Cartographier l'histoire -- Que peuvent nous apprendre les cartes historiques sur le développement urbain? – MAPHIS (ES\T010371\1)

Ce projet de recherche développe de nouvelles méthodes inter-disciplinaires permettant l'extraction de l'information de cartes historiques afin d'étudier l'évolution de l'utilisation des sols et la croissance urbaine sur le long terme. Plus spécifiquement, (i) nous ferons appel à des techniques d'imagerie et de photogrammétrie pour extraire l'information sur l'utilisation des sols contenue dans les cartes historiques, (ii) nous utiliserons des algorithmes de reconnaissance pour détecter des objets d'intérêt, noms de rues et labels, pouvant ensuite être appariés à des bases de données tels les recensements. Ces approches fourniront une image détaillée des changements de la structure socio-économique et de l'organisation des villes et permettront d'en comprendre les déterminants.

Quelques tentatives récentes montrent que les cartes historiques à haute résolution contiennent de l'information extrêmement pertinente. Les micro-détails de ces cartes peuvent être systématiquement exploités avec l'aide (a) des avancées récentes en machine learning, (b) des nouvelles méthodes de délimitation des zones urbaines (de Bellefon et al., 2019), et (c) du développement récent d'outils analytiques en économie géographique (Redding et Rossi-Hansberg, 2017). A notre connaissance, notre projet est la première tentative de (i) digitaliser des cartes historiques avec une aussi large couverture temporelle et spatiale, (ii) montrer systématiquement la puissance des méthodes de reconnaissance automatisée pour les cartes historiques, et (iii) établir une image quasi complète de la structure urbaine et socio-économique des villes, régions et pays pour trois environnements socio-économiques distincts - la France, l'Angleterre et le Pays de Galles, et l'Amérique du Nord (Toronto et Montréal) - et sur plusieurs siècles.

Notre recherche permettra une avancée de la connaissance en sciences sociales via le développement de trois méthodologies innovantes :

I. Une approche de machine learning combinée à des techniques d'imagerie à la frontière de la connaissance afin d'extraire les types d'utilisation des sols des cartes historiques de France pour 1750, 1850 et 1950 ;

II. Un algorithme de reconnaissance pour détecter, labelliser et géo-localiser des points d'intérêt sur des images haute qualité de centres urbains (22,000 cartes de l'Ordnance Survey couvrant les 70 plus grandes zones industrielles d'Angleterre et Pays de Galles, 1870-1960, et des cartes de risques d'incendie pour Toronto/Montréal);

III. Un algorithme de géo-localisation des fiches du micro-recensement d'Angleterre et Pays de Galles (1851-1911) et des registres de commerce, combinant les informations obtenues à celle de cartes.

Ces nouvelles méthodes permettront de dépasser de nombreuses limites liées à l'utilisation de cartes historiques faites à la main et permettront de puiser dans une source d'information historique sous-exploitée. Elles contribueront à la connaissance sur le développement urbain de long terme et permettront de générer:

IV. Des cartes vectorisées haute résolution de la France (1750-1950), des villes d'Angleterre et du Pays de Galles (1870-1960), de Toronto et Montréal (1876-1975);

V. Un modèle dynamique de développement urbain testé sur les données des localisées créées prenant en compte la persistance du stock de bâti et les changements de déterminants de la localisation au cours du temps, de l'agriculture à l'industrie puis aux services, l'ensemble étant motivé par l'établissement préalable de nouveaux faits stylisés couvrant 250 années de croissance urbaine en France;

VI. Une analyse de l'impact de long terme de la pollution atmosphérique sur les centres urbains et leur périphérie en Angleterre et au Pays de Galles (1870-1960);

VIII. Une étude théorique et empirique de la croissance horizontale et verticale de Toronto et Montréal identifiant les déterminants du développement physique de ces deux villes sous influence anglaise et française.