Air Labo Methode Eval

Les donnes de l'IBGE : "Air"
LES MTHODES DVALUATION DE LA QUALIT DE LAIR

PAGE 1 SUR 34 JANVIER 2011
BRUXELLES ENVIRONNEMENT - OBSERVATOIRE DES DONNEES DE LENVIRONNEMENT

1. Mthodes dveloppes pour lexploitation des concentrations
mesures
1.1. Paramtres statistiques
Cette section dcrit les principaux paramtres statistiques utiliss dans le cadre des valuations de
qualit de lair. Ces paramtres se rfrent en grande partie aux valeurs normatives fixes dans les
directives europennes.
Considrons un chantillon reprsentatif de valeurs mesures dune variable mtorologique telle que
la temprature ou la vitesse du vent. Le caractre reprsentatif de lchantillon est assorti dun grand
nombre de donnes et permet de saffranchir de linfluence dventuels vnements extrmes. Si lon
reporte les frquences cumules sur un diagramme, on obtient une courbe symtrique en forme de
cloche (figure IV.1). On parle dans ce cas dune distribution normale ou gaussienne. Si lon considre
une variable alatoire x reprsente par une srie de n donnes mesures x
i
, deux paramtres
statistiques suffisent la dcrire :
la moyenne arithmtique : x =
1
n
x
i
i=1
n

lcart-type (exprime la dispersion des mesures) : =
x
i
x
( )
2
i=1
n
n 1

Dans une distribution normale, la moyenne arithmtique et la mdiane sont gales. Sur base des deux
paramtres indiqus ci-dessus, la densit de probabilit de la distribution normale est dcrite par la
fonction suivante :
p x ( ) =
1
2
e
1
2
x x
|
\

|

|

La surface sous une courbe de distribution normale reprsente la probabilit qu'un phnomne se
produise dans cet intervalle, la surface totale sous la courbe valant toujours 1 (figure IV.1).

Figure IV.1 : Distribution gaussienne dune population donne.
Source : IBGE.

La distribution normale est particulirement intressante parce que la trs grande majorit des
phnomnes naturels tendent vers cette distribution quand on prend un grand nombre de mesures.
Les mesures de concentrations de polluants constituent cependant une exception cette rgle. En
effet, en traant les frquences cumules de concentrations dun polluant donn sur un diagramme, on
obtient une courbe non symtrique qui stire du ct des grandes valeurs de concentrations, avec une
mdiane gnralement infrieure la moyenne arithmtique (figure IV.2, courbe a). A priori, une telle
courbe ne prsente pas de proprit remarquable. Mais si lon reprsente plutt le logarithme des
frquences cumules, la courbe prend la forme dune distribution gaussienne (figure IV.2, courbe b).
La distribution des teneurs en polluants atmosphriques suit ainsi une loi log-normale. Cette dernire
est caractrise par les deux paramtres statistiques suivants :
la moyenne gomtrique ou mdiane : x
g
= x
i
i=1
n
n
= exp
1
n
ln x
i
( )
i=1
n
|
\

|

|
la dviation standard gomtrique :
g
= exp
ln x ( ) ln x
g ( ) ( )
2
n
|
\

|

|
|
|

La densit de probabilit de la loi log-normale est donne par :
p x ( ) =
exp
ln x ( ) ln x
g
( )
( )
2
2
g
2
|
\

|

|
|
|
x 2

Figure IV.2 : Courbes de frquence de rpartition de donnes de la pollution atmosphrique. a :
ordonnes en %, abscisses en concentrations ; b : ordonns en %, abscisses en logarithme
des concentrations ; c : ordonnes en frquences cumules, abscisses en logarithme des
concentrations.
Source : Chovin et Roussel, 1973.

Outre les mdianes et moyennes arithmtiques, dautres paramtres statistiques tels que les centiles
sont rgulirement utiliss dans le cadre de lvaluation de la qualit de lair. Par dfinition, les centiles
(percentiles en anglais) P correspondent aux valeurs telles que % des mesures leur soient
infrieures (et par consquent (100 - ) les dpassent). Par exemple, la premire directive europenne
80/779/CE relative la qualit de lair fixait une valeur limite de 250 g/m
3
sur le centile P98 des
concentrations journalires de SO
2
: cela signifie que le seuil journalier de 250 g/m
3
sur les
concentrations de SO
2
ne pouvait tre dpass pendant plus de 7 jours par an. Concrtement, le
calcul des centiles est ralis en deux tapes :

les n valeurs disponibles sont classes par ordre croissant : x
1
< x
2
<.... < x
k
< ... < x
n1
< x
n
;
le centile est la valeur du k
me
lment o k = .n 100, la valeur de k tant arrondie au
nombre entier le plus proche.

Les centiles P90, P95 et P98 sont les plus couramment utiliss dans les valuations. Il faut galement
remarquer que la mdiane correspond au centile P50.
La notion de centile tait mentionne explicitement dans les premires directives de qualit de lair.
Actuellement, elle nest plus reprise explicitement : on parlera plutt de valeur limite ne pas dpasser
plus dun certain nombre de fois par an. Par exemple, la directive 2008/50/CE fixe, partir du 1 janvier
2010, une valeur limite de 200 g/m
3
sur les concentrations horaires de NO
2
qui ne peut tre dpasse
plus de 18 fois par an. Ce nombre autoris de dpassements revient fixer une valeur limite de 200
g/m
3
sur le centile P99.8 des concentrations horaires de NO
2
.

1.2. Modle de LARSEN

La frquence des mesures de qualit de lair dpend troitement des contraintes techniques lies
lappareillage utilis. Les mesures semi-automatiques, qui ncessitent une analyse des prlvements
en laboratoire, noffrent gnralement pas une rsolution suprieure 1 jour.
Pourtant, les concentrations moyennes sur 24 heures ne donnent pas ncessairement une indication
prcise des valeurs qui peuvent tre atteintes sur des chelles de temps plus courtes. Cest
notamment pour rsoudre cette difficult que Larsen a tabli les lois de distribution des teneurs des
principaux polluants.
Le modle Larsen (Chovin et Roussel, 1973 ; Derouane et Verduyn, 1980) a t mis au point
principalement pour rsoudre les problmes suivants :

calculer la frquence de dpassement dun seuil fix sur les concentrations ;
comparer deux sries de donnes caractrises par des frquences dchantillonnage
diffrentes.

Le modle de Larsen suppose que les concentrations de polluants sont fonction de la frquence et de
la dure dchantillonnage. Plus prcisment, il repose sur les hypothses suivantes :

la distribution des concentrations de polluants suit une loi log-normale, quelle que soit la
frquence dchantillonnage ;
la mdiane et la concentration maximale sont une fonction puissance de la dure
dchantillonnage ; la concentration minimale est inversement proportionnelle une puissance
de la dure dchantillonnage ;
la moyenne arithmtique est indpendante de la dure dchantillonnage ;
pour la dure dchantillonnage la plus longue, la moyenne arithmtique, la mdiane, les
concentration minimale et maximale sont gales.

Llaboration du modle de Larsen repose sur le constat que la concentration maximale dun polluant
que lon dtermine partir de prlvements successifs pendant un laps de temps dtermin est
dautant plus faible que la dure dchantillonnage, que lon note t, est plus longue (figure IV.3).
Inversement, les valeurs minimales croissent lorsque t augmente. Partant de ce constat, Larsen a
tabli une relation entre la valeur maximale des concentrations et la dure dchantillonnage t :

mdiane
t
= a. t ( )
b

C
max
t
= a . t
( )
b

C
min
t
= a . t
( )
b

Les constantes a et b sont ensuite dtermines en appliquant les relations deux dures
dchantillonnage pour lesquelles les concentrations sont connues (figure IV.4).

Figure IV.3 : Variation de la concentration moyenne dun polluant, a) pendant des intervalles de
5 minutes, b) pendant des intervalles de 30 minutes.

Les applications de ce modle sont toutefois pas illimites. Si une srie de concentrations mesures
nest pas distribue selon une loi log-normale, les concentrations maximales prvues par le modle
pour des dures dchantillonnage intermdiaires seront imprcises.

Le modle est gnralement correct pour des dures de prlvement courtes (infrieures quelques
jours) et longues (plus dun an). Pour des dures de prlvement infrieures une heure, le maximum
observ est souvent surestim par le modle. Les carts entre le modle et les mesures apparaissent
surtout pour les polluants secondaires, ce qui sexplique par le temps caractristique pour certaines
ractions chimiques qui peut tre suprieur au temps de prlvement. Une autre explication rside
dans le temps de rponse des appareillages de mesure.

