Du fait de leurs avantages respectifs, la mesure et la mod´elisation sont deux approches indis-pensables et compl´ementaires pour ´evaluer la qualit´e de l’air. En effet, les mesures de concentration repr´esentent des donn´ees de r´ef´erence auxquelles se comparer pour ´evaluer les mod`eles de dispersion atmosph´erique. De mˆeme, les mod´elisations de la qualit´e de l’air permettent de v´erifier la pertinence de l’emplacement des capteurs et d’optimiser le r´eseau de mesures. Pendant longtemps, ces deux approches ont ´et´e utilis´ees de mani`ere distincte pour ´evaluer la qualit´e de l’air. N´eanmoins, la qua-lit´e de l’air est ´evalu´ee depuis quelques ann´ees en combinant les donn´ees mesur´ees par les capteurs
2.4. CONCLUSION 25
et les estimations fournies par les mod´elisations. Cette d´emarche est appliqu´ee en utilisant des m´ e-thodes d’assimilation de donn´ees (AD). Celles-ci sont g´en´eralement d´efinies comme des m´ethodes statistiques combinant des donn´ees mesur´ees et mod´elis´ees. N´eanmoins, la d´efinition du terme assi-milation de donn´ees diff`ere selon les auteurs. La d´efinition la plus g´en´erique est celle de (Talagrand, 1997) qui d´efinit l’assimilation de donn´ees comme l’utilisation de plusieurs sources d’informations pour d´eterminer le plus pr´ecis´ement possible l’´etat d’un syst`eme. Rabier (1993), Kalnay (2003), Swinbank et al. (2003) et(Denby et al., 2005) pr´ecisent cette d´efinition et d´esignent l’assimilation de donn´ees comme la combinaison de mod`eles et de mesures permettant d’am´eliorer l’estimation de l’´etat d’un syst`eme. Dans la litt´erature, l’expression fusion de donn´ees est aussi parfois utilis´ee. Denby et Spang (2010) et Zhang et al. (2012) font une distinction entre les m´ethodes de fusion de donn´ees et les m´ethodes d’assimilation de donn´ees. Denby et Spang (2010) indiquent que les m´ethodes de fusion de donn´ees combinent plusieurs types de donn´ees, avec une approche statistique ou g´eom´etrique, pour estimer de la mani`ere la plus satisfaisante possible l’´etat d’un syst`eme. La principale diff´erence avec l’assimilation de donn´ees r´eside dans le fait que la fusion de donn´ees ne prend pas en compte les lois physiques `a l’origine des ph´enom`enes ´etudi´es. Par la suite, cette distinc-tion n’est pas prise en compte et le terme assimiladistinc-tion de donn´ees fait r´ef´erence `a la combinaison de donn´ees mesur´ees et mod´elis´ees, avec une approche statistique ou g´eom´etrique, permettant d’es-timer le meilleur ´etat possible d’un syst`eme. Les m´ethodes d’assimilation de donn´ees sont utilis´ees depuis plusieurs d´ecennies dans le domaine de la physique atmosph´erique, notamment en m´et´ eo-rologie (Morel et Talagrand, 1974 ; McPherson, 1975 ; Miyakoda et al., 1976, 1978 ; McPherson et al., 1979). Cependant, elles sont appliqu´ees au domaine de la qualit´e de l’air uniquement depuis la fin des ann´ees 1990 (Elbern et al., 1997; Elbern et Schmidt, 1999 ;Elbern et al., 2000 ;Segers et al., 2000 ;van Loon et al., 2000). Les m´ethodes d’assimilation de donn´ees sont couramment uti-lis´ees avec les mod`eles `a m´eso-´echelle mais encore peu appliqu´ees avec les mod`eles `a l’´echelle locale. L’utilisation de ces m´ethodes `a l’´echelle locale fait l’objet du chapitre 10.
2.4 Conclusion
Les mesures de concentration et la mod´elisation de la dispersion atmosph´erique sont deux ap-proches utilis´ees pour ´evaluer la qualit´e de l’air. Les mesures refl`etent la r´ealit´e et constituent les donn´ees les plus fiables pour ´evaluer la qualit´e de l’air. N´eanmoins, la distribution spatio-temporelle des mesures est h´et´erog`ene et ne permet pas d’´evaluer les niveaux de concentration sur tout un domaine. Les mod`eles de dispersion atmosph´erique permettent d’estimer la qualit´e de l’air avec une r´esolution spatio-temporelle plus fine sur toute une zone d’´etude. Cependant, les estimations fournies par les simulations num´eriques sont consid´er´ees comme moins pr´ecises que les mesures. Depuis quelques ann´ees, l’´evaluation de la qualit´e de l’air est ´egalement effectu´ee en combinant les mesures et les estimations associ´ees aux simulations num´eriques avec des m´ethodes d’assimilation de donn´ees. Ces m´ethodes sont jusqu’`a aujourd’hui surtout utilis´ees pour ´evaluer la qualit´e de l’air `
Chapitre 3
Pr´esentation g´en´erale de l’´etude
Les deux premiers chapitres ont permis d’introduire la th´ematique g´en´erale de notre projet de recherche : la pollution atmosph´erique et l’´evaluation de la qualit´e de l’air.
Dans ce troisi`eme chapitre, nous expliquons les motivations (section 3.1) et les objectifs (section 3.2) de ce projet de recherche. De mˆeme, nous exposons la d´emarche appliqu´ee au cours de ce travail de th`ese (section 3.3).
