Google Street View : l’IA estime l’âge et la surface des bâtiments

Une façade raconte davantage qu’elle n’en montre. Sa forme, ses fenêtres, son implantation, son style architectural ou encore les indices laissés par une rénovation peuvent renseigner sur un bâtiment. Des chercheurs de l’Université de Toronto ont voulu exploiter ces signaux visuels à grande échelle : leur intelligence artificielle analyse des images de Google Street View pour estimer l’âge et la surface de constructions, deux données précieuses mais souvent incomplètes dans les inventaires urbains.

L’ambition est concrète. Mieux connaître le bâti existant aide les villes à anticiper les besoins en infrastructures, à comprendre quels matériaux sont déjà présents dans leurs quartiers et à estimer l’empreinte carbone associée à la construction. Publiés dans le Journal of Industrial Ecology, ces travaux proposent une manière moins coûteuse de dresser ce portrait urbain, sans devoir envoyer des enquêteurs examiner chaque immeuble.

Ce que l’IA peut déduire d’une façade

Le principe ne consiste pas à voir à travers les murs. L’algorithme ne découvre pas directement l’année de construction inscrite dans un registre, ni la surface réelle cachée derrière une porte. Il apprend plutôt à reconnaître des régularités statistiques entre l’apparence extérieure d’un bâtiment et des informations connues par ailleurs.

Une maison ancienne, un immeuble construit à une période donnée ou un bâtiment de grande taille présentent souvent des combinaisons d’indices visuels particulières : volumes, proportions, revêtements, disposition des ouvertures, densité du quartier, relation avec la rue. À partir d’exemples dont les caractéristiques sont déjà documentées, le système apprend à associer ces indices à une estimation d’âge ou de surface. Il applique ensuite ce qu’il a appris à d’autres images.

Cette nuance est essentielle. Une prédiction générée à partir d’une façade est une estimation probabiliste, pas une mesure cadastrale et encore moins une inspection du bâtiment. Une rénovation peut masquer l’âge réel d’une construction. À l’inverse, deux bâtiments semblables vus de l’extérieur peuvent avoir des surfaces ou des structures intérieures très différentes.

Des résultats de 70 % et 80 % de précision

L’équipe de Toronto a entraîné son modèle à estimer des attributs de bâtiments à partir d’images extérieures. Les résultats annoncés atteignent 70 % de précision pour la prédiction de l’âge et 80 % pour la prédiction de la surface. À l’échelle d’un bâtiment isolé, ces chiffres invitent à la prudence : une erreur peut modifier fortement l’interprétation d’un cas particulier. À l’échelle d’un quartier ou d’une ville, en revanche, des estimations cohérentes peuvent compléter utilement des données absentes ou trop coûteuses à récolter.

Shoshanna Saxe, professeure associée et membre de l’équipe, souligne l’intérêt de pouvoir prédire depuis une image extérieure des attributs qui ne sont pas immédiatement visibles. Alex Olson, co-auteur et chercheur principal, présente cette capacité d’évaluation comme un moyen important de mieux comprendre les infrastructures locales et leur usage.

Les chercheurs présentent leur étude comme une première dans ce domaine. Son apport ne tient pas seulement aux scores obtenus par le modèle. Il réside aussi dans le rapprochement entre la vision par ordinateur, l’écologie industrielle et l’urbanisme : au lieu de considérer les rues photographiées comme de simples décors numériques, la méthode les traite comme une source de données sur les ressources matérielles mobilisées par les villes.

Pourquoi l’âge et la surface sont des données stratégiques

Les villes ne sont pas seulement un assemblage de routes, de parcs et de logements. Elles forment aussi un immense stock de matériaux : béton, acier, bois, verre, briques et équipements divers. Avant même qu’un bâtiment soit utilisé, il a fallu extraire, fabriquer puis transporter ces matériaux. Les émissions liées à ces étapes sont souvent désignées sous le nom de carbone incorporé.

Connaître l’âge et la surface des constructions permet de mieux approcher ce stock. Un parc immobilier ancien, par exemple, n’appelle pas les mêmes stratégies qu’un secteur récemment développé. L’enjeu peut porter sur la rénovation, l’entretien, la réaffectation des espaces, la démolition ou le réemploi futur de matériaux. Sans inventaire suffisamment fiable, les décideurs risquent de travailler à partir de données fragmentaires ou de devoir financer des relevés très lourds.

La recherche vise ainsi à évaluer plusieurs dimensions liées entre elles : le nombre et la nature des bâtiments présents, les matériaux qui les composent, les mouvements de matériaux dans le temps et les gaz à effet de serre associés. L’IA ne remplace pas à elle seule un bilan carbone détaillé. Elle peut toutefois fournir une première couche d’information territoriale pour savoir où concentrer des analyses plus approfondies.

