3.3.3.1 La campagne IASB96
Afin de vérifier la fiabilité de notre modèle et sa capacité de prévision durant les périodes hivernales nous avons appliqué le modèle à la campagne IASB96. Les valeurs des paramètres de régression (B^) et les coefficients de corrélation des régressions ont été obtenus en utilisant les concentrations d’ozone et de dioxyde d’azote de la campagne IASB96 mesurés durant les mois de décembre 1996, janvier et février 1997. Nous avons repris les mesures du monoxyde d’azote réalisées sur le même site par l’IBGE pour la même période. Les régressions ont été effectuées sur les données du mois de décembre 1996 et les prédictions sur les mois de janvier et de février
1997. Les résultats de l'analyse incluant les variables indépendantes Ln(N02) et Ln(NO) sont
comme suit :
Variables indépendantes : 1400/T, Ln(WS), Ln(WD), Ln(H), Ln(I), Ln(N02), Ln(NO) et
Ln(Q*WS)
Variable dépendante : Ln(Oj)
Paramètre Valeur Erreur t-Value Prob> 111
Y-Intercept 5.80106895 0.85441468 6.78952398 <0.0001
1400/T 0.10260342 0.04148613 2.47319814 0.01416237
Ln(WS) 0.38921157 0.08254637 4.71506567 <0.0001
Ln(WD) 0.15790075 0.05094026 3.09972415 0.00219478
Ln(H) -0.78254695 0.1250295 -6.25889845 <0.0001
Ln(I) 0.00278069 8.0285E-4 3.4635273 6.42758E-4
Ln(N02) -0.56220371 0.07212208 -7.79516803 <0.0001
Ln(NO) -0.25264753 0.03350169 -7.54133788 <0.0001
Ln(Q*WS) 0.02302244 0.00872929 2.63737946 0.00896225
Le coefficient de corrélation est :
R2 ajusté Standard déviation (RMSE)
0.7823102 0.77424761 0.3028443
ANOVA Table:
Degré de liberté Somme des carrés SS Moyenne des carrés MS F Statistic
Model 8 71.192371 8.89904637 97.02969455
Erreur 216 19.81036863 0.09171467
Total 224 91.00273962
Tables 3.18 Les principaux résultats pour la campagne IASB96
La distribution du résidu suit bien une loi normale dont la valeur moyenne est nuUe (Figure 3.20). L'analyse des corrélations de série dans le résidu (Figure 3.20) montre l'absence d'autocorrélation du premier ordre. Le coefficient de corrélation de régression de ce modèle est de R = 0.88. Dans le cas où on exclut les variables indépendantes Ln(NOj) et Ln(NO) le coefficient de corrélation de régression est de R = 0.78.
Figure 3.20 Histogramme des fréquences du résidu et l'évolution du résidu en fonction de la valeur précédente Lagl
Les résultats comparés entre les prédictions du modèle et les mesures de la concentration d'ozone durant la période allant du 16 au 21 janvier 1997 sont représentés dans la Figure 3.21. Le coefficient de prédiction dans ce cas est de R ~ 0.81. Les valeurs prédites de la concentration
étaient en général inférieures à celles mesurées. La différence {valeurs mesurées - valeurs prédites) était
en moyenne de l'ordre de 2 ppb pour la période de prédiction allant du 16 au 21 janvier 1997 et
a atteint la valeur maximale de 6 ppb le 18 janvier. Cette différence peut être expliquée comme
suit.
Nous avons noté dans l'étude de la campagne IASB96 (§2.4.2.2) que l'activité photochimique était différente entre les deux mois de décembre et janvier (voir Figure 2.15). L'activité photochimique durant le mois de janvier était plus importante que durant le mois de
décembre (une nette anticorrélation entre la concentration de NO2 et de O3 durant la journée).
L'élaboration du modèle autour des données du mois de décembre n'a pas permis au modèle de mettre en rehef l'importance de cette anticorrélation dans la définition des paramètres de la régression. Le fait que durant le mois de janvier l'activité photochimique était plus importante
que durant le mois de décembre avec des concentrations de NO2 beaucoup moins stables qu'en
décembre, le modèle a prédit des concentrations d'ozone inférieures au niveau des pics à celles mesurées.
