Introduction aux méthodes informatiques en histoire urbaine

Les approches traditionnelles reposaient fortement sur des documents textuels, des cartes et des fouilles archéologiques, mais ces méthodes laissaient souvent des lacunes dans la couverture spatiale et temporelle.Les récentes avancées informatiques ont ouvert de nouvelles façons d'analyser les plans, les infrastructures et les dynamiques sociales des villes passées avec une précision et une échelle qui étaient auparavant impossibles.En appliquant des algorithmes, des analyses de données et des modélisations, les chercheurs peuvent reconstruire les plans des villes anciennes, quantifier les relations spatiales et simuler les modèles de croissance – transformant ainsi l'histoire urbaine.

L'histoire urbaine computationnelle se situe à l'intersection des humanités numériques, de la géographie et de la science des données. Elle permet aux chercheurs de poser des questions fondamentalement quantitatives : Comment les réseaux de rue ont-ils changé après un grand projet d'infrastructure ? Quels facteurs ont conduit la ségrégation des quartiers dans les villes du XIXe siècle ? Comment la maladie s'est-elle propagée dans les espaces urbains préindustriels ? Répondre à ces questions exige non seulement une expertise historique mais aussi la capacité de gérer de grands ensembles de données, de créer des modèles itératifs et de visualiser les résultats de manière à révéler des modèles cachés.

Techniques informatiques de base

Plusieurs techniques de calcul se sont révélées particulièrement utiles pour étudier l'urbanisme historique, chacune offrant une lentille différente pour examiner le passé, et beaucoup sont utilisés en combinaison pour construire des compréhensions plus riches.

Systèmes d'information géographique (SIG)

Dans la recherche historique, le SIG est utilisé pour géoréférencer les anciennes cartes, numériser les plans archéologiques et créer des atlas numériques stratifiés qui suivent le changement au fil du temps. Par exemple, les historiens ont utilisé le SIG pour superposer une carte de Paris de 1748 avec des données modernes sur les rues, révélant comment les limites des propriétés, les largeurs de routes et les places publiques ont persisté ou se sont déplacées.

Un projet marquant est le Rome Lab, qui utilise le SIG pour reconstruire le tissu urbain de la Rome antique à partir de documents archéologiques et de sources textuelles. Les chercheurs ont créé un modèle numérique détaillé de la ville telle qu'elle se trouvait au IVe siècle CE, leur permettant d'analyser la densité de population, l'utilisation des terres, et même le flux de marchandises à travers les quartiers. De même, le ]Stanford ORBIS[ projet modèle le réseau routier romain et les routes maritimes pour estimer les temps et les coûts de déplacement entre les villes, offrant des indications sur la façon dont les infrastructures ont influencé l'intégration politique et économique. (Voir Orbis: The Stanford Geospatial Network Model of the Roman World.)

Modélisation par agent (ABM)

Dans l'histoire urbaine, ABM aide les chercheurs à tester des hypothèses sur la façon dont les comportements sociaux, les incitations économiques ou les contraintes environnementales ont façonné le développement au cours de décennies ou de siècles. Par exemple, un ABM pourrait modéliser la façon dont les marchands médiévaux ont choisi des emplacements pour les magasins, comment les résidents ont décidé où construire des maisons par rapport à une cathédrale, ou comment les règles de zonage (formelles ou informelles) ont influencé la ségrégation.

Une application notable est l'étude des réseaux commerciaux anciens. Les chercheurs ont construit des GAB qui simulent le mouvement des commerçants le long de la Route de la soie, ajustant les variables telles que le risque de banditisme, la qualité de la route et la demande du marché pour voir quelles configurations de route étaient les plus stables. Les résultats aident à expliquer pourquoi certaines villes oasis ont prospéré tandis que d'autres ont décliné. Une autre étude a utilisé ABM pour examiner la formation des modèles de rue dans les villes islamiques primitives, en modélisant comment le trafic de pieds et les règles de propriété foncière pourraient produire les ruelles étroites et sinueuses caractéristiques de ces formes urbaines. (Un exemple peut être trouvé dans les travaux de Crescioli & Murgatroyd, 2020.)

