Modélisation et calibration ajustement du Urban Growth Moland Model

Modélisation et Calibration Ajustement du Urban Growth Moland Model

Détermination de l’aire de la modélisation

En 2000, l’aire d’étude globale soumise à la modélisation est égale à 1 région d’étude, 3 Etats, 183 communes et 558 114 cellules réparties en 19 classes d’occupation du sol (cf. figure.3.1). La délimitation de l’aire réelle de la modélisation (cf. figure 3.2) est basée sur les territoires urbains susceptibles d’abriter les futures gares TGV à l’horizon 2020. Ces villes sont Cannes et Nice du côté français et Vintimille du côté italien (dans une perspective de desserte du projet de transport LGV PACA de la frontière italienne). Toutefois, l’aire réelle de la modélisation a été volontairement étendue aux communes voisines de Cannes, Nice et de Vintimille, dans la perspective de pouvoir détecter l’effet de diffusion des phénomènes susceptibles d’émerger au lendemain de la mise en service de la LGV PACA. Avec 183 communes au total réparties sur une superficie d’environ 4262,64 km² et une population totale en 1999 de 1 190 819 habitants, l’aire de la modélisation regroupe la totalité des communes de la « bande côtière », c’est-à-dire du littoral et du moyen pays, soit environ 133 communes sur les 163 que compte le département des Alpes-Maritimes et 32 sur tel-00569939, version 1 – 25 Feb 2011 Modélisation et Calibration Ajustement du Urban Growth Moland Model à l’espace transfrontalier franco-italo-monégasque 164 les 67 que compte la province d’Imperia. Dix-huit petites communes de montagne du département du Var frontalières des Alpes-Maritimes, viennent compléter l’aire d’étude. Ces petites communes du Var jouxtant l’agglomération cannoise enregistrent en 1999 des densités de population faibles, variant entre 1,47 habitants au km2 pour la commune de Val-deChalvagne et 153 habitants au km2 pour la commune de Fayence. Ces communes représentent moins de 1% des 898 441 habitants que compte la population du département du Var en 1999. 

La construction du modèle

Des contraintes d’ordre méthodologique et/ou technique

Il existe quatre contraintes d’ordre méthodologique qu’il faut prendre en compte pour assurer le bon fonctionnement du modèle. Il s’agit : (1) de la question de l’harmonisation des données d’entrée du modèle (inputs). En effet, pour garantir le bon fonctionnement du modèle, toutes les données d’entrée doivent au moins être disponibles pour plusieurs dates. Le modèle exige une année de base 1 (année historique de référence représentant le passé) et une année de base 2 (année représentant le présent, la réalité actuelle). De préférence, 10 à 15 années doivent séparer ces deux années de référence afin de mieux évaluer l’évolution du système étudié. (2) Les données doivent être strictement comparables. Ce qui constitue une difficulté majeure dans un contexte transfrontalier, où la question de la disponibilité et de l’harmonisation des données est plus qu’ailleurs une limite. Ceci explique donc d’exclure certaines informations comme les « zoning statuts ». Les « zoning statuts » sont les politiques qui visent à réguler l’aménagement urbain des villes. En France, elles existent sous forme de PLU, de DTA, de SCOT, etc. En Italie, elles sont connues sous le nom de piani regolatori ou du PTCP (Piano Territoriale di Coordinazione del Paesaggio). Les « zoning statuts » sont l’exemple type de données non comparables et non exploitables directement car, selon le pays, les objectifs fixés sont différents et l’échelle de réalisation des documents n’est pas la même. À ce titre, en France, les PLU sont réalisés à l’échelle des villes/quartiers (UMR ESPACE, 2004) et en Italie, les informations les plus exhaustives et certainement les plus « fiables » se situent plutôt à l’échelle des provinces. Mais plus encore, les programmes de régulation (documents d’aménagements divers) s’ils sont logiques (parce que s’inscrivant dans un contexte de protection de l’environnement et du développement durable), sont loin d’être efficaces car leur application reste limitée. Souvent en effet, nombre de ces documents d’aménagement sont en total décalage avec la réalité. Une raison suffisante pour ne pas introduire un document d’aménagement, existant certes, mais inopérant dans le modèle au risque de rendre encore plus incertains les résultats des différentes prévisions futures. Aussi, au moment d’intégrer ce type de document dans le processus de la simulation, le modélisateur se doit de se demander si la réalité de l’espace est effectivement traduite par les documents d’aménagement en tant que tels. Le facteur « zoning statut » représenté par la fonction Z t ,, yxk de la règle de transition (cf. l’Équation 3) quand il n’est pas intégré dans le processus de calibration du modèle est égal à 1. En revanche, quand il est une composante des entrées principales du modèle, il est calé avec chacune des différentes classes d’occupation du sol. (3) Les données d’entrée doivent être identiques en taille (c’est-à-dire couvrir la même aire/échelle spatiale), en résolution et en origine/source. Autrement dit, elles doivent être enregistrées dans une base de données commune et couvrir complètement l’ensemble de la région étudiée. Pour répondre à cette exigence du modèle, nous avons mobilisé la base de données de Corine Land Cover pour l’occupation du sol, la base de données GISCO, pour les informations relatives à la population par exemple, la base de données Télé-Atlas Europe pour les informations relatives au réseau de transport, et la base de données Digital Elevation Model (DEM) ou Modèle Numérique de Terrain (MNT) qui représente la topographie d’une surface terrestre donnée. Un DEM peut couvrir différentes échelles spatiales, depuis la couverture globale de la plus petite échelle, jusqu’à la couverture locale à la plus grande échelleLe DEM formule de façon quantitative les caractéristiques physiques d’un territoire en fournissant des informations détaillées et spatialisées permettant de visualiser le profil topographique du terrain étudié. Les différentes bases de données mobilisées lors de l’étape de la calibration du modèle ont en commun d’être harmonisées de la plus petite à la plus grande échelle. Elles ont pour avantage de couvrir toute l’Europe et donc de répondre aux exigences d’une thématique transfrontalière. (4) La dernière exigence du modèle porte sur les données d’usage des sols qui doivent être modélisées au niveau cellulaire (à l’échelle micro du modèle). 