Dans le cas où nous avons exclu les variables indépendantes Ln(NÛ2) et Ln(NO) le coefficient
de régression du modèle était relativement faible (R ~ 0.78) alors que les prédictions des concentrations d'ozone durant le mois de janvier 1997 étaient médiocres.
Figure 3.21 Comparaison entre les prédictions du modèle et les valeurs mesurées d'ozone du 16 au 21 janvier 1997
3.3.3.2 La campagne ULB97
Les régressions ont été effectuées sur une période de 10 jours allant du 26 août au 4 septembre les résultats sont présentés dans la Table 3.18. Les prédictions du modèle ont été comparées aux mesures de l'IBGE qui ont été réalisées sur le site d'Uccle du 5 au 15 septembre 1997.
Variables indépendantes : 1400/T, Ln(WS), Ln(WD), Ln(H), Ln(I), LnCNOj) et Ln(NO)
Variable dépendante : Ln(03)
Paramètre Valeur Erreur t-Value Prob>|t|
Y-Intercept 19.84977068 3.74540954 5.29975974 <0.0001 1400/T -2.2355621 0.84653747 -2.64083066 0.01000992 Ln(WS) 0.03246128 0.06572604 0.49388772 0.62279142 Ln(WD) -0.09436675 0.0898274 -1.05053416 0.29675855 Ln(H) -1.22069083 0.19373082 -6.30096339 <0.0001 Ln(Ir) -0.00220405 0.00149325 -1.47601114 0.14401879 Ln(N02) -0.14615281 0.06364511 -2.29637147 0.0243748 Ln(NO) -0.00596542 0.03009221 -0.19823801 0.8433813
Le coefficient de corrélation est :
ajusté Standard déviation (RMSE)
0.64335942 0.61093755 0.29736897
ANOVA Table:
Degré de liberté Somme des carrés SS Moyenne des carrés MS F Statistic
Modèle 7 12.28301352 1.75471622 19.84337761
Erreur 77 6.80897937 0.0884283
Total 84 19.09199289
Tables 3.19 Les principaux résultats pour la campagne ULB97
La distribution du résidu suit bien une loi normale dont la valeur moyenne est nulle Figure 3.22. L'analyse des corrélations de série dans le résidu Figure 3.22 montre l'absence d'autocorrélation du premier ordre.
1.0-1 0.5-■ 0.5-■ 0.0 -as "O ir M ■ ■ ■ #1 -0.5--1.0 --1.0 ■0.5 0.0 Résidu (i) 0.5 —I 1.0
Figure 3.22 Histogramme des fréquences du résidu et l'évolution du résidu en fonction de la valeur précédente Lagl (ULB97)
Dans la comparaison avec les valeurs prédites de la concentration d'ozone nous n'avons repris
que les valeurs mesurées supérieures à 5.5 ppb (ln(03) > 1.7), étant donné la limite de détection
de l'instrument de mesure de l'IBGE. Cette comparaison est présentée dans la Figure 3.23 pour la période allant du 05 au 15 septembre 1997. Dans ce cas le coefficient de prédiction est R =
0.80. Dans le cas où on ne tient pas compte des deux variables indépendantes ln(N02) et
ln(NO) le coefficient de régression est R ~ 0.78 et le coefficient de prédiction pour la période du 5 au 10 septembre 1997 est R~ 0.79.
