TL;DR: Vous pouvez utiliser docling-parse car ses modèles sont les plus fiables et efficaces de ceux que j’ai testés. Mais pour comprendre comment ça fonctionne, continuez à lire!

Nous allons voir ici comment utiliser des modèles de vision computationelle pour faire de l’analyse de mise en page d’un PDF et en extraire les titres de sections, alinéas, listes, et tableaux. Pour ce faire, on fera appel à la logithèque libre Transformers qui facilite beaucoup le téléchargement et utilisation de ces modèles en Python. On prendra d’abord un document très simple d’une seule page, fait sur mesure pour ce genre d’analyse. Ceci nous permettra plus tard (dans un autre texte) de mettre en lumière des défaillances de certains modèles.

Dépendances

D’abord installons des dépendances nécessaires:

pip install pillow playa-pdf timm torch torchvision transformers \
    --extra-index-url https://download.pytorch.org/whl/cpu

On utilisera pillow pour manipuler et annoter des images des pages, playa-pdf pour extraire des metadonnées des PDFs, et le reste sont des nécessaires pour rouler les modèles de vision. On les installe ici en mode CPU pour éviter de télécharger des gigaoctets de n’importe quoi que nous impose NVidia, mais si vous avez un GPU pris en charge (même un petit GT1030 suffit) vous pouvez enlever le --extra-index-url.

Il faut dire tout de suite que les programmeurs de NVidia non seulement génèrent des logiciels obèses mais aussi peu fiables, alors, sous Ubuntu, il faut aussi gosser quelques affaires pour éviter d’être pris avec un fâchant problème de C++ (en réalité, c’est C++ le vrai problème, comme d’habitude):

sudo apt install gcc-10 g++-10
export CC=gcc-10
export CXX=g++-10

Traîtement des PDF en image

Si on veut faire de la vision, bon, ça prend des images matricielles. Pour le moment, on utilisera le bon vieux outil Poppler qui est installé partout sous GNU/Linux (et beaucoup moins ailleurs, désolé) pour convertir des PDF en images de pages.

Ce qu’il faut comprendre avec des modèles d’apprentissage automatique (et que les auteurs de certains logithèques populaires semblent ignorer) c’est que, lorsque possible, ces modèles sont plus performants lorsque les données qu’on leur demande de traiter ressemblent à celles sur lesquelles ils sont entraînés. Puisque tous les modèles d’analyse de mise en page sont entraînés sur DocLayNet, qui est composé d’images de page en format carré avec anticrénelage, et puisque PDF est un format vectoriel qui nous permet de générer des images de n’importe quelle taille et format, il est préférable de créer d’abord des images dans le format attendu.

D’ailleurs il ne sert à rien de créer des images de plus haute résolution que celle prise en charge par le modèle! C’est tout simplement du gaspillage d’énergie, de temps et de stockage (ou, autrement dit, un crime contre le climat et l’économie) puisqu’il faudra rééchantilloner par la suite ces images. Heureusement les bons modèles comme ceux de Docling nous diront leur format préféré.

Alors, on va construire une simple fonction pour nous donner des images du format souhaité, en utilisant les arguments -scale-to-x et -scale-to-y de Poppler:

import subprocess
import tempfile
from pathlib import Path
from typing import Iterator
from PIL import Image

def popple(path: Path, width: int, height: int) -> Iterator[Image.Image]:
    with tempfile.TemporaryDirectory() as tempdir:
        temppath = Path(tempdir)
        subprocess.run(
            [
                "pdftoppm",
                "-scale-to-x",
                str(width),
                "-scale-to-y",
                str(height),
                str(path),
                temppath / "ppm",
            ],
            check=True,
        )
        for ppm in sorted(temppath.iterdir()):
            yield Image.open(ppm)

Reconnaissance des éléments de mise en page

On utilisera un modèle RT-DETR pour identifier les éléments dans les images. Pour des raisons inconnues, le groupe Docling n’a pas mis son modèle dans un endroit standard, alors on ne peut malheureusement pas utiliser AutoModel.from_pretrained. Ce n’est pas grave, on va tout simplement télécharger les fichiers manuellement:

from huggingface_hub import hf_hub_download
processor_config_path = hf_hub_download(
    "ds4sd/docling-models",
    "model_artifacts/layout/preprocessor_config.json"
)
config_path = hf_hub_download("ds4sd/docling-models",
    "model_artifacts/layout/config.json")
weights_path = hf_hub_download("ds4sd/docling-models",
    "model_artifacts/layout/model.safetensors")