Analyse de réseau

L'analyse des réseaux traite les villes comme des ensembles de nœuds et de bordures, par exemple les intersections et les rues, et mesure les propriétés telles que la centralité, la connectivité et le regroupement. Cette technique est devenue essentielle pour étudier comment la forme urbaine influence le mouvement et l'accès. Les réseaux de rues historiques peuvent être extraits de cartes anciennes à l'aide de la numérisation ou de l'extraction automatisée à partir d'images raster.

Des recherches sur les villes médiévales européennes ont montré que les places de marché étaient généralement la plus centrale du réseau, expliquant leur importance économique. Les études de Paris du XIXe siècle sous la redéfinition de Haussmann , révèlent que les nouveaux boulevards ont délibérément créé un réseau -lectible--qui a réduit la capacité des résidents à barricader des rues étroites – une analyse de réseau confirmant les récits historiques de l'intention militaire.

Apprentissage automatique et apprentissage approfondi

L'apprentissage automatique (ML) et l'apprentissage profond offrent des outils puissants pour traiter de grands volumes de données historiques, en particulier des cartes numérisées, des photographies aériennes et des images satellitaires. Les réseaux neuronaux convolutionnels peuvent être formés pour reconnaître les routes, les empreintes de construction ou les espaces verts dans les cartes historiques, automatiser la numérisation qui prendrait des mois autrement.

Un cas d'utilisation convaincante est le projet -[Mapping Historical New York, , , , , où les chercheurs ont appliqué l'apprentissage profond pour extraire les contours de construction des cartes d'assurance incendie du XIXe siècle. L'ensemble de données qui en a résulté leur a permis d'étudier l'évolution de la densité de construction et de la couverture des lots dans toute la ville, en corrélant les changements avec les vagues d'immigration et les booms économiques.

Demandes pour les périodes historiques

Des approches informatiques ont été appliquées à l'histoire urbaine à de nombreuses époques, chacune offrant des défis et des idées uniques.

Villes anciennes

Pour les villes du monde antique – Rome, Pompéi, Teotihuacan – les données archéologiques sont souvent fragmentaires. Les méthodes informatiques aident à combler les lacunes. Le SIG est utilisé pour hypothéquer les emplacements des structures manquantes basées sur la topographie connue et les typologies de construction.

Le Grand Projet Pompéi utilise une combinaison de SIG, photogrammétrie et modélisation 3D pour reconstruire la ville telle qu'elle l'avait vue avant l'éruption de Vésuve. Les chercheurs ont créé des cartes interactives qui permettent aux utilisateurs d'explorer les réseaux de rue, les bâtiments publics et les systèmes de distribution d'eau. Ces outils ne présentent pas seulement une image statique; ils permettent également d'analyser comment la ville a affecté la vie quotidienne – par exemple, en calculant les distances de marche entre les maisons, les bains et les forums. (Plus d'informations sont disponibles sur Sites Pompéi.)

Villes médiévales et anciennes modernes

L'urbanisme médiéval est souvent décrit comme organique, mais l'analyse computationnelle révèle des régularités sous-jacentes. Les études de plus de 300 villes médiévales en Europe centrale ont utilisé le SIG pour mesurer la forme des parcelles, la largeur des rues et la place des places de marché. Les résultats montrent que, même si aucune ville n'est identique, elles partagent un ensemble de paramètres communs, comme le rapport largeur-longueur des rues, qui suggèrent une tradition commune de l'urbanisme, éventuellement transmise par des livres modèles ou des planificateurs itinérants.

L'analyse des réseaux d'itinéraires commerciaux prémodernes a également permis de mieux comprendre comment les villes se connectent. Le projet Atlas numérique des villes européennes combine par exemple des cartes historiques avec des données démographiques et des données commerciales pour modéliser les relations économiques entre les villes. Ces modèles expliquent pourquoi certaines villes sont devenues des pôles importants alors que d'autres ont stagné, reliant la forme urbaine à la fonction économique. (Voir le projet à urbhist.org.)

Ere industrielle et villes modernes

Les dix-neuvième et vingtième siècles présentent une abondance de données : cartes détaillées, recensements, permis de construire et photographies. Des méthodes de calcul ont été utilisées pour étudier les effets de l'industrialisation sur la forme urbaine. Par exemple, les chercheurs ont numérisé des cartes historiques de l'assurance incendie de Sanborn pour des centaines de villes américaines, créant un ensemble de données massives sur les empreintes du bâtiment des années 1860 aux années 1950.