Une méthode qui change l’échelle et le coût des relevés

L’un des intérêts majeurs de l’approche est l’accès à des images déjà disponibles à l’échelle de nombreuses rues. Selon Shoshanna Saxe, l’équipe a investi environ 1 000 dollars pour acquérir les photos nécessaires à son travail. Réunir des données comparables par des méthodes plus classiques aurait pu coûter des millions de dollars.

Cette différence n’est pas anecdotique. Les relevés détaillés exigent normalement du temps, des déplacements, des inspections, des archives à consulter et des équipes capables d’harmoniser les informations. Ils restent indispensables lorsqu’une précision réglementaire, technique ou patrimoniale est nécessaire. Mais ils sont difficiles à multiplier sur des milliers de bâtiments.

L’exploitation d’images de rue permet donc de faire passer certaines questions urbaines à une autre échelle. Il devient plus réaliste de comparer des quartiers, d’identifier des zones où les données sont peu renseignées ou de repérer des ressources potentiellement sous-utilisées. Cette cartographie ne doit pas être confondue avec une décision automatique : elle fournit un instrument d’observation qui peut orienter le travail des urbanistes, des gestionnaires d’infrastructures et des chercheurs.

Quelles sont les limites d’une estimation à partir d’images de rue ?

Les façades ne disent pas tout. Une photographie peut être ancienne, prise sous un angle peu favorable ou montrer un bâtiment partiellement caché par des arbres, des véhicules ou des constructions voisines. Les transformations du bâti compliquent également l’exercice. Une maison ancienne dotée d’un bardage récent peut visuellement ressembler à une construction plus récente. Un agrandissement, une division en logements ou une rénovation profonde peuvent modifier la surface utile sans que cela apparaisse clairement depuis la chaussée.

La fiabilité du modèle dépend aussi de la qualité de ses données d’entraînement. S’il a surtout appris à reconnaître les formes architecturales d’un territoire donné, ses résultats pourraient être moins solides dans une ville dont les styles, les matériaux ou les règles d’urbanisme diffèrent. Les résultats de 70 % et 80 % doivent donc être compris dans le cadre de l’étude, et non comme une garantie universelle pour chaque construction photographiée.

Enfin, transformer une estimation d’âge et de surface en évaluation de matériaux ou d’émissions suppose d’ajouter d’autres hypothèses et données. Les modes de construction, la composition exacte des murs et les rénovations ne peuvent pas tous être déduits d’une seule image. Pour des décisions portant sur un site précis, les archives, les diagnostics de terrain et les données administratives gardent une place déterminante.

Vie privée : que change l’analyse automatisée de Google Street View ?

Le projet porte sur des informations environnementales et architecturales, non sur l’identification de personnes. Son objectif est d’analyser les bâtiments et les infrastructures, ce qui limite les risques de traiter des données personnelles par rapport à des usages de reconnaissance individuelle.

Pour autant, le déploiement de la vision par ordinateur dans l’espace public pose des questions plus larges de gouvernance. Une image accessible au public peut contenir de nombreux éléments contextuels : adresse, état apparent d’un logement, aménagement d’une rue ou activité commerciale. Une utilisation responsable doit définir clairement les finalités de l’analyse, minimiser les données non nécessaires et éviter de tirer de conclusions abusives sur les personnes qui vivent ou travaillent dans les lieux observés.

Dans le cas présent, l’intérêt public avancé est celui d’une meilleure connaissance du patrimoine bâti et de ses impacts matériels. La frontière importante est celle qui sépare l’analyse agrégée d’un parc immobilier, utile à l’aménagement, d’une surveillance ciblée de particuliers, qui relèverait d’un tout autre cadre éthique et juridique.

Ce qu’il faut surveiller pour les villes

Cette recherche ouvre une piste prometteuse pour mieux décrire les villes existantes avant d’en construire de nouvelles. Si les estimations issues des images de rue sont croisées avec des registres locaux, des données cadastrales et des diagnostics de terrain, elles pourraient aider à établir des inventaires plus complets et à moindre coût. Les responsables publics disposeraient alors d’une vision plus fine des zones où les bâtiments vieillissent, où les matériaux sont concentrés et où les besoins d’infrastructure évoluent.

La prochaine étape ne consiste donc pas à confier l’urbanisme à un algorithme. Elle consiste à tester la robustesse de la méthode dans des contextes variés, à documenter ses marges d’erreur et à déterminer quelles décisions peuvent réellement s’appuyer sur ces prédictions. L’IA peut accélérer l’observation d’un territoire. Pour planifier durablement, elle devra rester associée à l’expertise des urbanistes, des ingénieurs et des habitants, ainsi qu’à des données vérifiées sur le terrain.