Pour la suite on va créer deux objets, un RTDetrImageProcessorFast et un RTDetrForObjectDetection:

import os
processor = RTDetrImageProcessorFast.from_json_file(processor_config_path)
model = RTDetrForObjectDetection.from_pretrained(os.path.dirname(config_path))

Maintenant on peut savoir le format attendu par le modèle:

width = processor.size["width"]
height = processor.size["height"]

Et les noms des éléments qu’il peut extraire (mais lisez plus loin…):

id2label = model.config.id2label

On va télécharger le document:

import requests
r = requests.get("https://ecolingui.ca/pdf_structure.pdf")
r.raise_for_status()
with open("pdf_structure.pdf", "wb") as fh:
    fh.write(r.data)

Et hop, utiliser le modèle est très simple:

import torch
with torch.inference_mode():
    for image in popple("pdf_structure.pdf"):
        inputs = processor(images=image, return_tensors="pt")
        outputs = model(**inputs)

Ces outputs ne sont pas dans un format super intéressant, alors on va utiliser le RTDetrImageProcessorFast pour avoir des coordonnées qui correspondent à l’image:

img_results = processor.post_process_object_detection(
    outputs,
    target_sizes=[(image.height, image.width)],
)[0]
print(img_results)

Ceci nous donne quelque chose plus intéressant, qu’on peut interpréter en utilisant le id2label mentionné ci-haut (notez qu’il faut extraire les valeurs des tensor qui nous retourne le modèle):

Mais oups! Les classifications sont un peu suspects, car il n’existe aucune image (Picture) dans notre document! Bon, il semble que les développeurs de DocLing se sont trompés un peu et il faut ajouter 1 aux indices des classes:

for score, label, box in zip(
    img_results["scores"], img_results["labels"], img_results["boxes"]
):
    label = id2label[label.item() + 1]
    box = [round(x) for x in box.tolist()]
    score = score.item()
    print(f"Élément: {label} à {box} avec confiance {score}")

Ce qui nous donne quelque chose d’intéressant:

Élément: Text à [59, 138, 575, 197] avec confiance 0.9866001009941101
Élément: List-item à [78, 309, 571, 369] avec confiance 0.9816325902938843
Élément: List-item à [97, 290, 234, 300] avec confiance 0.9407719969749451
Élément: List-item à [78, 271, 171, 279] avec confiance 0.9286511540412903
Élément: Table à [58, 400, 581, 438] avec confiance 0.9260659217834473
Élément: List-item à [78, 252, 170, 261] avec confiance 0.925058901309967
Élément: Section-header à [59, 216, 109, 226] avec confiance 0.9144930243492126
Élément: Section-header à [59, 384, 113, 393] avec confiance 0.9069509506225586
Élément: Section-header à [59, 98, 115, 109] avec confiance 0.8970564603805542
Élément: Section-header à [192, 59, 447, 76] avec confiance 0.8865164518356323
Élément: Text à [59, 119, 224, 128] avec confiance 0.8446756601333618
Élément: Text à [59, 235, 157, 242] avec confiance 0.8046810626983643
Élément: Section-header à [59, 235, 157, 242] avec confiance 0.5821080803871155
Élément: Section-header à [59, 119, 224, 128] avec confiance 0.5068144202232361

On peut vérifier que tout a été bien identifier en utilisant ImageDraw:

from PIL import ImageDraw
draw = ImageDraw.Draw(image)
for label, box in zip(img_results["labels"], img_results["boxes"]):
    label = id2label[label.item() + 1]
    box = [round(x) for x in box.tolist()]
    draw.rectangle(box, outline="red")
    draw.text((box[0], max(0, box[1] - 12)), label, fill="red")
image.save("pdf_structure.png")

Et voilà:

Mais attend, cette image a un aspect un peu bizarre! Si on veut vraiment utiliser les coordonnées, il faut plutôt les transformer pour correspondre à la page originelle. On peut le faire facilement en cherchant les informations avec PLAYA-PDF:

import playa
with playa.open("pdf_structure.pdf") as pdf:
    page = pdf.pages[0]
    page_results = processor.post_process_object_detection(
        outputs,
        target_sizes=[(page.height, page.width)],
    )[0]
    print(page_results)

Conclusion

Nous avons vu comment utiliser un modèle de vision pour identifier les éléments de mise en page dans un PDF. Pour la suite des choses, on regardera comment trouver les textes qui correspondent à ces éléments.