L'apprentissage automatique a également été appliqué aux photographies historiques et aux images de la rue pour identifier les changements dans l'architecture, le mobilier de rue et la signalisation. Un projet a utilisé l'apprentissage profond pour classer plus de 10 000 photographies historiques de Londres, créant une chronologie de la façon dont le caractère visuel de la ville a évolué de l'époque victorienne à l'heure actuelle.

Défis et limites

Malgré la puissance des méthodes de calcul, elles présentent des défis importants que les chercheurs doivent relever.

Les données incomplètes et biais[ sont les plus importantes. Les documents historiques sont souvent fragmentaires – les blocs entiers d'une ville peuvent être absents des cartes, et les documents écrits reflètent les perspectives des alphabétisés et puissants. Les modèles SIG fondés sur des données incomplètes peuvent produire des conclusions trompeuses si des lacunes sont comblées par des hypothèses.

La collaboration interdisciplinaire est nécessaire mais difficile. Les historiens et les informaticiens parlent souvent des langues méthodologiques différentes.Un projet peut nécessiter des négociations minutieuses sur ce qui compte comme preuve, comment gérer l'incertitude et quelles questions méritent d'être posées.

Les contraintes informatiques et infrastructurales jouent également un rôle. Le traitement de cartes historiques à haute résolution avec un apprentissage profond nécessite un pouvoir important de GPU. La conservation et la gestion de gros ensembles de données peuvent être coûteuses.

La documentation sur la reproductibilité et les méthodes [ demeure un sujet de préoccupation permanent.De nombreuses études de calcul précoce n'ont pas partagé de code ou de données, ce qui rend impossible la vérification des résultats.Le domaine se dirige vers des pratiques scientifiques ouvertes, mais le changement culturel est lent.

Orientations futures

La prochaine décennie promet des avancées qui intégreront davantage les approches computationnelles dans l'histoire urbaine.Un domaine est l'intégration de multiples types de données – combinant des cartes, des textes, des images et des ensembles de données archéologiques en plateformes numériques unifiées. Le concept Sémamite City, par exemple, utilise des normes de données liées pour connecter des sources historiques, permettant de me montrer tous les bâtiments construits entre 1850 et 1870 qui étaient plus de trois étages de haut et situés à moins de 500 mètres d'une ligne de tramway.

Les modèles de simulation en temps réel et interactifs sont une autre frontière. Les historiens et les planificateurs pourraient explorer les scénarios -What-if-If: Et si une ville avait choisi une autre grille de rue? Et si une peste n'avait pas frappé? Ces simulations nécessitent non seulement de meilleurs modèles mais aussi des interfaces utilisateur plus accessibles qui permettent aux non-programmateurs d'ajuster les paramètres et de voir les résultats.

Les projets scientifiques communautaires et citoyens[ sont également en croissance.Des plateformes comme Zooniverse ont accueilli des projets où des bénévoles numérisent des cartes historiques, des fonctions de construction d'étiquettes ou transcrivent des documents manuscrits.Ces efforts génèrent de grandes quantités de données structurées à un coût relativement faible, tout en engageant le public dans la recherche historique.

Enfin, la tendance vers des données ouvertes et la reproductibilité[ renforceront la crédibilité de l'histoire urbaine computationnelle. D'autres revues exigent que des données et des codes soient déposés aux côtés d'articles, et des dépôts comme Figshare[ et Zenodo[ sont de plus en plus utilisés.

Conclusion

Des outils comme le SIG, la modélisation par agent, l'analyse de réseau et l'apprentissage automatique permettent aux chercheurs de poser de nouvelles questions et de tester des théories qui étaient auparavant hors de portée. Du réseau de rue de l'ancienne Rome à la carte industrielle étendue de Chicago du XIXe siècle, ces méthodes révèlent des modèles et des relations qui façonnent notre compréhension de la façon dont les villes ont grandi et fonctionné.

La valeur des méthodes informatiques ne réside pas seulement dans la technologie, mais dans les questions qu'elles aident à répondre. Le travail le plus puissant combine la rigueur quantitative avec une connaissance historique profonde, en utilisant les données non pas comme un remplacement du narratif mais comme un complément. Au fur et à mesure que le domaine mûrit, les historiens, les urbanistes et les data savants doivent continuer à collaborer, à partager des méthodes et à rester critiques de leurs propres hypothèses.