Introduction
Il n'est pas surprenant qu'identifier les emplacements idéaux pour la construction d'un nouveau parc éolien ne soit pas aussi simple que de trouver le terrain vague le plus proche, dépourvu d'éolienne imposante. En réalité, identifier les emplacements les plus adaptés nécessite de connaître une multitude de caractéristiques propres au site concerné. Certaines sont d'ordre réglementaire : « Sommes-nous suffisamment éloignés de la ville la plus proche ? », « Quel est le degré de protection naturelle prescrit pour cette zone ? ». D'autres sont d'ordre pratique : « Le terrain est-il constructible ? », « Cette zone reçoit-elle suffisamment de vent pour rentabiliser une nouvelle éolienne ? ». Répondre avec précision à ces questions, conformément aux exigences des principales parties prenantes, est une condition préalable à la réussite de tout projet de construction d'envergure. Dans le cadre de ce projet, nous avons exploité les données climatiques, l'imagerie d'observation de la Terre et la réglementation afin d'identifier efficacement les zones de Salzbourg répondant à un ensemble de critères prédéfinis. Cet exemple illustre l'exploitation du big data dans un cas d'usage concret et donne un aperçu des nombreux éléments à prendre en compte à chaque étape du processus.
Source des données
Naturellement, la première étape de toute tâche visant à exploiter des jeux de données géospatiales pour répondre à une question pratique ou commerciale est l'approvisionnement des données. Comme tout data scientist le sait, c'est l'étape la plus cruciale : chaque problème qui en découle découle en fin de compte des décisions/choix effectués. Lors du développement d'une solution pour une application commerciale, il est particulièrement important que les données obtenues soient non seulement exactes, mais aussi idéalement certifiées par les autorités compétentes. Une carte détaillée des informations de zonage, par exemple, n'a aucune valeur si elle ne peut être certifiée comme provenant directement de l'autorité compétente. C'est pourquoi les sources de données officielles sont extrêmement précieuses, car elles fournissent non seulement les informations de terrain nécessaires, mais aussi la légitimité des conclusions ou prévisions qui en découlent. Dans le cadre de ce projet, le Bundesamt für Eich- und Vermessungswesen (Office fédéral de métrologie et de topographie) d'Autriche, ainsi que la ressource Open Government Data (OGD) fournie par le Land de Salzbourg, ont constitué une excellente base pour le développement de notre étude foncière exploitable sur les parcs éoliens.
Tirer parti des connaissances
Comme mentionné précédemment, l'identification des sites idéaux pour la construction de nouveaux parcs éoliens repose sur un ensemble de critères quantifiables qui permettent de caractériser binairement une zone d'intérêt donnée (« adaptée à la construction d'un parc éolien », « inadaptée à la construction d'un parc éolien »). Ainsi, le non-respect de l'un de ces critères entraînerait l'exclusion de la zone de toute analyse ultérieure. Cette méthodologie permet d'établir un système de classification simple et rapide pour déterminer l'aptitude d'une région à la construction d'un parc éolien.
La mise en œuvre du processus décrit ci-dessus peut être décomposée comme suit :
Tout d'abord, chaque critère a été associé à une source de données fournissant suffisamment d'informations de base pour répondre positivement ou négativement à la question. Ensuite, pour chaque critère, les informations de base associées ont été traitées afin de classer l'adéquation de chaque région de Salzbourg par rapport au critère en question. Une couche vectorielle a ainsi été générée pour chaque critère, classant les zones de Salzbourg en régions « adaptées » ou « inadaptées ». Nous allons maintenant examiner rapidement la génération de deux de ces couches.
Identification des zones résidentielles
L'un des critères clés à respecter pour la construction d'un nouveau parc éolien est sa distance appropriée par rapport aux grandes zones résidentielles. Ce critère est indispensable dans la plupart des régions, en raison de la réglementation gouvernementale en vigueur pour répondre aux préoccupations en matière de pollution sonore, d'urbanisme et d'impact visuel de ces installations. L'utilisation de données de terrain provenant du Bundesamt für Eich- und Vermessungswesen constitue un bon point de départ pour tenter de générer une couche appropriée segmentant Salzbourg en zones définies selon leur pertinence par rapport à ce critère.
Comme on peut le constater dans ce cas, les données de terrain se composent de plusieurs polygones correspondant à des structures existantes dans le Land de Salzbourg. Cela constitue un point de départ prometteur, mais plusieurs questions doivent encore être résolues afin de transformer ces données en une couche de classification binaire appropriée. Par exemple, comment faire une distinction significative entre une ville, apparaissant ici comme un regroupement serré de polygones, et deux maisons isolées dans un champ ? Dans ce cas, nous avons utilisé l'algorithme Density-Based Spatial Clusterring, qui fournit une classification intuitive, basée sur la densité, d'une zone en « résidentielle » ou « non résidentielle », en fonction de la densité de ces polygones structurels et de leur nombre de voisins. Ainsi, nous pouvons par exemple obtenir la classification suivante.
Identification des régions de niveau
Un autre critère important pour tout projet de construction est la qualité du terrain. En règle générale, les projets de construction doivent être construits à niveau afin de fournir des fondations adéquates à la structure prévue. Au-delà d'une certaine pente, les coûts de nivellement deviennent prohibitifs pour la faisabilité du projet. Heureusement, des données raster open source, issues de relevés laser, sont disponibles à une résolution de 5 m.
Dans ce cas, puisqu'il s'agit de données raster et non vectorielles, la conversion de cette couche en un masque de classification binaire est légèrement plus complexe. Pour ce faire, nous avons défini un angle seuil au-delà duquel un point d'intérêt était considéré comme « trop raide ». L'interrogation des données raster pour toutes ces régions, leur extraction en vecteurs avec OpenCV et le seuillage des zones extraites nous ont permis d'obtenir la classification souhaitée.
Conclusion
Après avoir extrait avec succès un masque de classification binaire pour chacun des critères définissant l'aptitude d'une région à la construction d'un parc éolien, il suffit de combiner tous les masques de classification en un seul. Les régions obtenues sont les régions optimales, telles que déterminées par les données officielles de terrain fournies par le gouvernement du Land de Salzbourg et le gouvernement fédéral autrichien. Une véritable découverte !