Malgr ces limitations, le modle mathmatique de Larsen prsente un grand intrt pour :
comparer des donnes de pollution acquises en des endroits diffrents et ventuellement avec
dures dchantillonnage diffrentes ;
dduire des valeurs de pointe de pollution pour des dures dchantillonnage plus courtes que
celles du prlvement, et ceci dans le but de dterminer lexposition de la population aux
concentrations leves ;
estimer le pourcentage du temps pendant lequel une valeur limite a pu tre dpasse.

Figure IV.4 : Variation de la concentration maximale (ou minimale) avec la dure
dchantillonnage.

1.3. Evaluation de lexposition aux polluants Interpolation RIO

En plus de la mise disposition au public des donnes de qualit de lair mesures en temps rel, les
Etats membres doivent valuer la qualit de lair dans toutes les agglomrations et les zones dfinies
sur leur territoire. Depuis la directive cadre 96/62/CE et ses 4 directives filles associes, le rapportage
officiel de la qualit de lair est ralis dans le cadre du Questionnaire dfini par la directive
2004/461/CE. Ce dernier comprend les concentrations et les dpassements de normes relevs aux
stations de mesures afin de vrifier le respect des valeurs limites et valeurs guides europennes. La
nouvelle directive de qualit de lair 2008/50/CE conserve ce principe mais, en accord avec la directive
INSPIRE 2007/2/CE, elle soutient lutilisation doutils dvaluation de la qualit de lair orientation
gographique. Plus prcisment, elle vise tendre et vrifier le respect des normes en tout endroit
des zones dfinies par les Etats membres, plutt que se limiter seulement aux postes de mesure qui
ne sont pas toujours reprsentatifs de la zone en question. Dans cette perspective, il est essentiel de
disposer doutils permettant dexploiter et dinterpoler au mieux les donnes du rseau de mesures en
vue dtablir lexposition de la population aux polluants et aux dpassements de normes.

Il existe diffrentes mthodes pour interpoler des donnes disposes de faon irrgulire. Dans le
domaine de la qualit de lair, les plus connues sont linterpolation IDW (Inverse Distance Weighting) et
le krigeage ordinaire. Quelle que soit lapproche choisie, la reprsentativit spatiale des donnes
interpoler est suppose identique en tout point du domaine considr. En pratique, cette hypothse est
loin dtre satisfaite : les concentrations mesures proximit immdiate dun metteur de polluants
(par exemple, une industrie ou encore un axe routier dense) possdent une reprsentativit limite et
gnralement de lordre de quelques centaines de mtres, alors quune station situe en fort sera
reprsentative de la zone forestire en question et, par consquent, dune surface beaucoup plus
tendue. Dans ces conditions, lapplication dune mthode dinterpolation aura pour consquence
dexagrer la porte spatiale des mesures effectues dans les stations reprsentativit spatiale
limite.
Figure IV.5 : Base de donnes doccupation de surface Corine Land Cover 100 m de
rsolution, utilise pour la dtermination du coefficient de pollution.
Source : CELINE.

Pour rsoudre cette difficult et satisfaire lhypothse dhomognit spatiale de reprsentativit des
donnes interpoler, la mthode dinterpolation RIO (Janssen et al., 2008), dveloppe dans le cadre
dune collaboration entre CELINE et le VITO, propose une approche originale et novatrice. Celle-ci
consiste retirer linfluence locale de sources dmission sur les valeurs mesures avant de procder
linterpolation, et de rintroduire les effets locaux aprs interpolation.
Linfluence locale sur les concentrations de polluants est dfinie comme le supplment d la
prsence de sources polluantes locales et correspond la diffrence que lon mesurerait par rapport
une station situe en zone rurale. La dtermination de cette contribution locale repose sur lassociation
de chaque type doccupation de surface un coefficient de pollution : en fonction du polluant
considr, le coefficient de pollution permettra de caractriser et diffrencier les niveaux de pollution
rencontrs dans des environnements aussi diffrents que les zones rurales, urbaines et industrielles.
Concrtement, les coefficients de pollution relatifs chaque classe doccupation sont calculs sur
base dune analyse statistique reliant les sries de mesures avec les occupations de surface. Les
classes doccupation de sol sont obtenues partir de la base de donnes Corine Land Cover
CLC2000 (EEA 1995) 100 m de rsolution spatiale (figure IV.5). A partir des coefficients de pollution
attribus chaque classe doccupation de surface, un coefficient de pollution moyen peut tre estim
lendroit de chaque station de mesure : ce dernier est obtenu en prenant en compte toutes les
occupations de surface dans un rayon de 2 km autour du point considr (figure IV.6), de faon tenir
compte de son environnement proche.

Figure IV.6 : Environnement pris en considration autour dune station de mesure (dans cet
exemple, la station 43R240 Engis) pour la dtermination du coefficient de pollution sur base
des classes doccupation de surface de Corine Land Cover.
Source : CELINE.

43R240

Figure IV.7 : Sur base des classes doccupation de surface de Corine Land Cover,
dtermination du coefficient de pollution dans chaque maille de la grille dinterpolation.
Source : CELINE.

La mthode RIO comporte trois tapes principales :
Adaptation des donnes interpoler en retirant les effets locaux, ce qui revient ramener les
concentrations au niveau dune zone rurale. La correction appliquer seffectue laide du
coefficient de pollution.
Interpolation des donnes adaptes. Dans le cas de linterpolation RIO, la mthode
dinterpolation choisie est le krigeage ordinaire. Sur un plan conceptuel, le krigeage peut tre
applique aux donnes adaptes puisque celles-ci satisfont lhypothse dhomognit spatiale
de reprsentativit. La grille dinterpolation est habituellement choisie une rsolution de 4 km,
mme si des tests rcents ont dmontr la possibilit de descendre des rsolutions plus fines
de lordre du kilomtre.

2 km
Adaptation des rsultats de linterpolation pour ramener ceux-ci du niveau dune zone rurale
vers lenvironnement (ville, zone industrielle, etc) qui leur correspond. Il sagit de lopration
inverse de ltape 1, si ce nest quelle est applique aux points de la grille interpole et non plus
aux donnes de dpart. Cette adaptation ncessite la dtermination pralable des coefficients
de pollution pour chaque maille de la grille dinterpolation (figure IV.7).

Les figures IV.8 et IV.9 prsentent les cartes dinterpolation obtenues pour les moyennes annuelles de
NO
2
en 2002 respectivement laide des interpolations IDW et RIO. Les rsultats obtenus par
linterpolation IDW refltent dexagration de la porte spatiale de certaines mesures effectues dans
des stations reprsentativit spatiale limite. Linterpolation RIO prend en compte la reprsentativit
spatiale de chaque poste de mesure et produit, de ce fait, une distribution spatiale plus raliste.

La figure IV.10 montre un exemple dapplication de linterpolation aux concentrations annuelles de SO
2

mesures en 2008.
Figure IV.8 : Carte des concentrations annuelles de NO
2
pour lanne 2002 obtenue laide de
linterpolation IDW.
Source : CELINE.

Legend
NO2 [g/m]
error
1 - 10
11 - 12
13 - 14
15 - 17
18 - 20
21 - 23
24 - 26
27 - 29
30 - 33
> 33

Figure IV.9 : Carte des concentrations annuelles de NO
2
pour lanne 2002 obtenue laide de
linterpolation RIO.
Source : CELINE.

Legend
NO2 [g/m]
error
1 - 10
11 - 12
13 - 14
15 - 17
18 - 20
21 - 23
24 - 26
27 - 29
30 - 33
> 33

Figure IV.10 : Moyenne annuelle des concentrations de SO
2
en 2008
Source : CELINE.

2. Exploitation des variables mtorologiques

Sur le court terme, lvolution des concentrations de polluants dans lair ambiant est rgie, au premier
ordre, par la capacit de la basse atmosphre disperser les polluants. On peut notamment
remarquer que la plupart des pisodes de pollution sont caractriss par une trs faible dispersion des
polluants : la quasi-absence de vent et la prsence dune inversion thermique persistante basse
altitude sont les principales causes de laccumulation des polluants dans les premires dizaines de
mtres de latmosphre. Lanalyse des variables mtorologiques apparat donc primordiale pour
analyser et interprter lvolution de la pollution de lair.