Comme mentionné dans le dernier billet de ce blogue, il existe d’autres modèles de vision qui fonctionnent essentiellement de la même manière, mais qui sont en général beaucoup moins rapides et fiables. Un prochain texte va en faire la comparaison.

Comme mentionné dorénavant, le format PDF est un format de présentation, à la différence du HTML par exemple, qui sépare dans la mésure du possible la structure sémantique du texte et sa mise en page. Concrètement cela veut dire que, en théorie (on aimerait tous y vivre!), l’extraction du texte même d’une page HTML très « visuelle », avec une mise en page comprenant des multiples colonnes, des images, des figures, etc, se résume à simplement enlever les tags.

Comme aussi mentionné dorénavant, le standard PDF dans sa déclinaison « universellement accessible » admet une extraction du texte et même de la structure sémantique légèrement plus compliquée mais néanmoins faisable. Malheureusement, il suffit qu’on oublie de cocher la case PDF/UA en sauvegardant un fichier, ou qu’on sélectionne « imprimer en format PDF » au lieu de « exporter », ou qu’on passe le PDF par un logiciel douteux, pour que toute cette belle structure tombe à l’eau. On se retrouve avec des fragments de texte positionnés absolument, souvent sans séparation entre les mots et parfois même dans une ordre arbitraire.

Dont la nécessité d’une analyse de la mise en page, pour identifier et séparer le texte, les figures, et les tableaux, mais aussi pour identifier les éléments textuelles, dont les titres et listes, ainsi que les artéfacts textuelles qui ne font pas partie du contenu, dont les en-têtes, les pieds de page et les captions de figures. Étant donné le fait que les éléments d’un PDF sont positionnés absolument sur une page (sans référence à une grille ou autre structure visuelle), la diversité de formats de papier, de polices de caractères, de marges et entrelignes, entre autres, il est presque impossible de concevoir des règles pour prendre en charge tout cela à moins de le refaire pour chaque nouveau document ou presque.

Dont aussi la nécessité (il me semble que je me répète souvent!) d‘utiliser… l’apprentissage machine (toé IA chose machin). On en a déjà parlé un peu par rapport aux éléments du texte. On peut catégoriser les types d’analyses propices à l’apprentissage.

Analyse textuelle

Ceci est le type d’analyse le plus simpliste et probablement le plus répandu. En présumant une extraction préalable du texte, correspondant le plus possible à la forme perçue par un lecteur, on peut faire une analyse textuelle (parsing) ou une classification de séquence pour répérer des éléments structurels.

Évidemment, puisque toute l’information provenant de la mise en page a été évacué par le processus d’extraction de texte, on n’a peu de chances de reconstruire la structure du document de façon robuste ou fiable.

Analyse espacielle

Par défaut, ALEXI fait une analyse espacielle, c’est à dire qu’il prend compte de l’emplacement des éléments de texte ainsi que des attributs typographiques (taille de police, caractères gras ou italiques, etc.) pour identifier des éléments tels que titres de sections, éléments de listes, etc.

Bien qu’il utilise l’apprentissage machine, d’autres logiciels utilisent aussi des méthodes algorithmiques ou heuristiques, par exemple pdfminer.six ou camelot.

Analyse visuelle

Dernièrement, il existe une tendance à faire une analyse purement visuelle de la mise en page pour identifier les éléments structurelles. Alors que l’analyse textuelle évacuait toute la mise en page et les attributs visuels du document, une analyse visuelle fait exactement le contraire - chaque page d’un PDF est transformé en image matricielle, qui est par la suite analyser par un modèle de vision tel que DeformableDETR, YOLOX ou YOLO, qui a été préalablement entraîner sur un corpus d’images semblables.

Quoiqu’il soit possible d’utiliser ces modèles par le biais de des logithèques peu fiables provenant de compagnies qui préfèrent prendre votre argent et/ou vos données personnelles, ceci n’est aucunement nécessaire. En plus, il semble que ces logithèques libres fonctionnent essentiellement comme appât pour les services payants / espions. Nous allons donc, dans le prochain billet, regarder comment utiliser les modèles directement pour éviter divers problèmes reliés à ces logithèques.

