ARCHES Conseils puts its
skills at your service


Understanding the effects of ozone

How plant ecosystems respond to ozone exposure?
Tropospheric ozone continues to pose serious problems for terrestrial ecosystems and plants health. In this context, ARCHES-Conseils conducts studies to monitor, model and evaluate the damage to plant ecosystems caused by tropospheric ozone, participates and organizes international scientific conferences to share gained knowledge with the scientific community.

Modeling of stomatal ozone fluxes
Currently, the European standards use the AOT40 index to protect vegetation, based on ozone exposure, but previous studies showed that visible foliar ozone injury are due to the ozone uptake through the stomata (stomatal flux) rather than the amount of ozone present in the air, implicit in the AOT40 index. Ozone enters plant tissues through the stomata and reacts with cellular components found in plants and produces various organic compounds, oxidizers, and free radicals. These products can destroy cell proteins and membranes and lead to impaired cell functioning and death.

AOT40 (Accumulated exposure Over a Threshold of 40 ppb) is calculated as the sum of the differences between the hourly ozone concentrations exceeding 40 ppb and 40 ppb using only the hourly values measured for daylight hours, when the stomata are open (8-20h), during the growing season for plants i.e. from April 1st to September 30th at our latitudes. However, ozone can affect the vegetation at lower concentrations. In the Mediterranean region plants are often active during the winter months, with limited conductance during the summer as a result of water limitation. AOT40 does not take into account the ozone uptake into leaves and associated damages.

The Phytotoxic Ozone Dose, above a detoxification threshold Y (PODY), is the stomatal ozone flux accumulated during the growing season and can be modeled using the DO3SE model (Deposition of Ozone and Stomatal Exchange).

Prediction and Evaluation of the Impact of Climate Change and Air Pollution on Transboundary Vegetation - Mitigation Strategy
Customer : IRET-CNR (Italy)
Date : 2018-2020

The main objectives of this study are: i) the maintenance of a monitoring station in the French Alps, equipped with an ozone analyzer and a meteorological station; in order to ii) calculate the Phytotoxic Ozone Dose; iii) calculate the contribution of ozone concentrations to visible foliar injury and finally iv) propose thresholds for alpine forests protection against ozone.

Modeling and quantification of ozone flux in Monaco in 2016
Customer : International Group of Southern European Forest Studies (France)
Year: 2016

The main objectives of this study are to i) quantify the Phytotoxic Ozone Dose for selected tree species (Aleppo pine, Maritime pine, Scots pine), ii) to investigate the relationships between the ozone dose and the visible foliar injury in order to iii) propose suitable thresholds for the tree species protection against ozone in Monaco.

Fuzzy logic

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 ».

Bayesian Networks

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