2.1. Procdure dalerte base sur la longueur de transport

A la demande de lIBGE en 2001, lIRM a dvelopp une procdure de prvision des conditions
mtorologiques dfavorables la dispersion des polluants (Termonia et Quinet, 2004). Celle-ci
sappuie sur la notion de longueur de transport qui caractrise lintensit de la dispersion dans la
couche limite de surface. Elle est dfinie comme suit :

U
l = (1)

o U est la vitesse du vent et est la frquence de Brunt-Visl :

dz
d g
= (2)

Dans la relation (2), g est la gravit et reprsente la temprature potentielle. La longueur de
transport est donc une grandeur qui reprsente la distance parcourue par une parcelle dair emporte
par le vent moyen au cours dune oscillation de Brunt-Visl, la frquence des oscillation tant
troitement relie ltat de stabilit de latmosphre. Par consquent, la longueur de transport prend
en compte les processus mcaniques et thermiques qui sont susceptibles de gnrer de la turbulence.
Dune certaine manire, cette grandeur caractrise les capacits dispersives de latmosphre.
Figure IV.11 : Interprtation physique de la notion de longueur de transport , en fonction de
la vitesse moyenne du vent et des oscillations de Brunt-Visl.
Source : IBGE.

1 oscillation
Transport length
Horizontal
wind
1 oscillation
Transport length
Horizontal
wind

De faibles valeurs de l traduisent la prsence de conditions mtorologiques dfavorables la
dispersion des polluants. Si ces conditions persistent pendant une dure suffisamment importante,
gnralement de lordre de 12 20 heures, elles peuvent donner lieu une augmentation significative
des concentrations de polluants.

Une premire procdure de prvision a t teste et value au cours de lhiver 2002-2003 sur la
Rgion bruxelloise. Les prvisions de longueur de transport taient calcules partir des sorties du
modle ALADIN de lIRM. Lanalyse des situations rencontres au cours de cette priode ont contribu
amliorer encore les capacits de dtection des situations risque, en affinant notamment certains
seuils relatifs la persistance des conditions dfavorables la dispersion. Le critre de dtection des
situations dfavorables la dispersion des polluants et pouvant donner lieu un pic de pollution se
rsumait comme suit :

Pendant une dure dau moins 17 heures, la longueur de transport (l) doit tre infrieure 100
m en tout point dune couche de 100 m dpaisseur ( partir de la surface).
Les conditions mtorologiques seront dautant plus dfavorables que la dure de lvnement
sera leve et que la couche dans laquelle l < 100 m sera paisse.

Le critre de dtection dalerte la pollution nonc ci-dessus inclut implicitement les effets lis la
prsence des conditions anticycloniques et dune inversion thermique. En effet, linversion thermique,
qui se dveloppe prfrentiellement en situation anticyclonique, se traduit par une importante stabilit
des couches qui est prise en compte travers la frquence de Brunt-Visl (dnominateur de l). Ce
critre traduit donc la faible intensit des mouvements la fois horizontaux et verticaux.

A Bruxelles, la prvision des pisodes de pollution base sur la dtection des conditions
mtorologiques dfavorables la dispersion des polluants est entre en vigueur le 1 dcembre 2003.
Quelques jours aprs loprationnalisation de la procdure, les prvisions du modle ALADIN initialis
le 8 dcembre 0 h TU (figure IV.12) ont permis de mettre en vidence des conditions
mtorologiques trs dfavorables la dispersion des polluants pour les 9 et 10 dcembre. Le
caractre exceptionnel de cette situation tait li des vitesses de vent particulirement faibles et la
prsence dune forte inversion thermique. Sur base des prvisions fournies par lIRM et en
concertation avec CELINE (Cellule Interrgionale de lEnvironnement) et lIBGE (Institut Bruxellois de
la Gestion de lEnvironnement), les autorits bruxelloises ont dcid de diffuser un bulletin dalerte la
pollution auprs des mdias afin de sensibiliser la population et de limiter lutilisation des vhicules.

Lanalyse posteriori de cet pisode a permis de vrifier la pertinence de cette prvision. Comme le
montre la figure IV.13, les concentrations horaires de NO
2
principalement influences par les
missions issues des vhicules ont atteint des valeurs leves. Le seuil de 200 g/m en moyenne
horaire (18 dpassements annuels autoriss) a t dpass quatre stations : Molenbeek (251
g/m), Arts-Loi (309 g/m), Haren (217 g/m) et Parc Meudon (224 g/m). Les concentrations
atteintes en NO
2
cette priode taient alors les plus importantes enregistres en 2003 et confirment
que la situation observe entre le 9 et le 10 dcembre tait une des plus graves sur la priode 1989-
2003, surtout en terme de dure de lvnement.

Figure 12: Prvisions initialises le 8 dcembre 2003 0 h (GMT). Ce graphique prsente
lvolution temporelle de la longueur de transport (L). Il montre, laide de barettes bleues, les
instants auxquels le critre dalerte est satisfait.
Source : IRM.

Figure 13: Concentrations de NO
2
(g/m) mesures au cours du 7 au 11 dcembre 2003 en
Rgion bruxelloise.
Source : IBGE.

2.2. Transport horizontal dans la couche limite

Un autre paramtre mtorologique peut apporter un complment danalyse fort utile : le transport
horizontal dans la couche limite. Ce dernier est calcul par le produit de la hauteur de la couche limite
et du vent moyen dans cette couche (figure IV.14).

Figure IV.14 : Transport horizontal dans la couche limite, obtenu par le produit de la vitesse
moyenne du vent dans la couche limite et la hauteur de la couche limite.
Source : CELINE.

Atmosphre libre
Couche limite
vent moyen
hauteur
couche
limite

Le transport horizontal dans la couche limite est une variable qui peut tre mise avantageusement en
relation avec lvolution des concentrations de PM10. La figure IV.15 montre en effet une intressante
anti-corrlation entre le logarithme du transport horizontal moyenn journellement entre 0 et 9 h et les
concentrations moyennes journalire de PM10. Le transport horizontal moyenn sur la journe entire
na pas montr un accord aussi marqu avec les concentrations journalires de PM10. Ceci souligne
limportance des conditions mtorologiques en dbut de journe sur les concentrations mesures,
plus prcisment la conjonction de conditions de faible dispersion avec le pic de pollution matinal
(heures de pointe, relance des chauffages, etc). Le pic de pollution qui a lieu en soire semble jouer
un rle moins important sur les concentrations journalires, probablement en raison des conditions de
dispersion qui demeurent gnralement plus favorables que le matin.

Lanalyse du transport horizontal dans la couche limite au cours des hivers de 1999-2003 montre que
des valeurs horaires infrieures 20 m/s concident avec des conditions de dispersion trs faibles. A
lchelle journalire, ce seuil se traduit approximativement par des valeurs du transport horizontal
infrieur 100 m/s.

Figure IV.15 : Reprsentation du transport horizontal dans la couche limite, en relation avec les
concentrations journalires de PM10 observes Bruxelles. Les valeurs journalires du
transport horizontal sont tablies partir du transport moyen entre 0 et 9 h. Les valeurs du
transport sont reprsentes suivant un axe logarithmique invers, de faon faciliter la
comparaison avec lvolution des PM10.
Source : CELINE.

1
10
100
1000
10000
100000
1
/
1
2
/
0
2
6
/
1
2
/
0
2
1
1
/
1
2
/0
2
1
6
/
1
2
/0
2
2
1
/
1
2
/0
2
2
6
/
1
2
/0
2
3
1
/
1
2
/0
2
5
/
0
1
/
0
3
1
0
/
0
1
/0
3
1
5
/
0
1
/0
3
2
0
/
0
1
/0
3
2
5
/
0
1
/0
3
3
0
/
0
1
/0
3
4
/
0
2
/
0
3
9
/
0
2
/
0
3
1
4
/
0
2
/0
3
1
9
/
0
2
/0
3
2
4
/
0
2
/0
3
1
/
0
3
/
0
3
6
/
0
3
/
0
3
1
1
/
0
3
/0
3
1
6
/
0
3
/0
3
2
1
/
0
3
/0
3
2
6
/
0
3
/0
3
1
/1
2
/
0
2
6
/1
2
/
0
2
1
1
/
1
2
/
0
2
1
6
/
1
2
/
0
2
2
1
/
1
2
/
0
2
2
6
/
1
2
/
0
2
3
1
/
1
2
/
0
2
5
/0
1
/
0
3
1
0
/
0
1
/
0
3
1
5
/
0
1
/
0
3
2
0
/
0
1
/
0
3
2
5
/
0
1
/
0
3
3
0
/
0
1
/
0
3
4
/0
2
/
0
3
9
/0
2
/
0
3
1
4
/
0
2
/
0
3
1
9
/
0
2
/
0
3
2
4
/
0
2
/
0
3
1
/0
3
/
0
3
6
/0
3
/
0
3
1
1
/
0
3
/
0
3
1
6
/
0
3
/
0
3
2
1
/
0
3
/
0
3
2
6
/
0
3
/
0
3
0
20
40
60
80
100
120
Concentrations journalires de PM10
Transport horizontal entre 0 et 9 h TU
T
r
a
n
s
p
o
r
t

