ARCHES Conseils met ses
compétences à votre service


Comprendre les effets de l'ozone

Comment les écosystèmes végétaux réagissent-ils à l'exposition à l'ozone ?
La pollution à l'ozone troposphérique continue de poser de graves problèmes pour les écosystèmes terrestres et la « santé » des plantes. Dans ce cadre, ARCHES-Conseils mène des études afin de surveiller, modéliser et évaluer les dommages causés aux écosystèmes végétaux par l’ozone, participe et organise fréquemment des conférences scientifiques internationales afin de partager ses études avec la communauté scientifique.

Modélisation des flux d’ozone stomatiques
Actuellement, pour protéger la végétation de l’ozone, les normes européennes sont basées sur l’exposition à l’ozone (AOT40) mais des études ont démontré que les symptômes foliaires spécifiques à l’ozone, sont dus à la quantité d’ozone pénétrant dans le feuillage à travers les stomates (flux stomatique), plutôt qu’à la quantité d’ozone présent dans l’air implicite dans l’AOT40. L'ozone se dégrade instantanément au contact des cellules, entraînant des réactions en chaîne pouvant aboutir à la mort de celles-ci.

L’AOT40 est le cumul des concentrations horaires en ozone supérieures à 40 ppb durant la période de croissance du végétal. L’AOT40 présente des points faibles. En effet, l’ozone peut affecter la végétation à des concentrations plus faibles, à nos latitudes le cumul est limité à la période conventionnelle où les stomates sont ouverts (8-20h) du 1er avril ou au 30 septembre et l’AOT40 ne prend pas en compte la pénétration de l’ozone dans les feuilles.

La Dose d'Ozone Phytotoxique, au-dessus d'un seuil de détoxification Y (PODY), est le flux d’ozone stomatique accumulée au cours de la saison de croissance et peut être modélisée en utilisant le modèle DO3SE (Deposition of Ozone and Stomatal Exchange).

Prévision et évaluation de l'impact du changement climatique et de la pollution photochimique de l'air sur la végétation transfrontalière - Stratégie d'atténuation
Client : IRET-CNR (Italie)
Date : 2018-2020

Cette étude a pour principaux objectifs i) la maintenance d'une station de suivi dans les Alpes françaises, équipée d'un analyseur d’ozone et d'une station météorologique ; afin de ii) calculer la Dose d'Ozone Phytotoxique ; de iii) calculer la contribution des concentrations en ozone aux dommages visibles constatés sur le feuillage et in fine de iv) proposer des seuils de protection des forêts alpines contre l’ozone.

Modélisation et quantification des flux d’ozone à Monaco en 2016
Client : Groupe international d'Etudes des Forêts Sud-européennes (France)
Date : 2016

Cette étude a permis de i) quantifier la dose d’ozone phytotoxique pour les essences sélectionnées (Pin d’Alep, Pin maritime, Pin sylvestre), ii) connaître la relation entre la dose absorbée au niveau foliaire et les impacts visibles constatés sur le feuillage des arbres afin de iii) proposer des seuils appropriés de protection pour les essences suivies à Monaco.

La logique floue

D’après Selleron et Mezzadri-Centeno (2002), "la logique classique s’avère insuffisante pour exprimer la richesse de l’information géographique. L’incertitude est présente dans de nombreux processus géographiques dynamiques. Ceci est dû à un ensemble de facteurs : les concepts imprécis et inhérents au raisonnement humain, l’imprécision de la langue de représentation des connaissances, l’existence d’informations incomplètes et la redondance ou le conflit entre données issues de différentes sources".