(La seule exception dans cette bande là est probablement DocLing qui provient d’un groupe de récherche réputé.)

À quoi ça sert, au juste, tout cet effort d’analyse des fichiers PDF? D’abord, bien sûr, ça facilite la recherche, telle qu’implémentée dans SÈRAFIM (un SystÈme de Recherche Ad-hoc pour Fouiller dans les Informations Municipales) puisqu’on est capable d’indexer chaque article et chapitre individuellement - on peut ainsi comparer les dispositions par rapport aux piétons dans l’aménagement des stationnements à travers quelques villes des Laurentides, par exemple.

Mais pas juste ça! Le fait d’avoir extrait les unités semantiques des règlements nous permet d’ajouter plusieurs fonctionnalités pour en faciliter la lecture et la compréhension, dont:

1. L’ajout d’hyperliens. Par exemple, dans l’article 264 du règlement de zonage de Sainte-Adèle, on peut maintenant naviguer vers le règlement de construction cité là-dedans ainsi que l’article 251 sur les aménagements piétonniers.
2. La navigation structurée en-ligne. Au lieu d’avoir besoin de télécharger le PDF pour trouver un chapitre ou section spécifique, on peut voir tous les règlements dans une arborescence et expansionner pour obtenir rapidement le contenu recherché. Des hyperliens vers la page spécifique du PDF sont aussi fournis.
3. Mais surtout, ça nous permet d’utiliser… 🎉des grands modèles de langage🎆 (oui, ces célèbres patentes qu’on appelle à tort de l’intelligence artificielle) pour en faire des analyses automatiques, des résumés, et d’autres manipulations.

L’analyse spécifique qu’on en fera ici est une analyse du plus proche voisin qui nous permettra de faire de façon plus efficace une analyse du type mentionné ci-haut, c’est à dire, répondre à des questions du genre «comment se comparent les dispositions par rapport à l’aménagement des -stationnements entre Sainte-Adèle, Saint-Sauveur et Prévost». (si cela vous semble une question hautement inutile, vous n’êtes sûrement pas le public cible de ce blogue)

Pour ce faire, nous utiliserons la célèbre (ou pas) logithèque SentenceTransformers pour calculer des réprésentations vectorielles (embeddings) correspondant à chaque unité sémantique dans l’ensemble des règlements. Par la suite, on peut utiliser une multiplication matricielle très rapide pour obtenir les proches voisins de chaque élément (c’est à dire les articles semblables dans d’autres règlements ou d’autres villes). C’est vraiment très simple et efficace! Par contre, pour des très grands corpus de documents, il sera nécessaire d’utiliser un outil de référencement optimisé tel que FAISS ou RAGatouille.

Analyse et extraction du texte

Préalablement on aura téléchargé un ensemble de règlements avec ALEXI. Pour faciliter la chose on se limitera à trois règlements de zonage:

• Sainte-Adèle (si le lien ne fonctionne pas, veuillez consulter les règlements d’urbanisme)
• Sainte-Agathe-des-Monts - ou ici
• Prévost (mobilité et stationnement) - ou ici

Les ayant téléchargés, on va les analyser avec ALEXI:

alexi extract *.pdf

Cela va prendre quelques minutes pour créer le répertoire export avec plein de fichiers HTML et JSON (si vous voulez avoir plus d’information sur ce qui se passe vous pouvez utiliser alexi -v extract *.pdf). Par exemple, on voit que tous les articles du règlement de zonage de Sainte-Adèle se trouvent maintenant sous export/Rgl-1314-2021-Z-en-vigueur-20240823/Article, chacun dans un répertoire avec un seul fichier index.html.