h
o
r
i
z
o
n
t
a
l

(
m
/
s
)
C
o
n
c
e
n
t
r
a
t
i
o
n
s

j
o
u
r
n
a
l
i
r
e
s

(
g
/
m
)
50

2.3. Autres variables mtorologiques explicatives de la dispersion des polluants

Lanalyse mtorologique dune situation donne ne se limite pas la longueur de transport ou encore
au transport horizontal dans la couche limite. Dautres variables plus lmentaires peuvent apporter
des informations essentielles pour mieux comprendre les facteurs mtorologiques qui vont moduler
lintensit de la dispersion.
Lanalyse du champ de pression permet de situer linfluence des masses dair dans le contexte de la
circulation synoptique. En rgle gnrale, des masses dair dorigine maritimes seront moins charges
en polluants que des courants continentaux qui passent au-dessus de rgions plus ou moins pollues.
Des courants instables favorisent une dispersion efficace des polluants. Le passage de zone frontale
(front chaud, froid ou occlus) est souvent lorigine dun renforcement de la turbulence qui savre
bnfique pour la dispersion. Au contraire, la prsence de zone de haute pression (anticyclone) tend
stabiliser la baisse dair et repousser les polluants prs du sol.
Lexamen de lvolution temporelle du profil vertical de temprature (exemple, figure IV.16) apporte
des informations essentielles sur la stabilit de latmosphre. Il permet notamment de se rendre
compte de :

lventuelle prsence dune inversion thermique de subsidence, cest--dire une inversion
thermique forme dans les courants descendants associs une masse dair anticyclonique ;
lintensit de linversion thermique, matrialise par la diffrence entre la temprature de
linversion et la temprature en surface ;
la persistance de linversion thermique en cours de journe, et en particulier durant laprs-midi,
lorsque lchauffement de la surface tend diminuer son intensit.
Figure IV.16 : Exemple de mtogramme tabli partir des prvisions ECMWF initialise le 5
janvier 2009 12h. Les variables suivantes sont reprsentes (de haut en bas) : temprature,
longueur de transport, nombre de Richardson avec indication de la hauteur de couche limite,
vitesse du vent, direction du vent, pression en surface, humidit relative, nbulosit aux tages
bas, moyen et lev, prcipitations.
Source : CELINE.

A cette liste pourraient aussi sajouter la vitesse du vent, ltat dhumidit de latmosphre et les
prcipitations (exemple, figure IV.16) :
Lanalyse du profil de vent permet de caractriser la turbulence dorigine mcanique. De faibles
vitesses de vent dans les premires centaines de mtres de latmosphre sont souvent
synonymes de conditions dfavorables la dispersion des polluants, mme en labsence
dinversion thermique.
Lhumidit de latmosphre peut interfrer sur la masse des particules. Certaines catgories de
particules sont hydrophiles et peuvent augmenter leur masse par capture deau en atmosphre
trs humide.
Les prcipitations, lorsquelles sont suffisamment intenses, contribuent au nettoyage de
latmosphre par lessivage des polluants.

Les processus mentionns ci-dessus ne sont pas exhaustifs, mais ils doivent tous tre examins pour
caractriser et expliquer le plus prcisment possible la dispersion des polluants.

3. Modlisation de la qualit de lair

3.1. Apports de la modlisation en matire dvaluation de la qualit de lair

Comme pour la mtorologie depuis plusieurs dcennies, la modlisation numrique est devenu un
outil important pour la recherche et les applications dans le domaine de la physico-chimie de
latmosphre. Dans le sens le plus gnral, un modle numrique rassemble les connaissances
thoriques acquises dans un domaine donn et les formule laide dquations mathmatiques qui ne
peuvent gnralement pas tre rsolues par voie analytique et, par voie de consquence, ncessitent
un traitement numrique. Il sera toujours dpendant des hypothses sous-jacentes, et donnera une
image plus ou moins proche de la ralit en fonction de la validit des hypothses et des lois
physiques ou chimiques. Les modles peuvent donc tre compris comme des outils dintgration des
connaissances, capables de traiter plusieurs processus interdpendants. Ils contribuent ainsi faire
progresser les connaissances, par exemple en identifiant les principales incertitudes.

Les modles numriques existent depuis longtemps, mais ils ont rellement pris leur essor au cours
de ces 30 dernires annes avec le dveloppement spectaculaire des capacits informatiques. La
modlisation des proprits physico-chimiques de latmosphre est, par essence, troitement lie au
dveloppement des modles mtorologiques. La dynamique de latmosphre est en effet un des
processus qui affecte significativement lvolution des polluants atmosphriques. Mais dautres
aspects entrent aussi en compte, par exemple les interactions et ractions chimiques entre les
diffrents constituants prsents dans lair ambiant. La complexit des diffrents processus connus
peut tre intgre dans un modle. Toutefois, les ressources informatiques ntant pas illimites, la
grande majorit des modles est btie sur des compromis. Par exemple, il sagit didentifier les
processus les plus importants et ceux qui peuvent tre ngligs. Le compromis porte aussi sur le choix
des mthodes numriques, le choix du domaine de simulation et de la rsolution spatiale, le recours
aux techniques dimbrications multiples de domaines, etc.

Actuellement, la modlisation est implique dans diffrentes problmatiques :
les prvisions de qualit de lair : prvoir les concentrations de polluants permet, par exemple,
de prvenir les pisodes de pollution et de mettre en uvre les mesures adquates visant
rduire les missions polluantes ;
les tudes de cas : nombre de situations caractrises par des concentrations leves en
polluants prsentent des difficults dinterprtation. Les modles peuvent contribuer mieux
comprendre limportance relative et la connaissance des diffrents processus physico-
chimiques impliqus ;
lassimilation de donnes : les concentrations releves aux stations de mesures possdent une
reprsentativit spatiale qui dpend du polluant considr et de la proximit de sources
polluantes. Un rseau de mesure ne possde gnralement pas une densit suffisante pour
donner une reprsentation complte de lexposition aux polluants. Aussi les modles peuvent
contribuer amliorer la reprsentation de la distribution spatiale des polluants. En particulier,
les mthodes dassimilation consistent combiner de faon optimale les champs simuls par un
modle avec les donnes dobservation.
les scnarios dmissions : les directives europennes fixent des valeurs limites qui ne sont pas
respectes pour certains polluants. Le respect des normes passe par une rduction, parfois trs
importante, des missions des polluants concerns. Limpact des mesures concrtes qui seront
mises en uvre peut tre pralablement valu laide des modles.

3.2. Hirarchie de modles

Il existe diffrentes catgories modles visant dcrire lvolution des concentrations dun ensemble
despces chimiques prsentes dans lair ambiant.
Lapproche la plus complte consiste simuler lvolution du systme coupl, cest--dire le fluide et
les espces transportes. Ceci revient rsoudre les quations de Navier-Stokes compltes dune
quation pour les concentrations. En pratique, la plupart des modles sont bass sur un dcouplage
entre la dynamique du fluide et les concentrations des espces chimiques. Concrtement, ce
dcouplage revient, dune part, ngliger la contribution due aux ractions chimiques dans lquation
dvolution de la temprature et, dautre part, figer linteraction entre la matire et le rayonnement.
Pour des tudes de qualit de lair ou pour la prvision oprationnelle, ces deux approximations sont
acceptables. Par contre, linteraction entre matire et rayonnement est un processus qui ne peut tre
cart dans le cadre dtudes climatiques : dans ce cas de figure, on prfrera un modle couplant les
processus dynamiques et chimiques.
Parmi les modles exploitant lhypothse de dcouplage la dynamique du fluide et la chimie des
espces, on peut citer la hirarchie suivante :