Ce concept de logique floue a donc été développé pour faire face à l’incapacité à classer les phénomènes en deux groupes : vrai ou faux (variables booléennes), la plupart des phénomènes réels devant être appréhendés par une variation progressive. Le principe de la logique floue s’approche par conséquent de la démarche humaine « dans le sens que les variables traitées ne sont pas des variables logiques (au sens de la logique binaire par exemple) mais des variables linguistiques, proches du langage humain de tous les jours. Celles-ci sont traitées à l’aide de règles (les règles d’inférence) qui font référence à une certaine connaissance du comportement du système à régler » (EIAJ/GHU, 2004). Ces règles se présentent sous la forme suivante :

Si condition 1 et/ou condition 2 (et/ou…) alors action sur les sorties.

La logique floue repose ainsi sur une modélisation des entrées d’un système par des courbes décrivant les degrés d’appartenance aux différents états identifiés des entrées. Les différents degrés d’appartenance se composent selon deux logiques: la logique «ou» et la logique « et ». Dans le cadre de la logique «ou», on considère le degré d’appartenance maximal parmi les conditions d’entrée, tandis que dans le cadre de la logique «et» on considère le degré d’appartenance minimal.

Principe de la logique floue, au niveau de la pollution des artères urbaines Si la logique floue trouve une certaine efficacité pour modéliser les connaissances imprécises et incertaines, au niveau géographique, cette méthode prend tout son sens, si l’on considère le problème de la représentation des frontières qui se pose dans l’identification des objets environnementaux (Selleron et Mezzadri-Centeno, 2002). En effet, selon ces mêmes auteurs, « quand l’incertitude existe, il est difficile d’établir un seuil pour la détermination des frontières. Beaucoup de phénomènes géographiques ont des frontières floues ».

Les Réseaux Bayésiens

A partir d'une base de données qui contiendrait de nombreaux facteurs et données, les réseaux bayésiens peuvent non seulement très facilement les quantifier, les hiérarchiser, mais également analyser leurs relations à l’aide de probabilités associées. Les résultats représentés sous la forme d’un graphe causal et de monitoring rendent leur interprétation quasi-instantanée. L’outil de type « réseau bayésien » a de plus l’avantage de pouvoir rassembler et de fusionner des connaissances à partir de données de diverses natures quantitatives/qualitatives de types expert, et de les faire cohabiter dans un même modèle. En outre, une des difficultés à laquelle se heurte tout épidémiologiste est l’absence de séries complètes ou la présence de données lacunaires. L'inférence bayésienne permet de résoudre des problèmes de données lacunaires car grâce à la fusion de données, le réseau bayésien a la capacité de prendre en compte des données incomplètes ou incertaines et de vérifier ensuite ces informations. En effet, connaissant les valeurs d’une variable mais méconnaissant les valeurs d’autres, il est possible grâce au calcul des probabilités de retrouver les données manquantes ou lacunaires (principe de l’inférence). Enfin les réseaux bayésiens permettent à la fois de modéliser des connaissances et de produire des connaissances (fonction hautement heuristique) à travers la mise en évidence de relations causales jusqu’à présent cachées ou de variables latentes, et ce, dans le cadre d’une analyse non supervisée (Causal knowledge discovery).

Les réseaux bayésiens apportent donc de la valeur ajoutée en termes de connaissances, ils représentent un formidable outil pour la modélisation quantitative de systèmes complexes en domaine incertain de type sanitaire ou autres. Il s’agit d’une modélisation évolutive car le réseau bayésien s’adapte aux changements en apprenant au fur et à mesure les nouvelles informations, et robuste, fondée sur les théories des graphes et des probabilités. Par rapport à d’autres outils de type Système Expert, et tout comme la logique floue les réseaux bayésiens permettent de mieux conditionner les risques, et donc de mieux évaluer les pertes ou dommages encourus et également d’identifier les leviers de réduction de ces risques. Mais, par rapport à la logique floue le degré d’appartenance des variables d’entrée dans le système n’est pas attribué a priori d’après la connaissance de l’expert, mais émerge véritablement à partir des données elles-mêmes (apprentissage non supervisé).

Situation d’un réseau bayésien dans une chaîne de traitements