Une base de données de masse basée sur les smartphones pour l'évaluation du bruit dans l'environnement : de l'évaluation de la qualité des données à la production de cartes de bruit pertinentes

A Smartphone-Based Crowd-Sourced Database for Environmental Noise Assessment : from data quality assessment to the production of relevant noise maps

• Auteur / Autrice : Ayoub Boumchich
• Direction : Judicaël Picaut, Erwan Bocher
• Type : Thèse de doctorat
• Discipline(s) : Acoustique
• Date : Soutenance le 19/10/2023
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Centrale Nantes)
• Partenaire(s) de recherche : Laboratoire : Unité mixte de recherche en acoustique environnementale - Unité Mixte de Recherche en Acoustique Environnementale / UMRAE
• Jury : Président / Présidente : Adrien Pelat
• Jury : Examinateurs / Examinatrices : Jean-Michel Poggi, Matthieu Puigt, François Septier
• Jury : Rapporteurs / Rapporteuses : Catherine Lavandier, Claudio Guarnaccia

Mots clés

Mots clés contrôlés

Apprentissage supervisé (intelligence artificielle)

Qualité

Applications mobiles

Bases de données

Sons

Mots clés libres

Bruit environnemental

Collecte citoyenne

Application mobile

Analyse de données

Apprentissage automatique

Environmental noise

Crowd-sourced data

Smartphone application

Data analysis

Machine learning

Résumé

Ce travail de thèse s’inscrit dans le cadre de la maitrise des environnements sonores dans l’environnement. Face à cet enjeu majeur, il est usuel de recourir à des cartes de bruit, réalisées la plupart du temps par la modélisation numérique, mais au détriment d’un manque de réalisme. Une alternative récente, basée sur l’utilisation d’une application pour smartphone (NoiseCapture), plus réaliste, propose d’utiliser une approche participative citoyenne pour collecter des données, mais pose la question de la qualité des données ainsi produite et de leur utilisation à des fins opérationnelles.A cet effet, le présent travail de thèse propose l’application de méthodes issues des Sciences des Données pour répondre à cette question. Le travail a d’abord porté sur une analyse détaillée de la base de données NoiseCapture pour en déterminer les limites et incertitudes. Dans un second temps, et dans la perspective d’utilisation des techniques (semi-)supervisées issues des méthodes d’apprentissage, une méthode de clustering spatial (DB-SCAN) a été mise en œuvre afin d’identifier des données de référence dans la base de données NoiseCapture. Enfin, afin de pallier aux limites du calibrage individuel des smartphones, une méthode de calibrage de masse, à l’aveugle, a été proposée puis appliquée sur la base de données NoiseCapture. Dans l'ensemble, la thèse a permis d’améliorer la qualité de la base de données NoiseCapture, ce qui offre des perspectives intéressantes pour l’utilisation de ces données à des fins opérationnelles.

This thesis is concerned with the control of environmental noise. Faced with this major challenge, it is common practice to use noise maps, usually produced by numerical modeling, but at the expense of a lack of realism. A recent alternative, based on the use of a smartphone application (NoiseCapture), is more realistic and proposes to use a participatory citizen approach to collect data, but raises the question of the quality of the data thus produced and its use for operational purposes.To this end, the present thesis proposes the application of methods from Data Science to answer this question. The work began with a detailed analysis of the NoiseCapture database to determine its limitations and uncertainties. Secondly, and with a perspective on the use of (semi-)supervised techniques derived from learning methods, a spatial clustering method (DB-SCAN) was implemented to identify reference data in the NoiseCapture database. Finally, to overcome the problem of individual smartphone miscalibration, a blind mass calibration method was proposed and applied to the NoiseCapture database. Overall, the thesis has improved the quality of the NoiseCapture database, offering interesting prospects for the use of this data for operational purposes.