Type de modle Applications Priode
Gaussien Risque industriel
Bouffes Risque industriel
Lagrangien particulaire Risque industriel
Bote eulrienne Prvision 1980 2000
Bote lagrangienne Etude dimpact 1980 2000
Eulrien 3D, module chimique pour
la phase gazeuse
Prvision, tude dimpact, tude de scnarios
dmissions
Depuis 1990
Eulrien 3D, module chimique
multiphasique
Prvision, tude dimpact, tude de scnarios
dmissions
Depuis 2000
Modle coupl (dynamique et module
chimique)
Recherche Depuis 2000
Rseaux neuronaux (perceptron) Prvision Depuis 1957

3.2.1. Modles gaussiens
Les modles gaussiens (U.S. Env. Protection Agency, 1970 ; Benarie, 1980 ; Sportisse, 2008) sont les
plus anciens (vers 1936) et les plus simples. Ces modles, dits de dispersion passive, supposent que
la rpartition du polluant suit une loi gaussienne dont les carts-types dpendent de la distance la
source ou du temps coul depuis lmission, ainsi que des caractristiques de la structure de
latmosphre (classes de stabilit).
Ils sont bass sur la solution analytique de lquation dadvection-diffusion en tenant compte des
hypothses suivantes :
polluant passif ou pouvant tre considr comme tel sur la priode tudie ;
pas dinfluence de lmission de polluants sur lcoulement dair ;
champ de vent constant et de vitesse non nulle, align sur une direction ;
pas de relief ni dobstacles.
Dans le cas dun champ de vent u align sur la direction de laxe des x, lquation de dispersion pour le
rapport de mlange C du polluant considr scrit :
C
t
+ u
C
x
= K
x
2
C
x
2
+ K
y
2
C
y
2
+ K
z
2
C
z
2

Pour une mission ponctuelle lorigine en (x,y,z)=0 et en t=0, la condition initiale est donne par
C(x,y,z,0) = S. La solution gaussienne de lquation de dispersion est alors donne par :
C x, y, z, t ( )=
S
2t
( )
3 2
K
x
K
y
K
z
exp
x ut ( )
2
4K
x
t
y
2
4K
y
t
z
2
4K
z
t

(

(
(
Cette solution analytique montre que le panache de polluants prsentera, dans chaque direction, un
talement donn par la variance 2Kt, souvent note
2
. Elle constitue la base des modles
gaussiens. Compte tenu des hypothses du modle, le domaine de validit se limite quelques
kilomtres autour de la source.
Pour une source continue mettant lorigine (x=y=0), la hauteur h, la solution de lquation de
dispersion devient :
C x, y, z ( )=
S
2.u.
y
z
exp
y
2
2
y
2
|
\

|

|
|
. exp
z h
( )
2
2
z
2
|
\

|

|
|
+ exp
z + h
( )
2
2
z
2
|
\

|

|
|

(

(
(
Des paramtrisations ont t dveloppes pour estimer les coefficients de dispersion
2
en fonction
des champs mtorologiques et de la distance la source. Elles peuvent tre discrtes, notamment
lorsquelles sont fondes sur des classes de stabilit de latmosphre, ou calcules partir de
grandeurs mtorologiques telles que la longueur de Monin-Obukhov ou la hauteur de mlange.
Le modle gaussien pour une source continue peut encore tre tendu au cas dun source
caractrise par une mission variable dans le temps. On parle alors de modle gaussien bouffes.
Concrtement, la variation temporelle des missions sera reprsente par des bouffes ponctuelles
successives et de dure t. La concentration sera donne par la somme des concentrations issues
des bouffes individuelles.
Malgr leurs grandes limitations, ces modles prsentent lavantage dtre rapides et, par consquent,
dtre capables dtudier ainsi un grand nombre de cas. Ils fournissent des rsultats acceptables dans
les situations pour lesquelles ils ont t paramtrs. Leurs principales utilisations concernent les
tudes et/ou applications lies la dispersion de traceurs accidentels passifs dans une relative
proximit (de lordre de quelques kilomtres) par rapport la source.

3.2.2. Modles lagrangiens particulaires
Le principe des modles lagrangiens (Sportisse, 2008) repose sur le suivi de particules numriques.
Pour un champ de vitesse du vent

r
V = u,v, w
( )
et un champ de diffusion K = K
x
,K
y
,K
z
( )
, une
particule numrique donne se trouvant en x t
n
( ), y t
n
( ), z t
n
( ) ( )
au temps t
n
sera dplace comme
suit au temps t
n+1
:
x t
n+1
( )
= x t
n
( )
+ u +
K
x
x
|
\

|

| t + 2K
x
W
x
y t
n+1
( )
= y t
n
( )
+ v +
K
y
x
|
\

|

|
t + 2K
y
W
y
z t
n+1
( )= z t
n
( )+ w +
K
z
x
|
\

|

|
t + 2K
z
W
z

W
*
est un processus stochastique qui reprsente un bruitage et qui suit une loi normale de moyenne
nulle et de variance t.
Ce type de modle permet de suivre, avec une relative finesse, une mission ponctuelle. Il prsente
par contre les inconvnients de ncessiter un grand nombre de particules pour converger et de ne
considrer que des traceurs passifs.

3.2.3. Modles de botes
Le principe des modles de botes (Benarie, 1980 ; Sportisse, 2008) consiste dfinir des sous-
domaines (appels botes ) de grande dimension par rapport une maille classique, et dans
lesquels les concentrations sont considres comme homognes. Plusieurs botes peuvent tre
connectes entre elles en introduisant des termes de flux entre botes. Par exemple, une bote peut
reprsenter la couche de mlange, une autre la couche rsiduelle, etc. Dans chaque bote, les
quations de la cintique chimique, du dpt et de lessivage sont rsolues. Par contre, la turbulence
nest pas modlise.
En raison de leur cot calcul plus limit quun modle recourant un maillage complet, ces modles
taient utiliss principalement dans les annes 1990. Ils servaient notamment estimer les relations
entre sources et rcepteurs pour la pollution transfrontire. Actuellement, ils sont pratiquement
dlaisss.

3.2.4. Modles de chimie-transport
Les modles de chimie-transport (Sportisse, 2008) rsolvent explicitement les quations dadvection et
diffusion qui dterminent le transport des polluants. Ils comportent des paramtrisations physiques
pour les diffrents processus, ainsi quun schma ractionnel rgissant lvolution des constituants
prsents dans lair ambiant.
Les aspects essentiels pris en compte par les modles de chimie-transport peuvent tre rsums
comme suit (figure IV.11) :

a) Emissions
Les missions constituent une des donnes dentre essentielle aux modles de chimie-
transport. Elles sont en gnral issues des inventaires annuels dmissions. Pour chaque
polluant concern, ceux-ci consistent en un total annuel rparti en fonction des diffrents
secteurs dactivits. Comme les modles requirent gnralement la spcification des
missions lchelle horaire, des profils types sont utiliss pour dsagrger au mieux les
totaux annuels. Un autre aspect sensible concerne la redistribution de composs gnriques
donns globalement, tels que les COV (composs organiques volatils), selon les diffrentes
espces relles. Cette difficult se pose galement pour la redistribution des missions de
particules par classes de diamtre.

b) Champs mtorologiques
Les champs mtorologiques sont issus de modles de prvision et sont interpols sur la grille
du modle de chimie-transport. Ils concernent non seulement les variables tridimensionnelles
classiques, telles que le vent, la temprature et lhumidit relative, mais aussi des champs
bidimensionnels comme les flux de surface, la couverture nuageuse et les prcipitations. La
spcification des champs mtorologiques conditionne directement la reprsentation des
processus de transport et de dispersion des polluants.
c) Schma ractionnel
La reprsentation des mcanismes chimiques est galement un lment essentiel dun tel
modle. La pollution photochimique met typiquement en jeu une centaine despces et implique
plusieurs centaines de ractions pour la phase gazeuse. La plupart des schmas ractionnels
incluent aussi un certain nombre de ractions pour la prise en compte des arosols.
d) Elimination des polluants par lessivage et dpt sec
Le lessivage et le dpt sec conditionnent le temps de rsidence des espces gazeuses
solubles et des arosols dans lair ambiant. La reprsentation de ces processus est cependant
entache dune forte incertitude.
En ce qui concerne le lessivage par les nuages ou par les prcipitations, cette incertitude
provient tant de la paramtrisation proprement dite que des paramtres mtorologiques dont
elle dpend (microphysique nuageuse, prcipitations).
Le dpt sec dpend quant lui des composants considrs, des conditions mtorologiques
dans la couche limite de surface et de loccupation des sols. Il est habituellement paramtr en
fonction dune vitesse de dposition qui est estime par un modle de rsistances. Son
valuation est nanmoins incertaine.

