{"id":4685,"date":"2016-06-10T07:45:40","date_gmt":"2016-06-10T05:45:40","guid":{"rendered":"https:\/\/www.etalab.gouv.fr\/?p=4685"},"modified":"2016-06-23T10:51:21","modified_gmt":"2016-06-23T08:51:21","slug":"opensolarmap","status":"publish","type":"post","link":"https:\/\/preprod.etalab.gouv.fr\/opensolarmap","title":{"rendered":"[:fr]OpenSolarMap : l’alliance du crowdsourcing et des data-sciences au service de la connaissance g\u00e9ographique[:]"},"content":{"rendered":"[:fr]\n
Quel est le potentiel d’installation de panneaux solaires du parc immobilier fran\u00e7ais ? Quel est le pourcentage de toitures qui pr\u00e9sentent une surface plate susceptible d’\u00eatre v\u00e9g\u00e9talis\u00e9e ?… : de nombreuses questions, li\u00e9es \u00e0 des enjeux\u00a0\u00e9conomiques majeurs, b\u00e9n\u00e9ficieraient d’une connaissance pr\u00e9cise du territoire fran\u00e7ais qui n’existe pas toujours.\u00a0<\/strong><\/em><\/p>\n Le projet OpenSolarMap,<\/span> visant notamment \u00e0 calculer le potentiel \u00e9nerg\u00e9tique des b\u00e2timents et d\u00e9velopp\u00e9 de fa\u00e7on it\u00e9rative,\u00a0est la\u00a0preuve que cette information peut \u00eatre enrichie\u00a0avec des moyens modestes, en combinant\u00a0astucieusement les leviers du crowdsourcing et des data-sciences.<\/strong><\/em><\/p>\n OpenStreetMap<\/a> est un projet de cartographie collaborative am\u00e9lior\u00e9 chaque jour par des milliers de contributeurs b\u00e9n\u00e9voles. La couverture du territoire fran\u00e7ais est d\u00e9j\u00e0 excellente pour les \u00e9l\u00e9ments g\u00e9ographiques et les infrastructures les plus importants, mais certaines informations sont encore tr\u00e8s incompl\u00e8tes. C’est par exemple le cas de la forme et de l’orientation des toitures des b\u00e2timents.<\/p>\n Ces donn\u00e9es, via l’\u00e9valuation du potentiel en \u00e9nergie solaire, sont\u00a0susceptibles d’int\u00e9resser toute la fili\u00e8re de l’\u00e9nergie solaire. OpenSolarMap pr\u00e9sente le moyen, enti\u00e8rement constitu\u00e9 de code libre, de\u00a0produire cette information.<\/p>\n Afin d’identifier le b\u00e2ti\u00a0propice \u00e0 l’installation de panneaux solaires, il s’est agi de\u00a0classer les\u00a0toitures dans l’une des quatre\u00a0cat\u00e9gories suivantes:<\/p>\n Le point de d\u00e9part a \u00e9t\u00e9\u00a0l’analyse spatiale des emprises de b\u00e2timents pr\u00e9sents dans OpenStreetMap. Les toitures qui n’ont pas une orientation align\u00e9e avec les points cardinaux sont \u00e9limin\u00e9es par un premier filtre utilisant les donn\u00e9es du cadastre. En effet, le cadastre donne la position des murs ext\u00e9rieurs mais pas la position du fa\u00eete.\u00a0Puis c’est l’image satellite du territoire gracieusement fournie par Mapbox<\/a>\u00a0qui permet d’attribuer un b\u00e2timent dans une des quatre classes.<\/p>\n Une telle\u00a0t\u00e2che se pr\u00eate bien \u00e0 la\u00a0ludification<\/a>. Christian Quest, d’OpenStreetMap France, imagine alors une interface de contribution simple d’utilisation et ouverte \u00e0 tout le monde.<\/p>\n L’id\u00e9e pla\u00eet au jury du concours\u00a0Open PACA qui lui accorde le prix de la cat\u00e9gorie \u00ab\u00a0Id\u00e9e \/ Concept\u00a0\u00bb en septembre 2015.\u00a0Il concr\u00e9tise l’id\u00e9e lors du Climate Change Challenge en novembre 2015, avec l’aide d’un d\u00e9veloppeur rencontr\u00e9 lors de l’\u00e9v\u00e9nement :\u00a0opensolarmap.org<\/a>.<\/p>\n Avec plus de\u00a0100.000 contributions recueillies en moins de 3 semaines, un syst\u00e8me de vote permet de classer avec certitude plus de\u00a010.000 b\u00e2timents<\/strong>. Les contributions anonymis\u00e9es sont librement accessibles sur la plateforme data.gouv.fr<\/a>.