Contributions to the formalization and implementation of spatial urban indices using open data : application to urban sprawl studies

Le nombre de personnes vivant dans les villes a considérablement augmenté depuis 1950, passant de 746 millions à 3,9 milliards en 2014.La croissance démographique et l'urbanisation devraient ajouter 2,5 milliards de personnes à la population urbaine mondiale d'ici 2050.Cette situation pose de nouveaux défis sur la manière de concevoir des villes qui accueillent de telles quantités de population d'une manière durable, qui devrait aborder plusieurs aspects, allant des questions économiques aux questions sociales et environnementales.Les processus urbains sont la conséquence de différents facteurs d'interaction, liés entre eux de telle sorte que le processus qui en résulte est complexe à mesurer et à comprendre.Étant donné le nombre croissant de personnes vivant dans les villes, il devient urgent de comprendre la complexité sous-jacente de ces modèles urbains.A cette fin, nous proposons dans cette thèse des outils d'aide à la décision appliqués dans le contexte de l'analyse urbaine, qui permettent d'étudier les phénomènes de mixité et d'étalement urbain.Tout d'abord, un cadre permettant de saisir la répartition spatiale de l'utilisation des terres dans les villes est présenté.En premier lieu, les données urbaines sont extraites d'OpenStreetMap.En utilisant les techniques d'estimation de la densité du noyau, des estimations de la densité d'utilisation des terres sont ensuite effectuées pour les utilisations résidentielles et les activités.Les résultats sont utilisés pour calculer les indices de développement spatial mixte.En outre, des estimations de densité pour différents types d'activités sont proposées, qui décrivent un modèle clair de localisation dans les villes en fonction de leur type.Nous fournissons les résultats des systèmes d'information géographique, qui s'avèrent être un atout, en particulier pour les urbanistes, en soutenant et en facilitant leur processus de prise de décision - surtout en comparaison relative avec les mesures agrégées.Deuxièmement, les travaux susmentionnés ont été étendus pour le calcul des indices d'étalement urbain.L'approche proposée formalise l'étalement urbain sous l'angle du développement durable, en trois dimensions : la mixité de l'utilisation des sols, la dispersion des zones bâties et l'accessibilité aux opportunités d'activités.Il en résulte un nombre gérable de dimensions, où chaque dimension est formalisée d'une manière facile à interpréter, et en particulier une pertinence par rapport aux aspects de l'étalement urbain qui entravent le développement durable.Troisièmement, nous proposons deux approches pour effectuer des estimations désagrégées de la population.Le premier exploite l'information sur les surfaces résidentielles, en supposant une consommation de surface résidentielle constante par habitant.Grâce à l'utilisation de données maillées - c'est-à-dire agrégées - sur les secteurs de recensement, une désagrégation fine est effectuée pour répartir les données démographiques dans les bâtiments.Le second consiste en un réseau neuronal entièrement convolutif qui cartographie les données de population à grain grossier à fin.Nous utilisons la base de données OpenStreetMap pour extraire un ensemble de caractéristiques urbaines qui décrivent un contexte urbain local et guident la procédure de désagrégation.Les densités de population sont estimées pour des mailles 25 fois plus petites que la résolution d'entrée, c'est-à-dire 200m par 200m.The number of people living in cities has been increasing considerably since 1950, from 746 million to 3.9 billion in 2014.The continuing population growth and urbanization are projected to add 2.5 billion people to the world's urban population by 2050.This situation brings new challenges on how to conceive cities that host such amounts of population in a sustainable way, which should address several aspects, ranging from economical to social and environmental matters.Urban processes take place as a consequence of different interacting factors, linked between them in such a way that the resulting process is complex to measure and understand.Given the increasing number of people living in cities, understanding the underlying complexity of these urban patterns is thus becoming a pressing issue.To this end, we propose in this thesis decision-support tools applied in the context of urban analysis, which allow to study land use mix and urban sprawl phenomena.In our first contribution, a framework for capturing spatial land use mix in cities is presented.In the first place, urban data are extracted from OpenStreetMap.Using Kernel Density Estimation techniques, land use density estimations are then carried out for residential and activity uses.The outputs are employed to calculate spatial mixed-use development indices.Additionally, density estimations for different activity types (i.e. commercial and industrial, leisure and amenities, and shops) are proposed.We provide fine-grained Geographic Information System outputs, which happen to be an asset particularly for urban planners, supporting and aiding their decision-making procedure -- specially in relative comparison to aggregated measures.In a second contribution, the above work was extended for calculating spatial urban sprawl indices.The proposed approach formalizes sprawl under a sustainable development angle, into three dimensions: land use mix, dispersion of built-up area, and accessibility to activity opportunities.This results in a manageable number of dimensions, where each dimension is formalized in an easy-to-interpret way, and in particular pertinence to the aspects of sprawl that impede sustainable development.In our third contribution, we propose two approaches for performing disaggregated population estimates.The first one exploits information on residential surfaces, assuming a constant residential surface consumption per-capita.By means of employing gridded -- i.e. aggregated -- census tract data, a fine disaggregation is carried out to distribute population count data into buildings.The second one consists of a fully convolutional neural network that maps coarse-grained to fine-grained population data.We use the OpenStreetMap database to extract a set of urban features which describe a local urban context and guide the disaggregation procedure.Population densities are estimated for grid-cells 25 times smaller than the input resolution, i.e. 200m by 200m