Figure IV.11 : Schma de principe dun modle de chimie-transport
Source : IBGE.

Champs mtorologiques
T, U, V, W, Q, flux, ...
Emissions anthropiques
==> inventaires annuels
Emissions biogniques
==> occupation de surface
Advection
Diffusion
Schma ractionnel
Arosols
Dpt sec
Lessivage
Conditions initiales
==> assimilation des observations
Conditions frontires
==> modle de plus grande chelle
Donnes dentre Modle de chimie-transport
Champs de
concentrations
3D
Sorties

Comme tout modle, les modles de chimie-transport sont entchs dincertitudes. Les principales
sources sont :
la faible qualit des donnes dmission drives partir des inventaires annuels disponibles
pour quelques polluants ;
les incertitudes au niveau des champs mtorologiques qui se rpercutent directement sur le
modle de dispersion ;
les paramtrisations de sous-maille qui reprsentent implicitement un processus lorsque la
rsolution spatiale nest pas suffisante pour le reprsenter explicitement ;
la prise en compte dun nombre limit despces et de ractions chimiques pour limiter les
besoins en temps de calcul ;
la rsolution spatiale du modle limite par la prcision des donnes dentre (missions et
champs mtorologiques), ainsi que par les ressources informatiques.

Pour fixer les ides, le tableau ci-dessous donne une estimation des incertitudes typiques sur les
donnes dentre dun modle de chimie-transport :

Il est donc ncessaire de garder un quilibre entre la complexit des modles et la qualit des
donnes dentre. Comme le reprsente la figure IV.12, un modle complexe est cens mieux
reprsenter la ralit, mais il ncessite aussi des donnes ou paramtres dentre plus dtaills et
parfois difficiles estimer. Un modle simple sera plus approximatif, mais il fera appel des donnes
dentre qui seront plus aises obtenir et, par consquent, moins incertaines. Lerreur du systme
complet i.e. modle et donnes dentre correspond la somme des erreurs associes au modle
et aux entres. Lerreur minimale sera atteinte pour une complexit raisonnable du modle.
Figure IV.12 : Erreur sur les sorties dun modle exprime en fonction de sa complexit et de la
qualit des donnes dentre.
Source : IBGE.

Complexit du modle
E
r
r
e
u
r
Donnes dentre
Modle
Systme complet

Le modle CHIMERE (Vautard et al., 2003 ; Bessagnet et al., 2004 ; Honor at al., 2008), utilis pour
les prvisions oprationnelles de qualit de lair CELINE, est un exemple de modle eulrien de
chimie-transport. Les processus physico-chimiques pris en compte dans ce modle sont :
la dispersion horizontale des espces chimiques par la composante horizontale du vent ;
la dispersion verticale des espces chimiques par la composante verticale du vent et par la
convection verticale ;
le dpt sec sur le sol des espces chimiques ;
les ractions chimiques entre les espces prsentes dans l'atmosphre ;
la microphysique et chimie des arosols.
Donnes dentre Incertitude relative
Emissions anthropiques +/- 50%
Emissions biogniques +/- 100%
Couverture nuageuse +/- 30%
Vitesse du vent +/- 20%
Epaisseur de la couche limite +/- 20%
Prcipitations +/- 50%
Conditions aux limites pour lozone +/- 20%
Constante photolytique +/- 30%
Vitesse de dpt sec +/- 30%
Afin d'estimer les flux de production ou de perte en polluants, lis aux processus physico-chimiques,
un certain nombre de donnes d'entre doit tre fournis aux modles de chimie transport, en
particulier les prvisions mtorologiques et les inventaires d'missions de polluants.
Depuis 2005, CHIMERE produit quotidiennement les cartes de prvision qui sont mises disposition
sur le site internet de CELINE, pour les diffrents polluants faisant lobjet dun suivi continu (ozone,
PM10, NO
2
, SO
2
). Il constitue aussi un des lments essentiels dans la prvision des situations de
pollution et, par consquent, dans la prise de dcision conduisant la mise en uvre des plans
dactions rgionaux. Un exemple de prvision dozone pour la journe du 28 mai 2005 est prsent en
figure 13.
Figure IV. 13 : Concentrations maximales dozone (a) simules par CHIMERE et (b) observes le
28 mai 2005.
Source : CELINE.

(a) Simulation CHIMERE

(b) Observations

3.2.5. Modles neuronaux
Un rseau de neurones artificiels (Hewitson et Crane, 1994) est un modle conceptuellement inspir
du fonctionnement des neurones biologiques. Il possde en commun avec le cerveau les mmes
macrostructures de base, et est compos d'lments interconnects et assimils aux neurones. Trois
lments principaux caractrisent les rseaux neuronaux :
Les fonctions de transfert associes chaque neurone. Chaque neurone peut tre compris
comme un automate dot d'une fonction de transfert qui transforme ses entres en sorties selon
des rgles prcises. Par exemple, un neurone peut sommer ses entres, comparer la rsultante
un seuil, et donner un signal si la somme dpasse le seuil en question (figure IV.13).
La topologie des interconnexions entre neurones est variable ; elle peut tre proactive,
rcurrente, etc.
L'efficacit de la transmission dun neurone lautre peut varier. Celle-ci est rgle par des poids
attribus chaque neurone qui peuvent tre moduls en fonction des rgles dapprentissage.

Figure IV. 13 : Exemple de nud (neurone) dans un rseau neuronal
Source : Bruce and Crane, 1994.

Les rseaux neuronaux sont donc capables doprer des classifications et dapprendre les amliorer.
Contrairement aux modles de nature dterministe, lapproche neuronale ne requiert pas de
comprhension pralable des processus rgissant la problmatique tudie. La qualit de ce type de
modle dpendra principalement de la pertinence des donnes dentre et de lalgorithme
dapprentissage qui exploitera ces donnes pour ajuster au mieux les diffrents paramtres du
modle.
Le modle OVL est un exemple dapplication de ce type dapproche la prvision oprationnelle de la
qualit de lair. Dvelopp par Hooyberghs et al. (2005), il est utilis pour prvoir les concentrations de
PM10 lendroit des stations de mesure. La topologie du rseau neuronal est de type perceptron
proactif 1 couche cache de 4 nuds (figure IV.14).

Figure IV. 14 : Topologie du modle OVL, en tant que rseau neuronal de type perceptron une
couche cache.
Source : IBGE.

Prvision de PM10
(moyenne journalire)
Couche cache Couche dentre
Concentrations
moyennes de
PM10 entre 0 et 9h
Hauteur de couche
limite (moyenne
journalire)

Sa mise en oeuvre a ncessit la recherche des variables d'entre les plus pertinentes pour dcrire
l'volution des concentrations journalires de PM10. Les principales variables tudies taient la
vitesse et la direction du vent diffrentes hauteurs, la hauteur de la couche limite, la longueur de
transport moyenne dans diffrentes couches, le nombre de Richardson, la temprature, lhumidit
relative et la couverture nuageuse. Parmi celles-ci, lanalyse des concentrations mesures a montr
que la hauteur de la couche limite tait le paramtre le plus reprsentatif pour dcrire la dispersion des
particules fines lchelle journalire (figure IV.15). Cette grandeur est donc devenue une des entres
du modles OVL. Les concentrations moyennes entre 0 et 9h ont t ajoutes comme seconde
entre, de faon indiquer au modle ltat des concentrations de PM10 au moment o la prvision
est effectue.

Figure IV. 15 : Comparaison entre les concentrations journalires de PM10 prvues par le
modle OVL (rouge) et les observations (bleu) la station de Borgerhout (42R801) et en
considrant la priode du 1 janvier au 15 avril 2005.
Source : CELINE

0
20
40
60
80
100
120
140
01/01/05 01/02/05 01/03/05 01/04/05
g
/
m
metingen
OVL model

La figure IV.15 prsente un exemple de validation du modle OVL par comparaison avec les
moyennes journalires observes en PM10. Les prvisions sont calcules en lendroit des
stations pour lesquelles il existe un historique de mesures portant sur une priode dau moins
3 ans. En exploitant la mthode dinterpolation RIO, il est possible de dresser une carte de
concentrations de PM10 partir des valeurs prvues aux stations. Un exemple est prsent en
figure IV.16.