Le texte des unités sémantiques est maintenant converti d’une forme graphique (des PDF) vers une forme moyennement sémantique (du HTML). Ce qui nous intéresse, par contre, c’est le texte brut. On peut alors utiliser BeautifulSoup ou lxml pour l’extraire de nouveau et le passer dans le modèle SentenceTransformers:

from bs4 import BeautifulSoup

def get_text(path) -> str:
    with open(path) as infh:
        soup = BeautifulSoup(infh)
        return soup.article.text

articles = {path : get_text(path) for path
            in Path("export").glob("**/Article/*/*.html")}

Réprésentation vectorielle et proches voisins

Pour générer les réprésentations vectorielles (embeddings) il nous faut un modèle pré-entraîné. Il en existe plusieurs sur le site HuggingFace qui sont spécialisés pour le français, qu’on retrouve (avec plusieurs informations utiles sur leur performance) dans l’espace DécouvrIR. Pour notre démonstration on utilisera la variété le plus simple et rapide, un «Single-vector dense bi-encoder» de moins de 100M paramètres. En cochant les cases on trouve que le meilleur à date est biencoder-distilcamembert-mmarcoFR… on y va!

import sentence_transformers as st
model = st.SentenceTransformer("antoinelouis/biencoder-distilcamembert-mmarcoFR")

Il nous reste qu’à transformer (lolle) les textes extraits en vecteurs ou plus précisément en une matrice. Pour ce faire on va les énumérer et retenir les indices pour faire la correspondance entre documents et rangées de cette matrice:

artidx = {path: idx for idx, path in enumerate(articles)}
idxart = list(articles)

Par la suite on calcule les vecteurs:

embeddings = model.encode(list(articles.values()), convert_to_tensor=True,
                          show_progress_bar=True)

Sur une carte graphique GT1030, qu’on peut acheter usagée autour de 75 $, cela prend environ 30 secondes. Enfin, on utilise la fonction semantic_search pour trouver les plus proches voisins de chaque rangée de la matrice (c’est instantané):

neighbours = st.util.semantic_search(embeddings, embeddings, top_k=20)

Pour voir ce que cela donne pour l’article 264 mentionné ci-haut, on va trouver le vecteur correspondant à cet article, puis ensuite afficher les plus proches articles qui ne viennent pas du même règlement:

import textwrap
# la rangée qui correspond à l'article 264 du règlement 1314-2021-Z
srcpath = Path("export/Rgl-1314-2021-Z-en-vigueur-20240823/Article/264/index.html")
idx = artidx[srcpath]
for n in neighbours[idx][1:]:
    neighbour_idx = n["corpus_id"]
    dstpath = idxart[neighbour_idx]
    if dstpath.parts[1] == srcpath.parts[1]:
        continue
    print(idxart[neighbour_idx])
    print(textwrap.fill(articles[idxart[neighbour_idx]].strip()[0:250]), "...")
    print()

On voit que le modèle a bel et bien trouvé des articles pertinents:

export/RUD_T6_VR/Article/6.4.6.3/index.html
Article 6.4.6.3 Aménagement d’une aire de stationnement extérieure de
15 cases ou plus  En plus des dispositions de l’article précédent, les
dispositions suivantes s’appliquent à toute aire de stationnement de
15 cases ou plus. L’aménagement d’une ai ...

export/RUD_T6_VR/Article/6.4.6.4/index.html
Article 6.4.6.4 Aménagement d’une aire de stationnement extérieure de
100 cases ou plus  En plus des dispositions des articles précédents,
une aire de stationnement pour véhicule de 100 cases et plus doit
respecter les dispositions suivantes : 1° une ...

export/RUD_T6_VR/Article/6.4.9.1/index.html
Article 6.4.9.1 Nombre de cases de stationnement pour véhicule
automobile  Tous les usages principaux doivent disposer d’un
stationnement hors rue d’une capacité minimale et maximale conforme
aux dispositions du présent article. Cette exigence est co ...

export/RUD_T6_VR/Article/6.4.5.1/index.html
Article 6.4.5.1 Aménagement d’une aire de stationnement extérieure de
moins de 3 cases ou allée de stationnement  Une aire de stationnement
extérieure de moins de 3 cases ou une allée de stationnement doit
respecter les dispositions suivantes : 1° el ...

export/Reglement-2009-U53-fevrier-2024/Article/12.1.7/index.html
Article 12.1.7 Accès aux aires de stationnement  (modifié, règlement
numéro 2011-U53-18, entré en vigueur le 2011-07-21) (modifié,
règlement numéro 2011-U53-21, entré en vigueur le 2011-12-15) Toute
case de stationnement doit être implantée de telle ...