<\/p>\n Cet \u00e9chantillon recueilli \u00e0 partir des contributions crowdsourc\u00e9es a alors permis d’entra\u00eener un classifieur automatique :\u00a0<\/strong>un programme informatique qui, une fois entra\u00een\u00e9 sur un nombre suffisant d’exemples,\u00a0est capable de rendre des avis corrects sur de nouveaux cas.<\/p>\n Parmi les nombreux types de classifieurs adapt\u00e9s aux images, Michel Blancard, Datascientist chez Etalab, a\u00a0alors choisi d’utiliser un r\u00e9seau de neurones. Les r\u00e9seaux de neurones sont une m\u00e9thode d’apprentissage automatique qui donne d’excellentes performances sur un large domaine de probl\u00e8mes et plus particuli\u00e8rement en traitement d’images. Il en existe de nombreuses impl\u00e9mentations libres, rapides\u00a0\u00e0 prendre en main et efficaces. Pour ces raisons, les r\u00e9seaux de neurones constituent souvent une solution id\u00e9ale, tant pour obtenir rapidement des r\u00e9sultats satisfaisants que pour \u00e9laborer soigneusement une solution repoussant l’\u00e9tat de l’art.<\/p>\n Au prix d’un modification mineure du r\u00e9seau de neurones VGG16 (Universit\u00e9 d’Oxford)<\/a>, les r\u00e9sultats obtenus sont corrects dans 80% des cas. Une estimation de la certitude des r\u00e9sultats permet d’ignorer\u00a0au besoin les r\u00e9sultats trop incertains. Le code du r\u00e9seau de neurone adapt\u00e9 est lui aussi libre<\/strong>, accessible sur github<\/a>, ce qui permet \u00e0 chacun de repartir de ce travail pour proposer une am\u00e9lioration des r\u00e9sultats actuels.<\/p>\n Le temps de traitement pour une image de toit est d’environ une seconde pour un processeur. Pour traiter les 48 millions de toitures r\u00e9f\u00e9renc\u00e9es par le cadastre, le temps de calcul est donc de 4 mois sur un ordinateur personnel disposant de 4 c\u0153urs ou de 2 semaines sur un ordinateur puissant disposant de 32 c\u0153urs. Nul besoin de disposer de mat\u00e9riel sp\u00e9cialis\u00e9 pour profiter des derni\u00e8res avanc\u00e9es en data-sciences ! De plus, avec une carte graphique il serait possible de r\u00e9duire de beaucoup ce temps de calcul.<\/p>\n Ces r\u00e9sultats seront revers\u00e9s sur le projet OpenStreetMap<\/a> afin d’\u00eatre librement accessibles \u00e0 tous. Le code source de la plateforme de crowdsourcing et du classifieur automatique est h\u00e9berg\u00e9 sur la plateforme GitHub<\/a>. Il est possible d’en savoir plus sur la partie datasciences\u00a0du projet sur le blog de l’AGD<\/a>.<\/p>\n Ces m\u00e9thodes sont susceptibles d’\u00eatre r\u00e9pliqu\u00e9es dans toute un vari\u00e9t\u00e9 de cas pour compl\u00e9ter la connaissance de l’information g\u00e9ographique, et d’am\u00e9liorer ainsi certaines politiques publiques : classification\u00a0\u00e0 partir d’images des toitures pour des emplacements pour\u00a0panneaux de solaires, pour\u00a0jardins urbains, optimisation dans le domaine des\u00a0transports en ville (zebra de bus…)<\/p>\n[:]\n","protected":false},"excerpt":{"rendered":" [:fr] Quel est le potentiel d’installation de panneaux solaires du parc immobilier fran\u00e7ais ? Quel est le pourcentage de toitures qui pr\u00e9sentent une surface plate susceptible d’\u00eatre v\u00e9g\u00e9talis\u00e9e ?… : de nombreuses questions, li\u00e9es \u00e0 des enjeux\u00a0\u00e9conomiques majeurs, b\u00e9n\u00e9ficieraient d’une connaissance pr\u00e9cise du territoire fran\u00e7ais qui n’existe pas toujours.\u00a0 Le projet OpenSolarMap, visant notamment \u00e0 …<\/p>\n<\/p>\n
Classer les toitures en quatre cat\u00e9gories<\/h1>\n
\n
Une\u00a0interface de crowdsourcing addictive<\/h1>\n
Un\u00a0r\u00e9seau de neurones pour les 99% restants<\/h1>\n