Figure 3.23 Comparaison entre les concentrations de O3 mesurées par l'IBGE
du 5 au 15 septembre 1997 et celles prédites par le modèle
(R^. = 0.80, = 0.80)
3.3.4 Conclusion
Nous avons vu tout au long de ce chapitre qu'un modèle de régression multiple est capable de prédire l'évolution de la concentration d'ozone sur plusieurs semaines avec une très bonne
précision. Le modèle SMOGOUT, que nous avons construit autour des mesures des
concentrations de O3 et de NO2 réalisées durant la campagne ULB95, a été développé suivant
deux schémas. Le premier (modèle A) consistait à ne considérer que des variables indépendantes météorologiques et le second (modèle B) à inclure en plus des variables météorologiques du
modèle (A) les deux variables indépendantes ln(N02) et ln(NO). Les coefficients de corrélation
de prédiction pour les deux cas étaient respectivement de 0.73 et 0.836 pour la période allant du 1 au 18 juillet 1995. Nous avons montré que les paramètres météorologiques les plus
déterminants {parmi ceux que nous avons adoptés) dans la régression dans le cas de la ville de
Bruxelles sont la température, l'humidité relative et la direction du vent. Les concentrations de
NO2 et de NO dans le cas du modèle B sont aussi prédominantes. En analysant l'efficacité du
modèle, nous avons mis en évidence l'importance de la vitesse du vent et de la concentration
des NOj pour la prédiction des valeurs maximales de O3. L'utilisation de mesures
atmosphériques étalées sur une longue période serait nécessaire pour définir l'influence exacte
de la vitesse du vent sur la concentration d'ozone pour pouvoir l'inclure dans le modèle. Si la
disparité entre les valeurs faibles et élevées de WS dans leurs influences sur O3 se confirme, une
solution consisterait à introduire le paramètre vitesse du vent WS en définissant deux cas de figures, le premier pour les faibles valeurs de WS et le second pour les plus élevées.
L'application du modèle aux compagnes IASB96 et ULB97 a permis de mettre en évidence la capacité du modèle à donner de bons résultats même sous des conditions météorologiques différentes. Durant la campagne de l'hiver 1996 les concentrations d'ozone étaient relativement faibles avec des températures très basses et une nébulosité abondante. Le coefficient de corrélation de régression était de R = 0.88 (0.78 sans NOJ et le coefficient de prédiction était de R = 0.81 alors qu'il était relativement faible dans le cas où on ne tiendrait pas compte des NO,^.
Ceci met en évidence l'importance des deux variables indépendantes NO2 et NO durant cette
compagne, et donc de la photochimie, par rapport aux variables météorologiques. Durant la campagne ULB97 le coefficient de prédiction pour la période allant du 5 au 10 septembre 1997
était de R = 0.80 (0.79 sans NOJ. L'addition des deux variables indépendantes NO2 et NO a
amélioré la qualité des prédictions mais ne présente pas une prédominance par rapport aux variables météorologiques. Vérifiant ainsi les constations de l'analyse de la campagne ULB95.
D'autre part, il serait intéressant de voir l'influence de l'addition de paramètres météorologiques tels que l'inversion thermique, la couverture nuageuse et la hauteur de la couche limite sur la prédiction du modèle. Nous n’avons malheureusement pas pu acquérir les données de ces paramètres pour les périodes correspondantes aux différentes campagnes afin de les introduire dans le modèle. On pourrait aussi introduire un paramètre qui tiendrait compte de l'évolution du trafic des véhicules dans la ville, et cela pour tenir compte des liens qui existent entre les émissions des NO^ et des COV par les véhicules et la production d'ozone.
Conclusions Générales
Au cours de ce travail, nous nous somme intéressés à démontrer l'efficacité du spectromètre par transformée de Fourier BRUKER 120M associé à la technique DOAS pour la détermination
des concentrations des composés comme O3, NO2 et SOj. La capacité du spectromètre par
transformée de Fourier à déterminer la concentration des molécules du toluène, benzène et formaldéhyde a également été établie. Pour cela nous avons utilisé des mesures de concentrations atmosphériques au cours de trois compagnes en 1995, 1996 et 1997. Nous avons
montré que la détection limite du toluène et du formaldéhyde variaient respectivement de 2 à
2.8 ppb et de 9 à 11 ppb au cours des trois campagnes. Cette variation a été attribuée d’une part aux conditions météorologiques lors des mesures et d’autre part à un désalignement du système optique. Les concentrations du benzène et de l’acide nitreux étaient en général en dessous de la sensibilité de l’appareil de mesure, une amélioration de la détection limite peut être réalisée en augmentant le trajet optique (> 800 m).
Durant la campagne IASB96, certains jours ont été caractérisés par des pics élevés et instantanés de la concentration du toluène. Les valeurs de la concentration ont atteint par moments des valeurs de 110 ppb. L'analyse de la direction du vent durant les périodes des pics a montré que les concentrations moyennes horaires supérieures à 60 ppb correspondaient aux directions E/NE. Les valeurs élevées de la concentration ne peuvent être expliquées ni par le trafic
autoroutier, les pics n'étant présents que durant la matinée entre 8 et 12h, ni par la situation du
lieu de mesure, au sud de la ville à proximité d'un domaine boisé {bois de la Cambre et la forêt de
Soigné) et loin des unités industrielles.