Figure IV. 16 : Exemple de carte de prvision de concentrations journalires de PM10, obtenue
en appliquant linterpolation RIO aux valeurs prvues aux stations par le modle OVL.
Source : CELINE.

3.3. Optimisation des sorties de modles dans le cadre de la prvision
oprationnelle
Diffrentes raisons expliquent les erreurs constates dans les sorties dun modle de prvision : les
donnes dentre, la formulation intrinsque du modle, la rsolution spatiale, les schmas
numriques, etc. Afin de mieux cerner leur importance relative sur les rsultats de simulation,
plusieurs techniques ont t dveloppes pour pallier aux incertitudes sur les donnes dentre des
modles.

3.3.1. Prvision densemble
La prvision densemble est une technique de prvision dans laquelle un modle numrique de
prvision est excut plusieurs fois, pour une mme situation prvoir, partir de conditions initiales
diffrant entre elles par de petites quantits compatibles avec les incertitudes existant sur la
connaissance de ltat initial du systme. La prvision densemble est conue pour capturer la
probabilit dvnements et la zone dincertitude inhrente chaque situation prvue.
Dans le cas des modles de chimie-transport, les incertitudes ne se limitent pas seulement aux
champs initiaux de concentrations de polluants, mais il convient aussi de considrer les donnes
dentres telles que les missions et les champs mtorologiques qui sont gnralement entachs de
fortes incertitudes. Pour illustrer le propos, on peut estimer quune erreur de 1 m/s sur le champ de
vent est gnralement sans incidence significative pour des situations mtorologiques caractrises
par de bonnes conditions de dispersion ; au contraire, cette mme erreur peut affecter
significativement lvolution des concentrations doxydes dazote en cas de pic de pollution.
Pour estimer limportance relative des erreurs ou incertitudes sur les diffrentes donnes dentre
fournies au modle, un ensemble de simulations perturbes peut tre ralis afin de mieux cerner la
rponse du modle. Un exemple de perturbations sur les donnes dmission est prsent en figure
IV.13.
Figure IV.13 : Evaluation de limpact des missions sur les concentrations moyennes
journalires de PM10 simules par le modle CHIMERE (prvisions pour le jour J+1) durant
lhiver 2006-2007, en moyenne spatiale sur la Belgique. Ce graphique prend en compte les
perturbations suivantes sur les missions (pour tous les polluants) raison de -50, +50 et
+100%. La simulation de rfrence (non perturbe) du modle CHIMERE est indique en trait
noir.
Source : CELINE.

0
10
20
30
40
50
60
70
80
90
1
/
1
2
/
0
6
8
/
1
2
/
0
6
1
5
/
1
2
/
0
6
2
2
/
1
2
/
0
6
2
9
/
1
2
/
0
6
5
/
0
1
/
0
7
1
2
/
0
1
/
0
7
1
9
/
0
1
/
0
7
2
6
/
0
1
/
0
7
2
/
0
2
/
0
7
9
/
0
2
/
0
7
1
6
/
0
2
/
0
7
2
3
/
0
2
/
0
7
2
/
0
3
/
0
7
9
/
0
3
/
0
7
1
6
/
0
3
/
0
7
2
3
/
0
3
/
0
7
3
0
/
0
3
/
0
7
C
o
n
c
e
n
t
r
a
t
i
o
n
s

(
g
/
m
3
)
Rfrence Emissions -50% Emissions +50% Emissions +100%

Lorsque lon dispose dun ensemble de simulations obtenues en appliquant des perturbations sur des
champs considrs comme sensibles ou critiques, la meilleure prvision peut tre dduite par
combinaison des diffrentes prvisions. La mthode la plus simple consiste prendre la moyenne
densemble ou, pour des applications lies aux risques accidentels, la valeur mdiane. Une autre
approche serait de pondrer limportance de chaque simulation en fonction de critres objectifs, par
exemple en prenant en compte les observations rcentes et en estimant les poids pour minimiser
lerreur de la prvision densemble.

3.3.2. Assimilation de donnes
Le systme dassimilation des donnes a pour objectif de rduire au minimum les erreurs sur les
champs initiaux des modles de prvision en utilisant les diffrentes donnes dobservation
disponibles. Elle permet ainsi de coupler les modles aux observations. Linterprtation de cette
technique peut tre vue sous deux angles : soit lapplication aux sorties des modles dune contrainte
par les donnes dobservation, soit une interpolation des mesures contrainte par les sorties des
modles.
La mthode dassimilation la plus simple est linterpolation optimale. Pour en dcrire brivement le
principe, considrons y
mod
et y
obs
comme tant respectivement les valeurs modlise et observe
dune concentration de polluant. Ces deux valeurs possdent leurs propres incertitudes, de sorte que
lon dsigne par
mod
2
et
obs
2
leurs variances respectives. Linverse des variances peut tre vu comme
la confiance attribue la variable correspondante. Linterpolation optimale va produire une valeur
analyse qui sera une combinaison des valeurs modlise et observe. Celle-ci sera obtenue en
minimisant la fonction de cot J :
J =
1
2
mod
2
y y
mod
( )
2
+
1
2
obs
2
y y
obs
( )
2

La fonctionnelle J tant une fonction convexe, son minimum est obtenu en annulant la drive
premire. La valeur analyse est donne par :
y
analyse
=
y
mod
mod
2
+
y
obs
obs
2
|
\

|

|
1
mod
2
+
1
obs
2
|
\

|

|

3.3.3. Modlisation inverse
La modlisation inverse (Sportisse, 2008 ; ECMWF, 2010) sappuie galement sur une approche
semblable lassimilation de donnes. Comme indiqu prcdemment, les donnes dentre des
modles de chimie-transport sont affectes par des incertitudes qui nuisent la qualit des
simulations. Pour des paramtres dentre difficiles estimer partir des seules observations, la
modlisation inverse peut se rvler particulirement utile.
Considrons le cas simple donn par le modle linaire y = Ax, o x est un vecteur p dimensions
correspondant aux entres du modle que lon cherche contrler. On dfinit un oprateur linaire
dobservation H qui lie les observations aux sorties du modle via la relation y
obs
= H.y. y
obs
est un
vecteur m lments, correspondant aux observations effectues. Si lobservation tait complte
(pour tous les points viss par le modle) et sans erreur, il suffirait dinverser le systme linaire
y
obs
= H.A.x pour dterminer x. En pratique, ce systme est gnralement sous-dtermin (m < p) et
les observations comportent une incertitude. Pour une valeur estime priori de x, note x
b
, la
recherche de x passera par la minimisation de la fonction de cot suivante :
J x
( )
=
1
2
y
obs
HAx
( )
T
R
1
y
obs
HAx
( )
+
1
2
x x
b
( )
T
B
1
x x
b
( )

o R et B reprsentent respectivement les matrices de covariances derreur sur lobservation et
lestimation x
b
. Lexemple prsent ci-dessus correspond une assimilation variationnelle de type 3D-
VAR, le 3D dsignant la seule prise en compte de lespace.
Les mthodes variationnelles ont notamment t utilises pour estimer les missions de mthane et
de composs organiques volatils. Elle peut aussi tre exploite pour localiser des sources polluantes,
par exemple lors dmissions accidentelles.
Figure IV.14 : Reprsentation schmatique de la minimisation de la fonction de cot pour
lassimilation de type 3D-VAR. La fonction de cot est reprsente par un parabolode dont le
minimum est loptimum atteindre. Partant dune solution priori, la minimisation consiste
progresser, en plusieurs tapes, vers cet optimum. Pour acclrer la convergence, les
techniques numriques exploitent lanalyse du gradient local sur le parabolode.
Source : http://www.ecmwf.int.

