L’Intelligence Artificielle au service d'un urbanisme résilient : Entretien avec Manar El Kihel

Manar El Kihel est doctorante à l’Université Hassan II de Casablanca, rattachée au Laboratoire de Génie des Procédés et Environnement (LGPE) de la Faculté des Sciences et Techniques de Mohammedia. Son parcours académique s'inscrit au croisement de la géomatique, de la télédétection et de l’intelligence artificielle, un triptyque qu’elle mobilise pour répondre à la complexité des défis climatiques. Actuellement en résidence à la Lieutenance d’Honfleur, sous le patronage de la Commission nationale française pour l’UNESCO, elle développe une expertise technique visant à transformer la donnée satellitaire en levier opérationnel pour les territoires. Dans cet entretien nous explorons comment ses travaux, ancrés dans une trajectoire académique d'excellence, contribuent à l'analyse des vulnérabilités urbaines pour structurer les politiques publiques de demain.

Le Journaliste : Pourquoi avoir choisi la géomatique comme discipline charnière et comment vos formations ont-elles structuré votre vision ?

Manar El Kihel : Mon cursus — notamment mon Master en Systèmes d'Information Géographique (SIG) et ma Licence en modélisation et gestion de l'environnement — m'a permis d'appréhender le territoire non pas comme une surface figée, mais comme un système dynamique composé de couches d'informations interconnectées. En utilisant l'observation de la Terre depuis l'espace, nous transformons une abstraction technologique en un levier concret pour le développement durable. Cette base théorique permet de visualiser des fragilités du territoire invisibles à l’œil nu, facilitant ainsi une prise de décision fondée sur des preuves spatiales plutôt que sur des intuitions.

Le Journaliste : Avant de vous concentrer sur l’écosystème urbain, vous avez travaillé sur des problématiques environnementales lourdes dans le Rif marocain. Quel rôle ont joué le Deep Learning et la télédétection dans la détection de l’érosion et des inondations ?

Manar El Kihel : Mes travaux antérieurs ont été fondamentaux pour forger ma méthodologie actuelle. Dans le Rif marocain, j’ai utilisé des modèles de segmentation sémantique avancés, comme le Segformer, pour cartographier avec précision l'érosion ravinante. Parallèlement, j'ai appliqué l'apprentissage automatique pour évaluer la susceptibilité aux inondations dans les régions d’El Hajeb et de Meknès. Ces expériences m'ont appris à traiter des données multisources et à valider des modèles de prédiction dans des environnements instables. On ne peut comprendre la résilience d'une ville sans maîtriser les interactions physiques et géomorphologiques qui l'entourent.

Le Journaliste : Votre projet de résidence, "A Data-Driven Machine Learning Framework for Urban Heat Island Assessment", s'appuie sur un cadre méthodologique que vous avez éprouvé sur d'autres terrains. Pouvez-vous définir rigoureusement les îlots de chaleur urbains et expliquer l'enjeu de ce projet pour Honfleur ?

Manar El Kihel : Un îlot de chaleur urbain se définit par l'écart thermique significatif entre les centres urbains denses et les zones rurales périphériques. Les causes sont structurelles : accumulation de chaleur par le béton et l'asphalte, géométrie des rues, manque de végétation... Mon travail s'appuie sur un cadre méthodologique développé lors de mes recherches doctorales à Tanger, au Maroc, et lors d'un stage à l'Université d'Oradea en Roumanie. À Honfleur, l'objectif est d'appliquer ce cadre aux données satellitaires Landsat 8 sur une période de onze ans (2013-2024). En analysant la Température de Surface (LST), nous identifions les zones où la morphologie urbaine crée des points de surchauffe critiques pour la santé publique et la consommation énergétique.

Le Journaliste : Pourquoi privilégier des algorithmes de Machine Learning comme Random Forest ou XGBoost ? Et quelle est la place de l'expertise humaine face à ces modèles ?

Manar El Kihel : Les modèles numériques classiques peinent à intégrer la multitude de facteurs qui influencent la température. L'intelligence artificielle permet d'analyser des relations complexes et non linéaires. Dans mes recherches, j'ai comparé plusieurs algorithmes : Random Forest, SVM et XGBoost. Le modèle Random Forest s'est révélé le plus performant pour modéliser la Température de Surface. Cependant, l'IA n'est pas une boîte noire infaillible ; il m'arrive de devoir recommencer des processus lorsque la machine produit des résultats illogiques. La validation scientifique humaine reste indispensable.

Grâce au coefficient de corrélation de Spearman, nous avons pu établir une hiérarchie précise des facteurs influençant la chaleur urbaine :

• NDVI (Indice de végétation) : 21,2 % de contribution (le facteur le plus influent).

• NDWI (Indice d'eau) : 21,0 % (quasiment ex-æquo avec la végétation).

• UI (Urban Index) : 20,7 % (lié à la densité d'occupation).

• Albedo (Réflectance de surface) : 19,7 %.

• NDBI (Indice de bâti) : 17,5 %.

Le Journaliste : Vous avez réalisé des simulations pour évaluer l'impact réel d'une augmentation de la couverture végétale. Quels sont les chiffres concrets issus de vos modèles ?

Manar El Kihel : La simulation est un outil d'aide à la décision puissant. Dans mon scénario prévoyant une augmentation de 25 % de l'indice de végétation (NDVI), les résultats sont explicites : la température de surface maximale (Max LST) chute de 40,40 °C à 38,51 °C, soit une baisse de 1,89 °C dans les zones les plus exposées. La température médiane diminue quant à elle de 0,36 °C. Ces données fournissent une véritable outil aux urbanistes : elles modélisent l'impact de la transformation des îlots de béton en espaces végétalisés, et permettent de quantifier le rafraîchissement visé avant même de lancer des travaux coûteux.

Le Journaliste : Vous considérez la géomatique comme un outil de "Bien Commun". Comment la donnée satellite peut-elle servir la justice climatique ?

Manar El Kihel : Les cartes thermiques révèlent souvent une réalité sociale : les quartiers les plus exposés à la chaleur sont fréquemment les plus défavorisés. En rendant les données issues de plateformes comme Google Earth Engine accessibles aux élus et aux citoyens, on sort la science des laboratoires pour en faire un instrument de justice. L'objectif est d'orienter les investissements prioritaires vers les zones où les populations souffrent le plus. La géomatique permet de garantir que chaque quartier, quel que soit son niveau social, puisse bénéficier d'un aménagement résilient et sain.

Manar El Kihel finalisera la rédaction de ses résultats durant sa résidence à Honfleur. Ces travaux feront l'objet d'un article scientifique destiné à une revue internationale indexée, dont la soumission est prévue pour juillet 2026.

Entretien réalisé par la rédaction scientifique de la Résidence de Recherche pour le Bien Commun.