L'utilisation d'une diode Si durant la campagne ULB97 nous a permis de mesurer la
concentration de NO3. Celle-ci a été observée durant la période du 3 au 11 septembre 1997.
Durant les nuits du 3/4 et 11/12 septembre les concentrations étaient de l'ordre de 40 ppt et l'erreur sur les mesures variait de 18 à 20 %. La principale difficulté liée a une mesure précise de
NO3 est due d'une part par le recouvrement des absorptions du radical NO3 par les absorptions
de la molécule d'eau dans la région 630-670 nm et d'autre part par la qualité de la mesure de la
section efficace de NO3. La durée de vie du radical NO3 a été évaluée à moins de 67 s pour la
nuit du 3/4 septembre en accord avec les valeurs rapportées par Platt, et al. [1980].
Tout au long de ce travail nous avons apporté des indications sur les relations qui existent entre
les concentrations des différentes molécules étudiées (O3, NO2 et NO) à Bmxelles ainsi que sur
l'influence de la météorologie sur celles-ci. Nous avons établi le lien entre les concentrations de
SO2 et du toluène et les heures de pointes, prouvant ainsi qu'une bonne partie du SO2 et de
toluène présents dans l'air à Bmxelles est liée aux émissions des véhicules. Ceci rectifie l'idée
générale qui attribuait SO2 aux seules émissions du chauffage domestique. L'évolution de la
concentration d'ozone en fonction de la vitesse du vent montre une corrélation inattendue entre
les deux et plus précisément pour les valeurs élevées de ce paramètre. D'habitude la
concentration de O3 est anticorrélée avec la vitesse du vent.
L'étude de l'état photostationnaire à Bruxelles durant les trois compagnes a révélé une déviation de ce paramètre par rapport à l'unité durant quelques jours de la campagne ULB95. Ceci signifie
que l'hypothèse simplificatrice de Chapman liant les concentration de O3, NO et NO2 n'est pas
vérifiée. La simulation de la photochimie de Bruxelles par un modèle de type déterministe
(SMVGEAR) a montré que des faibles concentrations de NO, associées à des faibles
concentrations de O3, causent la déviation du coefficient Nps par rapport à l'unité. Les valeurs
très faibles de la concentration mesurée de NO en fin d'après-midi, alors que les émissions sont identiques à celles du début de la matinée, laissent à supposer que NO est en grande partie
détruit par réaction avec O3 au cours de l'après-midi. Ceci est confirmé par les faibles valeurs de
la concentration d'ozone, (< 20 ppb en valeur moyenne intégrée), qui ont contribuées à
l'augmentation de la durée de vie de NO durant l'après-midi montrant ainsi le caractère réducteur de l'ozone de l'atmosphère à Bruxelles.
D'autre part des tests réalisés en utilisant le modèle SMVGEAR dans l'hypothèse d'une atmosphère peu polluée afin de déduire l'effet des émissions de NO sur la valeur maximale de
O3 montrent une augmentation de celle-ci pour une diminution du flux de NO et une valeur
constante du flux des COV.
Ces résultats contribuent à répondre à la question de savoir quelle est la meilleure stratégie de contrôle de la concentration d'ozone à Bruxelles.
En effet, notre étude à mis en évidence que l'atmosphère de la viUe de Bruxelles était de type réductrice d'ozone. Les valeurs élevées de la concentration d'ozone pendant les week-ends par rapport aux jours ouvrables, les valeurs très faibles de NO durant l'après-midi à l'exception de la
période hivernale, les valeurs relativement faibles de la concentration moyenne horaire de O3
(tout au long des trois campagnes celle-ci était très inférieure au seuil d'alerte de la population 183 ppb) et l'évolution de la concentration d'ozone avec la vitesse du vent confirment tous que les phénomènes de destruction d'ozone sont dominants à Bruxelles. Ceci entraîne une situation paradoxale stipulant que toute augmentation des émissions des NO,^ réduirait la concentration d'ozone pour une concentration constante des COV ou encore toute réduction des NO^
augmenterait la concentration de O3 pour une concentration constante des COV. Ceci est à
l'opposé de ce qui est admis dans certaines agglomérations européennes comme Paris, où la stratégie de contrôle consiste à réduire la circulation des véhicules et à imposer des limitations
de la vitesse durant les périodes de pollution de O3. Dans ces conditions, pour faire face à un
épisode de smog photochimique à Bruxelles il serait plus efficace de ne pas restreindre la circulation de véhicules étant donné que les émissions des NO,^ et de NO par le trafic en
particulier contribuent à détruire l'ozone au Heu de le former. Cette suggestion est rejointe par les constatations de J. Peeters [1998].