Ce qu’on voit aussi est que la plupart des articles les plus similaires viennent du règlement de Prévost. Ceci nous indique que le règlement de zonage de Prévost (2024) serait plus similaire à celui de Sainte-Adèle que celui de Sainte-Agathe (2009).

Recherche semantique

Bien sûr, rien nous empêche de comparer autre chose que des articles des règlements. On peut également convertir des questions ou d’autres documents en vecteurs. Si par exemple on voulait savoir quelles articles ressemblent aux normes proposées par le CRE Montréal pour le stationnement écoresponsable en matière de verdissement… on peut le faire! Il faut simplement télécharger et extraire le texte de cette page:

import requests
r = requests.get("https://reglementaction.com/verdissement-du-stationnement/")
soup = BeautifulSoup(r.content)

Puis le transformer avec le modèle et faire semantic_search sur les règlements:

tvec = model.encode(soup.text)
for n in st.util.semantic_search(tvec, embeddings)[0][0:4]:
    neighbour_idx = n["corpus_id"]
    score = n["score"]
    print(score, idxart[neighbour_idx])
    print(textwrap.fill(articles[idxart[neighbour_idx]].strip()[0:500]), "...")
    print()

Et on trouve des dispositions potentiellement intéressantes dans les règlements:

0.413027286529541 export/Rgl-1314-2021-Z-en-vigueur-20240823/Article/188/index.html
Article 188 Compensation de la surface végétalisée minimale par des
espaces de stationnements perméables  La surface d’une portion d’un
espace de stationnement situé à l’intérieur du périmètre urbain conçu
à l’aide de pavés alvéolés ou de gazon renforcé avec dalle alvéolée
peut être comptabilisée dans le calcul de la surface végétale minimale
par un ratio de 50% (exemple : 100 m2 de stationnement en dalle
alvéolé peut donc représenter un crédit de 50 m2 de surface
végétalisée). La surface ainsi ...

0.38985273241996765 export/Rgl-1314-2021-Z-en-vigueur-20240823/Article/267/index.html
Article 267 Ilot de verdure  Un espace de stationnement hors rue
extérieur comportant 20 cases ou plus doit être aménagé de façon à ce
que toute série de 20 cases de stationnement adjacentes soit isolée
par un îlot de verdure conforme aux dispositions suivantes : Un îlot
de verdure doit respecter les dimensions suivantes : une largeur
minimale de 2 mètres; une superficie minimale de 25 mètres carrés pour
les cases aménagées en rang double, soit dos-à-dos; une superficie
minimale de 13 mètres car ...

0.3851878046989441 export/RUD_T6_VR/Article/6.1.2.6/index.html
Article 6.1.2.6 Agrandissement majeur d’un bâtiment  Un agrandissement
majeur représentant 25 % ou plus de la superficie de plancher du
bâtiment principal, mais moins de 100 % de cette superficie peut être
réalisé malgré l’existence d’un aménagement d’une aire de
stationnement dérogatoire pourvu que les conditions suivantes soient
respectées : 1° dans le cas d’une aire de stationnement extérieure de
15 cases et plus, l’aire de stationnement doit être réaménagée de
manière à respecter les exigenc ...

0.3690324127674103 export/RUD_T6_VR/Article/6.4.4.1/index.html
Article 6.4.4.1 Revêtement d’une aire de stationnement  Une aire de
stationnement extérieure doit être recouverte par l’un des matériaux
de revêtement suivants qui peuvent être perméables ou non, le cas
échéant : 1° l’asphalte; 2° le béton; 3° le pavé d e béton; 4° le pavé
de béton avec alvéoles végétalisées ou remplies de poussières de roche
ou de pierres concassées. Une aire de stationnement située dans une
zone de type T1, T2 ou ZP.1 et ZP.3 peut être recouverte de gravier. ...

On peut également extraire les règlements modèles de la page et chercher les articles similaires (ce qui marche mieux lorsqu’on a une plus grande collection de règlements).

Conclusion

J’ai fait un survol très rapide de ce qu’on est capable de faire avec une extraction sémantique et structurée du texte d’un PDF de règlement, et comment c’est facile de faire des analyses en utilisant SentenceTransformers.

Dans des futurs billets on regardera l’agglomération des articles, la possibilité d’entraîner un modèle spécifique pour ce domaine, ainsi que la possibilité de faire une comparaison quantitative entre règlements pour des critères spécifiques par rapport à l’environnement.