Comment le LiDAR et l'IA permettent d'identifier précisément le potentiel solaire d'un territoire ?

Entretien avec Véronique Pereira, responsable du service des projets et prestations à l’IGN.

Dans quel cadre et pour quels objectifs les collectivités doivent-elles aujourd’hui identifier précisément le potentiel solaire de leur territoire ?

L’identification fine du potentiel solaire s’inscrit désormais dans un cadre réglementaire et stratégique très clair pour les collectivités territoriales. Depuis la loi relative à l’Accélération de la Production d'Énergies Renouvelables (APER), les collectivités sont notamment appelées à définir des zones propices à l’installation d’équipements de production d’énergies renouvelables (EnR). Ces zones ont vocation à faciliter et accélérer l’instruction des projets, en simplifiant les procédures administratives et en réduisant les délais de mise en œuvre pour les porteurs de projets.

Pour répondre à cette exigence, les collectivités doivent disposer d’une vision objectivée et partagée des potentiels énergétiques de leur territoire : solaire photovoltaïque sur toiture, solaire au sol, agrivoltaïsme, mais aussi éolien et géothermie. L’enjeu n’est pas uniquement de produire davantage d’énergie renouvelable, mais de le faire au bon endroit, en tenant compte des contraintes physiques, environnementales, réglementaires et paysagères.

Dans ce cadre, l’État a souhaité accompagner les collectivités. L’IGN et le Cerema ont ainsi accompagné la Direction Générale de l’Énergie et du Climat (DGEC) dans la mise en place d’un portail national dédié aux zones d’accélération des EnR, permettant aux collectivités de s’appuyer sur un socle commun de données facilitant l’identification des zones les plus pertinentes. Aujourd’hui, ce portail agrège près de 80 couches de données, couvrant notamment l’occupation du sol, les contraintes environnementales ou encore des premières estimations de potentiel solaire. Le rôle de l’IGN consiste à fournir des données de référence, en particulier les données LiDAR (nouvelle fenêtre) HD (Light Detection And Ranging), qui constituent une brique essentielle pour que des prestataires spécialisés puissent ensuite construire des cadastres solaires précis et exploitables.

Comment les collectivités s’y prenaient-elles jusqu’à présent pour évaluer ce potentiel solaire, avant le recours au LiDAR et à l’IA ?

Avant l’arrivée des technologies LiDAR et de l’intelligence artificielle, les collectivités s’appuyaient principalement sur des données géographiques classiques et sur des observations de terrain. Elles disposaient notamment de bases de données, telles que la BD TOPO, qui permet d’identifier l’implantation des bâtiments et de disposer d’informations générales sur leur hauteur et leur emprise au sol.

Dans un premier temps, l’approche consistait souvent à raisonner en termes de surfaces disponibles, en privilégiant les grandes toitures, notamment industrielles, commerciales ou logistiques. Ces bâtiments présentent en effet des surfaces importantes, souvent bien exposées, et constituent des cibles naturelles pour le déploiement du photovoltaïque.

Cependant, cette méthode atteignait rapidement ses limites. En effet, la surface seule ne suffit pas à déterminer le potentiel solaire réel. Il fallait ensuite affiner l’analyse en prenant en compte l’inclinaison des toits, leur orientation, la présence d’obstacles générateurs d’ombre (bâtiments voisins, arbres, relief), ainsi que les conditions d’ensoleillement locales. Ces informations nécessitaient souvent des relevés terrain, réalisés par des prestataires, ce qui rendait la démarche longue, coûteuse et difficilement généralisable à l’échelle d’un territoire entier.

Par ailleurs, ces méthodes permettaient difficilement d’avoir une vision homogène du territoire. Les analyses étaient souvent réalisées projet par projet, sans vision globale, ce qui compliquait la priorisation des actions et la définition de stratégies territoriales cohérentes. Enfin, l’identification de l’existant (c’est-à-dire des panneaux photovoltaïques déjà installés) reposait sur des déclarations administratives ou des connaissances locales, rarement exhaustives. Les collectivités manquaient donc d’un état des lieux fiable et actualisé. C’est précisément pour dépasser ces limites que le recours à des technologies comme le LiDAR HD et l’IA s’est progressivement imposé.

Concrètement, comment le LiDAR et l’intelligence artificielle permettent-ils d’améliorer cette identification du potentiel solaire ?

Le LiDAR et l’intelligence artificielle interviennent à plusieurs niveaux, de manière complémentaire. Le LiDAR aéroporté repose sur l’émission d’impulsions laser depuis un avion. Ces impulsions atteignent le sol, les bâtiments, la végétation, et leur temps de retour permet de reconstituer une représentation tridimensionnelle très précise du territoire. Avec le LiDAR HD, on atteint une densité d’environ 10 points par mètre carré, ce qui autorise une lecture fine des formes, des volumes et des hauteurs.