3.1 Contexte
3.1.1 Risque sanitaire associ´e `a la pollution de l’air plus important en milieu urbain
Depuis plusieurs d´ecennies, l’exode rural augmente (Fenger, 1999). D’apr`es les Nations Unies, la proportion de la population mondiale vivant en zone urbaine est pass´ee de 30 % en 1950 `a 54 % en 2014 (UN, 2014). Cette proportion devrait atteindre 66 % d’ici 2050. La base de donn´ees de l’OMS (WHO, 2016) indique que les concentrations moyennes annuelles de PM10en 2014 exc`edent les valeurs recommand´ees par l’OMS dans 522 villes dans le monde (donn´ees sur 1143 villes en 2014). C’est ´egalement le cas pour les concentrations de PM2.5 dans 728 villes. Les niveaux de pollution dans les milieux urbains sont globalement plus ´elev´es notamment en raison d’´emissions plus importantes (Guerreiro et al., 2014;Holman et al., 2015). Les fortes concentrations de polluants en milieu urbain conjugu´ees `a l’accroissement de l’urbanisation augmente a fortiori le risque d’effets sanitaires importants dus `a la pollution atmosph´erique. Aussi, la qualit´e de l’air en milieu urbain constitue une probl´ematique majeure.
3.1.2 Besoin d’am´eliorer la mod´elisation de la qualit´e de l’air en milieu urbain Pour am´eliorer la qualit´e de l’air, il est important de r´eduire les ´emissions. De plus, il est n´ e-cessaire de pouvoir ´evaluer le plus pr´ecis´ement possible les niveaux de concentration pour lutter efficacement contre les effets de la pollution atmosph´erique. Pour estimer les niveaux de concentra-tion dans les zones urbaines, il est n´ecessaire d’´evaluer la qualit´e de l’air `a l’´echelle de la rue. Cette
28 CHAPITRE 3. PR ´ESENTATION G ´EN ´ERALE DE L’ ´ETUDE
´
echelle correspond globalement `a l’´echelle caract´eristique de la variabilit´e spatiale des concentra-tions en milieu urbain (Kousa et al., 2002). Elle correspond ´egalement `a une ´echelle pertinente pour ´
evaluer les effets sanitaires dans les zones urbaines (Nyberg et al., 2000 ; Bellander et al., 2001 ; Borrego et al., 2006).
En utilisant uniquement des appareils de mesures (et sans effectuer des traitements statistiques), il faudrait disposer de plusieurs dizaines de milliers de capteurs pour ´evaluer la qualit´e de l’air `a l’´echelle d’une agglom´eration avec une telle r´esolution spatiale. Aussi, cette d´emarche n’est actuelle-ment pas envisageable d’un point de vue ´economique. A titre de comparaison, le r´eseau de mesures des AASQA en France est compos´e d’environ 1600 capteurs r´epartis sur pr`es de 650 stations sur tout le territoire national (CGDD, 2015).
Les mod`eles urbains de qualit´e de l’air permettent de cartographier les niveaux de concentration avec une r´esolution spatiale de quelques dizaines de m`etres voire quelques m`etres. N´eanmoins, les estimations fournies par les simulations num´eriques `a l’´echelle urbaine (mais ´egalement aux autres ´echelles) sont globalement moins fiables que les mesures. Cela est dˆu `a diverses raisons. Bien que les connaissances sur les ph´enom`enes de dispersion atmosph´erique `a l’´echelle urbaine ont ´
evolu´e, les mod`eles urbains restent imparfaits. De plus, les mod`eles urbains doivent r´epondre `a des contraintes op´erationnelles comme permettre d’estimer la qualit´e de l’air avec un temps de simulation relativement court afin de pouvoir prendre des mesures et mettre en place des actions le plus rapidement possible en cas de besoin. Aussi, les mod`eles urbains op´erationnels s’appuient sur un certain nombre d’hypoth`eses simplificatrices pour r´eduire le coˆut en temps de calcul. Cela constitue une autre source d’incertitude sur les estimations fournies par ce type de mod`ele. De mˆeme, l’estimation des donn´ees d’entr´ee des mod`eles est une ´etape complexe et est `a l’origine d’une grande partie des incertitudes associ´ees aux estimations (Soulhac et al., 2012). Plusieurs ´etudes ont compar´e les estimations des mod`eles urbains `a des mesures de concentration effectu´ees en zone urbaines (Kukkonen et al., 2003;Chan et Leach, 2007 ; Hendricks et al., 2007; Hanna et Chang, 2012;Soulhac et al., 2012;Tilloy et al., 2013). Dans les ´etudes deKukkonen et al. (2003),Soulhac et al. (2012)et Tilloy et al. (2013)le coefficient de corr´elation entre les estimations fournies par le mod`ele urbain utilis´e et les mesures de concentration de NO2 varie entre 0.59 et 0.81 (cet indice statistique illustre la corr´elation entre deux variables et varie entre -1 et 1, 1 ´etant la valeur optimale). De mˆeme, les r´esultats de ces trois ´etudes indiquent que les concentrations moyennes mod´elis´ees de NO2 sont entach´ees d’une erreur qui oscille entre 1 % et 33 %. Ce constat indique qu’il est n´ecessaire de travailler `a la r´eduction des incertitudes associ´ees aux simulations num´eriques `a l’´echelle urbaine.