Modéliser l’incertitude dans la connaissance des systèmes spatiaux. L’apport des Réseaux Bayésiens

Giovanni FUSCO (UMR ESPACE, Nice)

2ème Table Ronde « Démarches, méthodes et approches de la connaissance incertaine », Nice, 28 juin 2013, MSHS Sud-Est, Saint-Jean d’Angély 3, Projet « Faire Science avec l’Incertitude », Axe 4 : « Territoires, systèmes techniques et usages sociaux »

Résumé :


Dans cette présentation, je souhaiterais d’abord présenter les grandes lignes d’une typologie de l’incertitude dans la connaissance géographique (incertitude sémantique vs. Incertitude syntaxique) ainsi qu’une classification des niveaux d’incertitude dans la connaissance scientifique en général. Ensuite, je montrerai dans quelle mesure les différents types d’incertitudes peuvent être modélisés par le formalisme des Réseaux Bayésiens. Finalement, seront présenté une série de recherches conduites à ESPACE en géographie humaine et mobilisant le formalisme des Réseaux Bayésiens.

            La conceptualisation de l’univers géographique part de la position du géographe américain B. Plewe (2002). Pour cet auteur, toute entité géographique est situé dans un univers tridimensionnel fait d’espace, de temps et d’attributs thématiques. Pour dépasser cette vision de géographie descriptive et parvenir à une géographie explicative, je propose de rajouter une quatrième dimension à l’univers géographique, celle des relations qui lient entre elles plusieurs entités définies sur les axes espace-temps-thème. Cette vision élargie de l’univers géographique nous permet également d’opérer une différenciation dans la nature (sémantique ou syntaxique) de l’incertitude qui caractérise les éléments de la connaissance géographique.

            En ce qui concerne la classification des niveaux d’incertitude dans la connaissance scientifique en général, plusieurs auteurs (Taleb 2008, Walker et al. 2010, Kwakkel et Pruyt 2011, Stirling 2010) ont proposé l’existence de niveaux gradués d’incertitude entre les deux extrêmes de la connaissance certaine et de l’ignorance complète. Les concepts différemment définis de shallow, medium et deep uncertainty (incertitude faible, moyenne et profonde) renvoient également à des méthodologies différentes dans le traitement des connaissances incertaines.

            Sur la base de ces conceptualisations, je présenterais les Réseaux Bayésiens (Pearl 2000, Jensen 2001, Nicholson et Korb 2004) en tant que solution de modélisation à base de connaissances incertaines des systèmes spatiaux, dans un contexte d’incertitudes faibles ou moyennes. Technique de modélisation au croisement entre les statistiques multivariées et l’intelligence artificielle, les Réseaux Bayésiens se fondent sur une approche probabiliste subjective : les probabilités sont des paramètres susceptibles de mise à jour (théorème de Bayes), caractérisant l’état de nos connaissances sur le système étudié, plutôt que des caractéristiques objectives qui lui sont inhérentes. La structure (ensemble de relations qualitatives) et les paramètres (valeurs quantitatifs des fonctions de probabilités) d’un Réseau Bayésien se prêtent ainsi particulièrement bien à modéliser l’incertitude syntaxique dans la connaissance d’un système spatial. Les probabilités marginales caractérisant chaque élément du système sont en revanche une bonne modélisation de l’incertitude sémantique sur les entités du système spatial. Plus particulièrement, ces incertitudes marginales peuvent prendre en compte la propagation d’éléments de connaissance certaine, incertaine (probabilités, vraisemblances) ou même contradictoire, grâce précisément à la modélisation à syntaxe incertaine. Seront également évoquée les ouvertures méthodologiques consistant à l’hybridation des Réseaux Bayésiens avec d’autres approches dépassant la seule théorie des probabilités (logique floue, théorie des évidences).

            Depuis désormais 10 ans les chercheurs d’ESPACE, et l’auteur de cette contribution en première ligne, conçoivent des protocoles de recherche à l’aide des Réseaux Bayésiens. Ailleurs, les Réseaux Bayésiens ont été d’abord utilisés dans les aspects les plus techniques de la géographie physique (télédétection, modélisation du risque hydraulique, sismique et incendie) dès les années 90. À ESPACE, ce sont en revanche des thématiques de géographie humaine, et plus précisément de géographie urbaine et de la santé qui ont été abordé par l’approche des Réseaux Bayésiens. Seront ainsi rapidement présenté des applications, à différentes échelles, dans les domaines de l’interaction ville/transports/environnement, de la métropolisation des territoires, des comportements résidentiels et des mobilités des populations, de la géoprospective territoriale d’une métropole touristique littorale (Fusco 2004, 2008, 2010, 2012, Fusco et Scarella 2012). Ces recherches ont mis en place différents types d’applications de la modélisation de connaissances incertaines : découverte de connaissances causales probabiliste, inférence probabiliste, classification bayésienne avec variables non observables, construction et évaluation probabiliste de scénarios.

Bibliographie


– FUSCO G., 2004, Looking for Sustainable Urban Mobility through Bayesian Networks, Cybergeo, n° 292, http://cybergeo.revues.org/2777, 22 p.

– FUSCO G., 2008, Spatial Dynamics in the Coastal Region of South-Eastern France , in O. Pourret, P. Naïm. B.G. Marcot (Eds.), Bayesian Networks: A Practical Guide to Applications, New York, John Wiley & Sons, p. 87-112.

– FUSCO G., 2010, Handling Uncertainty in Interaction Modelling in GIS: How will an Urban Network Evolve?, in H. Prade, R. Jeansoulin, O. Papini, S. Schockaert (Eds.) Methods for Handling Imperfect Spatial Information, Berlin, Springer, p. 357-378.

– FUSCO G., 2012, Démarche géo-prospective et modélisation causale probabiliste, Cybergéo, n° 613, http://cybergeo.revues.org/25423, 23 p.

– FUSCO G., Scarella F., 2012, Looking for socio-geographic profiles from survey data: the case of home ownership in the French Riviera, 15th AGILE International Conference on Geographic Information Science, Avignon, April 25th-27th 2012, 6 p.

– JENSEN F.V., 2001, Bayesian Networks and Decision Graphs, New York, Springer.

– KORB K.B., NICHOLSON A.E., 2004, Bayesian Artificial Intelligence, Boca Raton, FA, Chapman & Hall

– KWAKKEL J., PRUYT E.,2011, Exploratory Modelling and Analysis: an approach for model-based foresight under deep uncertainty, Fourth International Seville Conference on Future-Oriented Technology Analysis, Seville, May 12th-13th 2011.

– PEARL J., 2000, Causality – Models, Reasoning and Inference, Cambridge, Cambridge University Press.

– PLEWE B., 2002, The Nature of Uncertainty in Historical Geographic Information, Transactions in GIS, 6(4), p. 431-456.

– STIRLING A., 2010, Keep it complex, Nature, vol. 468, p. 1029-1031.

– TALEB N. N., 2008, The Fourth Quadrant: a Map of Limits of Statistics, Edge Foundation, 17 p.

– WALKER W., LEMPERT R., KWAKKEL J., 2010, Deep Uncertainty, in S.I. Gass, M. Fu (Eds.) Encyclopaedia of Operations Research and Management Science, Berlin, Springer

 

 

Share Button