocturne direct".

[7] Philippe Deverchère, Sébastien Vauclair, Michel Bonavitacola (2017) [article] Contribution du mobilier urbain éclairé de la ville de Paris à la pollution lumineuse.

[8] Philippe Deverchère, Sébastien Vauclair, Michel Bonavitacola (2018) [article] "Mesure et modélisation de la pollution lumineuse".

[9] Philippe Deverchère, Sébastien Vauclair (2019) [article] "Modélisation de la pollution lumineuse à partir de données de radiance satellite".

[10] Taillandier, P., Gaudou, B., Grignard, A., Huynh, Q.-N., N Marilleau, P., P Caillou, D.,

Philippon et A Drogoul (2019) [plate-forme] Construire, composer et expérimenter des modèles spatiaux complexes avec la plate-forme GAMA Geoinformatica, (2019), 23 (2), pages 299 à 322, [doi : 10.1007 / s10707-018-00339-6]

[11] Tom Lorée (2018) [Mémoire de Master 1] "Elaboration d’une cartographie de l’albédo de la Dombes (à partir d’images satellites et de données d’occupation du sol)".

[12] TREUIL, J-P, DROGOUL, A, et ZUCKER, J-D [article] Modélisation et simulation à base d’agents : exemples commentés, outils informatiques et questions théoriques Dunod,2008.

[13] VARENNE, F, SILBERSTEIN, M, DUTREUIL, S., et al [article] Modéliser & simuler. Épistémologies et pratiques de la modélisation et de la simulation, 2013, vol 1.

[14] WOLFRAM, S [article].Les logiciels scientifiques Pour La Science, 1984.

[15] Xavier AUGUSSEAU et al (2015) [Thèse] "Des modèles et simulation spatio-temporelles comme ô Objets intermộdiairesằ pour mettre en dộbat l’ộtalement urbain à la rộunion."

BẢN NHẬN XÉT LUẬN VĂN THẠC SĨ

RAPPORT DU MEMOIRE DE FIN D'ETUDE MASTER

Về đề tài/ Sujet: Thiết kế và cài đặt mô hình đa tác tử cho phép thực hiện các mô phỏng không gian – thời gian của môi trường sống của sinh vật lưỡng cư bị phơi nhiễm với ALAN của vùng Dombes / Mise en uvre d'un modèle multi-agent permettant d'effectuer des simulations spatio-temporelles de l'exposition des habitats des amphibiens à ALAN sur la zone de la Dombes.

Ngành/Secteur: Công nghệ thông tin/Informatique

Chuyên ngành/Spécialité: Hệ thống thông minh và đa phương tiện/ Systèmes Intelligents et Multimédia

Mã số chuyên ngành/Code de la spécialité: Chuyên ngành thí điểm / Programme pilote Của học viên/Nom de l'étudiant: Brahim ALI KOREIMY

Họ và tên cán bộ phản biện/Nom du rapporteur: Nguyễn Mạnh Hùng

Cơ quan công tác/Etablissement du rapporteur: Học viện công nghệ bưu chính viễn thông, Hà Nội.

1 Tính cấp thiết, ý nghĩa lý luận và thực tiễn của đề tài luận văn / Nécessité, sens théorique et pratique du sujet de mémoire

2 Phương pháp nghiên cứu / Méthodologie de recherche

- La méthodologie de recherche est raisonnable et adaptée au problème.

3 Cơ sở lý luận và tổng quan của đề tài nghiên cứu / Fondement théorique et littérature du sujet de recherche

- Le travail du stagaire fait partie de LETG-Angers

4 Những đóng góp mới của luận văn / Apports du mémoire

5 Kết cấu, hình thức trình bày và văn phong / Structure, présentation et style

- La structure du mémoire est bien structurée

Lacunes et limites du mémoire (s'il y en a)

- Về hình thức / Sur la forme:

- Il y a des références (10/11) qui sont incompletes dans la section références.

- Il y a des citées qui ne sont pas listées dans la liste des références: Lieurain (p.4), Treuil et al (p.7), Varenne (p.8), les citées dans la page 9, 17, 21

- Il manque pas mal des images, des données qui ne sont pas citées

- Về nội dung / Sur le contenu:

- Il manque completement la partie modélisation du système en deux niveaux: modèle en général et modèle détaillé sur GAMA

7 Mức độ đạt được của công trình nghiên cứu so với yêu cầu của luận văn thạc sĩ / Conclusion générale par rapport aux exigences du mémoire de fin d'études du niveau Master

Căn cứ vào những yêu cầu của luận văn Thạc sĩ và kết quả công trình nghiên cứu được trình bày trong luận văn, tôi đồng ý cho học viên Brahim ALI KOREIMY được bảo vệ luận văn trước Hội đồng.

En me basant sur les exigences d’un mémoire de fin d’études, je donne un avis favorable à la soutenance du mémoire de fin d’études à Brahim ALI KOREIMY devant le jury.

Hà Nội, ngày tháng năm 2019

Phiếu đánh giá thực tập sinh của người hướng dẫn

Nom du stagiaire/ Tên thực tập sinh : ………

Période du stage/ Thời gian thực tập : ……… ……

Nom de l’organisme/ Tên đơn vị : ………

Ville/ Thành phố : ……… Pays/ Nước : ……….

Nom du responsable/ Người phụ trách : ……….

Téléphone/ Điện thoại : ……… Télécopie/ Fax:……….

Courrier électronique/ Thư điện tử : ……….

Cette évaluation ainsi que le mémoire de fin d’études seront utilisés par la direction des études de l’Institut

Tiêu đề	Mise en œuvre d’un modèle multi-agent permettant d’effectuer des simulations spatio-temporelles de l’exposition des habitats des amphibiens à ALAN sur la zone de la Dombes
Tác giả	Brahim Ali KOREIMY
Người hướng dẫn	LENGAGNE Thierry, chargé de recherches CNRS
Trường học	UNIVERSITÉ NATIONALE DU VIETNAM
Chuyên ngành	Informatics
Thể loại	Master Thesis
Năm xuất bản	2019
Thành phố	Hanoi

Định dạng
Số trang	73
Dung lượng	13,36 MB