Les inputs du modèle

La construction des données d’entrées du modèle peut être déclinée en quatre grandes étapes. Dans une première étape, nous avons pris en considération les quatre contraintes majeures du modèle décrites dans la section précédente (cf. section, 3.2.1). Dans une seconde étape, nous nous sommes appuyée fortement sur les résultats issus du retour d’expérience du TGV (cf. partie 1 chapitre 3) et du diagnostic spatial transfrontalier (cf. partie 1 chapitre 2) qui a montré l’importance des contraintes physiques, les fortes relations spatiales entre la France, la Principauté de Monaco et l’Italie en dépit de la présence de la frontière, ainsi que les enjeux de l’urbanisation et de l’accessibilité de cette région transfrontalière, préfigurant les hypothèses suivantes : les effets du TGV sur la croissance urbaine et sur l’accessibilité du territoire à partir de 2020. Dans une troisième étape, nous avons procédé à une collecte de l’information disponible. Cette phase est complexe car elle nous amène à résoudre différentes questions : les questions relatives à la disponibilité des données et plus largement les questions relatives à l’harmonisation des informations entre la France et l’Italie, les questions afférentes à l’échelle et à la taille des cellules, mais aussi la question de la crédibilité des informations concernant le tourisme et les réglementations urbaines. Sur la base des trois premières étapes, la quatrième et dernière étape porte sur la validation de la fiabilité des entrées définitives du modèle, phase primordiale à prendre en compte pour l’assurance d’une bonne calibration. Quatre facteurs principaux constituent les entrées du modèle. Le premier facteur est l’occupation du sol (basée sur la classification de Corine Land Cover) à différentes dates. C’est au niveau de l’occupation du sol que se situent les vraies interactions spatiales et par conséquent donc, que se situent les effets de voisinages entre différentes catégories de classes d’occupation du sol. Le second facteur est le facteur suitability (ou adaptabilité du territoire) calculé au moyen du Digital Elevation Model (DEM) à partir d’une résolution de 100 m. De cette résolution est produite l’inclinaison des pentes (the steepness of slope) en pourcentage. Pour obtenir ensuite ce que l’on nomme les « suitability maps », les données relatives à l’aspect physique du territoire sont croisées avec les données d’occupation du sol. En effet, le facteur suitability est la probabilité d’apparition des cellules, en fonction de la pente de chaque cellule/classe d’occupation du sol dans l’ensemble de l’espace cellulaire. C’est ce facteur qui va permettre d’évaluer l’impact du déterminisme physique (l’inertie spatiale en quelque sorte) sur l’évolution de la croissance urbaine. Le troisième facteur est le réseau de transport qui va nous permettre d’évaluer l’accessibilité (cf. figure 3.3.). Le dernier facteur est le paramètre de perturbation aléatoireα . À travers ce facteur, c’est une « chaîne de hasard » qui est introduite dans le modèle car, un modèle ne pouvant tout prévoir, les interactions et rétroactions entre éléments du système, les « entrelacs » des causes et des effets produits par l’effet de voisinage, vont être la source de phénomènes spatiaux émergents, totalement inattendus.