À partir de ce nuage de points 3D, un premier travail essentiel consiste à classifier les objets : sol, bâtiments, arbres, infrastructures. Cette classification repose aujourd’hui largement sur des algorithmes d’IA, qui permettent d’automatiser et d’accélérer un traitement autrefois très manuel. À l’IGN, plusieurs générations de modèles de classification ont ainsi été développées, afin d’augmenter la productivité et la qualité des données produites.

Une fois cette base 3D constituée, les données LiDAR fournissent des informations déterminantes pour le solaire : inclinaison et orientation des toitures, hauteur des bâtiments, mais aussi identification des obstacles susceptibles de générer de l’ombre, comme des arbres proches ou des constructions voisines. Ces éléments sont indispensables pour évaluer le potentiel photovoltaïque réel, bien au-delà d’une simple surface disponible.

L’intelligence artificielle intervient également en amont, sur les photos aériennes produites régulièrement par l’IGN (une couverture nationale tous les trois ans). Grâce à des techniques de deep learning, il est possible de détecter automatiquement les panneaux photovoltaïques existants, qu’ils soient installés sur des bâtiments ou au sol. Cela permet aux collectivités de disposer d’un état des lieux précis de l’existant, préalable indispensable à toute stratégie de développement.

En croisant les données LiDAR, les données d’ensoleillement (notamment issues de Météo-France) et d’autres données géographiques, les prestataires spécialisés peuvent alors produire des cadastres solaires beaucoup plus fiables, homogènes et reproductibles à l’échelle d’un territoire.

Ces technologies sont-elles déjà utilisées par les collectivités, et comment ces dernières peuvent-elles concrètement s’en saisir ?

Il est encore difficile de quantifier précisément l’usage du LiDAR HD par les collectivités pour l’identification du potentiel solaire. Les retours d’expérience restent fragmentaires. Toutefois, plusieurs signaux montrent un intérêt croissant. Ainsi, les webinaires organisés sur le LiDAR HD rencontrent, par exemple, une audience très importante, et de nombreuses expérimentations locales émergent, souvent relayées sur des réseaux sociaux professionnels comme LinkedIn.

Dans la pratique, seules certaines grandes agglomérations disposent aujourd’hui de services SIG (système d'information géographique) suffisamment dotés pour manipuler directement des données LiDAR HD, notamment pour des projets de modélisation 3D ou d’aménagement. Le schéma le plus courant consiste à s’appuyer sur les données ouvertes produites par l’IGN, puis à faire appel à un prestataire spécialisé pour transformer ces données en cadastre solaire opérationnel.

Cette approche est particulièrement adaptée aux petites et moyennes collectivités, pour lesquelles la construction d’un tel outil en interne serait trop complexe. Il est important de souligner que le coût reste relativement raisonnable lorsque l’on s’appuie sur les données LiDAR HD de l’IGN, mises à disposition en open data. Les principaux investissements portent alors sur l’ingénierie et l’expertise nécessaires pour exploiter ces données et les traduire en outils d’aide à la décision. Les principaux freins identifiés restent le manque de compétences pour manipuler des données volumineuses et complexes, ainsi que les contraintes budgétaires. Mais une fois le cadastre solaire produit, son usage est généralement assez simple pour les services et les élus.

Quelles évolutions peut-on attendre dans les années à venir sur ces usages du LiDAR et de l’IA ?

Les perspectives d’évolution sont importantes. Les technologies LiDAR et IA progressent en continu, tant sur la qualité des capteurs que sur les algorithmes de traitement. À l’IGN, la question de la mise à jour du programme LiDAR HD est déjà posée, avec la possibilité de prioriser certaines zones à enjeux, comme les territoires touchés par des incendies ou des inondations.

Par ailleurs, l’IGN développe de nouvelles bases de données, comme le référentiel OCS-GE (OCS GE, le référentiel français de l’occupation du sol à grande échelle - Institut - IGN (lien externe, nouvelle fenêtre)) qui décrit l’occupation du sol à partir de traitements automatisés par IA sur des photos aériennes. Ces travaux intègrent désormais l’identification des panneaux photovoltaïques au sol, ce qui permettra de mieux connaître l’existant et de suivre l’évolution des installations.

À terme, l’enjeu est de fournir aux collectivités des référentiels de plus en plus riches et interopérables, capables de servir dans le cadre de multiples politiques publiques : transition énergétique, urbanisme, adaptation au changement climatique, gestion des risques. Le potentiel du LiDAR et de l’IA dépasse largement le seul solaire. Mais dans ce domaine précis, ces technologies constituent déjà un levier puissant pour passer d’intentions politiques à des stratégies territoriales opérationnelles et objectivées.