3.3.4. Correction temporelle des prvisions
Les modles de prvisions simulent lvolution temporelle des concentrations de polluants. En fonction
des sources dincertitudes et des processus physico-chimiques les plus pertinents, les modles
peuvent prsenter des biais variables dans le temps. Le recours aux donnes dobservation peut
nouveau savrer bnfique pour rduire lampleur des biais sur les valeurs simules. Plusieurs
approches existent.
i) Filtre de Kalman :
Les mthodes squentielles sont bases sur la thorie du filtre de Kalman (Welch and Bishop, 2006).
Le filtre de Kalman est un estimateur rcursif dordre 1 : pour estimer l'tat courant, seuls l'tat
prcdent et les observations linstant mme sont ncessaires. Cela signifie que l'historique des
observations et des estimations n'est pas requis. Il est possible dutiliser un filtre de Kalman dordre
suprieur en tenant compte de plusieurs tapes antrieures, ce qui le rend plus performant, mais aussi
dautant plus complexe.
Lintrt du filtre de Kalman rside dans le contrle de la prdiction : il estime ltat du systme, puis
amliore son rsultat avec les donnes dobservation. Il comporte donc deux tapes distinctes : la
prdiction et la correction. La phase de prdiction utilise l'tat estim de l'instant prcdent pour
produire une estimation de l'tat courant. Dans l'tape de mise jour, les observations de l'instant
courant sont utilises pour corriger l'tat prdit dans le but d'obtenir une estimation plus prcise (figure
IV.15).
Le filtre de Kalman est frquemment utilis pour analyser le comportement dun systme linaire qui
fonctionne sous des conditions de bruit gaussien. Cependant, la plupart des systmes physiques sont
non linaires : la non-linarit peut provenir du modle dvolution, du modle d'observation ou bien
des deux. Dans le filtre de Kalman tendu, les modles dvolution et dobservation nont pas besoin
dtre des fonctions linaires de ltat, mais deviennent des fonctions diffrentiables. Dans ce cas, la
convergence nest cependant pas assure et dpend en grande partie des valeurs de ltat initial que
lon choisit de faon plus ou moins empirique.
En rsum, le filtre de Kalman est une technique trs efficace pour obtenir la solution optimale dun
problme dont la connaissance nest que partielle. Sa principale force vient de lexploitation des
donnes dobservation qui sont utilises pour corriger les estimations partir du modle dvolution.
Figure IV.15 : Assimilation de donnes par une mthode squentielle applique la prvision.
A chaque instant auquel les donnes dobservations sont disponibles, une analyse par
interpolation optimale est effectue dans le but de corriger ltat prvu par le modle. Le nouvel
tat analys est ensuite utilis comme condition initiale du modle de prvision.
Source : IBGE.

y
t
prvision
prvision
prvision
analyse
analyse
analyse

ii) Mthodes variationnelles 4D-VAR
Les mthodes variationnelles 4D-VAR (Delmas et al., 2005 ; Benedetti et al., 2008 ; ECMWF, 2010)
sont une extension de lapproche 3D-VAR dcrite prcdemment, dans le sens o elles prennent en
compte le temps en plus de lespace tridimensionnel (figure IV.16).
Soit x le paramtre contrler. Le modle utilis pour calculer lvolution des concentrations de
polluants dpend la fois des prvisions au pas prcdent et des paramtres contrler :
y
mod
t
i+1
( )= F y
mod
t
i+1
( ), x
( )
La formulation variationnelle 4D-VAR consiste minimiser la fonction de cot suivante :
J x ( ) =
1
2
y
obs,t
i
H.y t
i
( ) ( )
T
R
i
1
y
obs,t
i
H.y t
i
( ) ( )

(

(
i=1
n
+
1
2
x x
b
( )
T
B
1
x x
b
( )

La suite des valeurs simules y t
i
( ) est contrainte la fois par le modle et par x. La minimisation de
J(x) est ralise par une mthode de type gradient.
Toutefois, les non-linarits des modles numriques atmosphriques peuvent conduire des
fonctions de cot complexes. Les minimiseurs utiliss sur ces fonctions n'aboutissent pas forcment
une minimisation fiable et prsentent, de surcrot, un cot lev.
En regard de ces contraintes, lutilisation de mthodes variationnelles de type 4D-VAR doit tre
analyse en regard des ressources informatiques disponibles et des gains rels obtenus par rapport
dautres mthodes dassimilation comparativement plus simples mettre en uvre.
Figure IV.16 : Illustration du principe de lassimilation variationnelle 4D-VAR. La prvision du
modle est corrige en prenant en compte les observations disponibles. La fentre
dassimilation diffrencie lapproche 4D-VAR de la mthode 3D-VAR en prenant en compte le
temps en plus de lespace trimensionnel.
Source : IBGE.

Fentre dassimilation
Prvision prcdente
Prvision corrige
Observation
Observation
Observation
Observation
Analyse
x
t

Sources

1. BENARIE M., 1980 : Urban air pollution modelling , The Macmillan Press Ltd, 405 pp.
2. BENEDETTI, A., J.-J. MORCRETTE, O. BOUCHER, A. DETHOF, R.J. ENGELEN, M. FISHER, H.
FLENTJE, N. HUNEEUS, L. JONES, J.W. KAISER, S. KINNE, A. MANGOLD, M. RAZINGER, A.J.
SIMMONS, M. SUTTIE, and the GEMS-AER team, 2008 : Aerosol analysis and forecast in the
European Centre for Medium-Range Weather Forecasts Integrated Forecast System: Data
Assimilation , J. Geophys. Res., 114, D13205, doi:10.1020/2008JD011115.
3. BESSAGNET B., A.HODZIC, R.VAUTARD, M.BEEKMANN, S.CHEINET, C.HONOR,
C.LIOUSSE and L.ROUIL, 2004 : Aerosol modeling with CHIMERE - preliminary evaluation at
the continental scale , Atmospheric Environment, 38, 2803-2817.
4. BRUCE C.H., and R.G. Crane, 1994 : Neural Nets: Applications in Geography, Kluwer Academic
Publishers.
5. CHOVIN P., et A. ROUSSEL, 1973, Physicochimie et physicopathologie des polluants
atmosphriques , Ed. Masson et Cie Editeur, 299 pp.
6. DELMAS R., MGIE G., et V.-H. PEUCH, 2005 : Physique et chimie de latmosphre , Ed.
Belin, 639 pp.
7. DEROUANE A., et G. VERDUYN, 1980 : Mthodologie des enqutes en matire de pollution de
lair , rapport de lInstitut dHygine et dEpidmiologie (IHE).
8. ECMWF, 2010 : Data assimilation : IFS documentation front page ,
http://www.ecmwf.int/research/ifsdocs/ASSIMILATION/
9. HEWITSON B. C. and R. G. CRANE, 1994 : Neural Nets : Applications in Geography , The
GeoJournal Library, volume 29, 194 pp., Kluwer Academic Publishers.
10. HONOR C., L. ROUIL, R. VAUTARD, M. BEEKMANN, B. BESSAGNET, A. DUFOUR, C.
ELICHEGARAY, J-M. FLAUD, L. MALHERBE, F. MELEUX, L. MENUT, D. MARTIN, A. PEUCH,
V.-H. PEUCH, N. POISSON, 2008 : Predictability of European air quality: The assessment of
three years of operational forecasts and analyses by the PREV'AIR system , J. Geophys. Res.,
Atmospheres , 113, D04301, http://dx.doi.org/10.1029/2007JD008761
11. HOOYBERGHS J., C. MENSINCK, G. DUMONT, F. FIERENS and O. BRASSEUR, 2005 : A
neural network forecast for daily average PM10 concentrations in Belgium , Atm. Env., 39, 3279-
3289.
12. JANSSEN S., DUMONT G., FIERENS F., and C. MENSINK, 2008 : Spatial interpolation of air
pollution measurements using CORINE land cover data , Atm. Env., 42, 4884-4903.
13. SPORTISSE B., 2008 : Pollution atmosphrique , Ed. Springer, 345 pp.
14. TERMONIA, P., and A. QUINET, 2004: A New Transport Index for Predicting Episodes of
Extreme Air Pollution , J. Appl. Meteorol., 43, 631-640.
15. U.S. Environmental Protection Agency, 1970 : Proceedings of symposium on multiple-source
urban diffusion models , Air Pollution Control Office Publication No. AP-86.
16. VAUTARD, R., C. HONORE, M. BEEKMANN, L. ROUIL, 2005: Simulation of ozone during the
August 2003 heat wave and emission control scenarios , Atmospheric Environment, Volume 39,
Issue 16, May 2005, Pages 2957-2967.
17. WELCH G., and G. BISHOP, 2006 : An introduction to the Kalman Filter , Department of
Computer Science, http://www.cs.unc.edu/~welch/media/pdf/kalman_intro.pdf, TR 95-041.


Autres fiches consulter
Fiches documentes de la thmatique air
Auteur(s) de la fiche
BRASSEUR Olivier
Date de mise jour : Janvier 2011

Air Labo Methode Eval

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Air Labo Methode Eval

Uploaded by

Copyright:

Available Formats

Les donnes de l'IBGE : "Air"

LES MTHODES DVALUATION DE LA QUALIT DE LAIR

You might also like