Les prévisions de la concentration de la molécule d'ozone à court terme peuvent contribuer à l'élaboration des stratégies de contrôle. Les progrès réalisés dans le domaine des prévisions météorologiques permettent de disposer des variables explicatives nécessaires pour la prédiction de la molécule d'ozone’. Nous avons dès lors développé un modèle de prévision par régression linéaire (SMOGOUT). En appliquant ce modèle aux résultats des trois campagnes nous avons
montré son efficacité pour prédire les concentrations de O3 sur plusieurs semaines et sous des
conditions météorologiques très différentes. Le coefficient de prédiction de la concentration d'ozone variait entre 0.70 et 0.79 pour la variante A du modèle qui ne tenait compte que des variables météorologiques et entre 0.80 et 0.84 pour la variante A du modèle qui tenait compte en plus des concentrations de NO^. Les paramètres météorologiques les plus dominants parmi ceux que nous avons envisagés, sont dans le cas de la ville de Bruxelles : la température,
l'humidité relative et la vitesse et la direction du vent. Les concentrations de NO2 et de NO sont
aussi très influantes. Une amélioration du modèle consisterait à introduire les nouvelles variables indépendantes : l'inversion thermique, la couverture nuageuse et la hauteur de la couche limite.
Les défis des prochaines décennies seront axés sur la capacité de gestion des problèmes de pollution dans les villes, engendrés d'une part par une urbanisation grandissante liée à l'évolution démographique, et d'autre part par la croissance économique. Ceci suppose la compréhension des processus physico-chimiques de l'atmosphère et l'établissement de stratégies de contrôle de la pollution qui sont eux tributaires des progrès réalisés dans deux voies principales :
□ L'amélioration des techniques de mesure des constituants minoritaires de l'atmosphère
□ L'élaboration de modèles déterministes ou statistiques pour la modélisation de la chimie
atmosphérique et les prévisions des concentrations de certaines molécules.
Par notre travaü nous espérons avoir mis en évidence que la disponibilité de données de qualités
associées à 1'utiHsation de modèles appropriés peut aider à la compréhension de ce milieu si
complexe qu'est l'atmosphère terrestre.
REFERENCES
Aldaz, L., F/ux measurements of atmospheric ot^ne over landandwater,]GR, 74, pp. 6943-6946,
1969.
Aliwell, S., R. and Jones, R. L., Measurements of tropospheric NOp 2. Diumal Variation of
StratosphericNO, atMidlatitude. Geophys. Res. Lett., 23. Pp. 2589-2592. 1996.
Aliwell, S., R. and Jones, R. L., Measurements of tropospheric NO} at midlatitude, JGR Vol. 103,
No. D5, PP 5719-5727, March 20,1998.
Annand, W.J.D.; Hudson, A.M. (1981): Meteorologicaleffects on smoke and sulphur dioxide
concentrations in the Manchester area. Atmospheric Environment 115, 799-806.
Atherton, C. S., and Penner, J. E., The Transformation ofNitrogen Oxides in the Polluted
Troposphère, Tellus, 40B, 380-392,1988.
Atkinson, R., Winer, A. M., and Pitts Jr., J. N., Estimation ofNighttime N2O; Concentrationsfrom
Ambient NO^ and NOj Radical Concentrations and the Rôle of N^O^ in Nighttime Chemistry,
Atm. Env 19, 000 1985.
Atkinson et al. (1992) Atm. Env 26A 1178-1230.
Atkinson et al.(1992) J. Phy Chem Ref Data 21 1125FF.
Bacastow, R., and Keeling, C. D., Atmospheric Carbon dioxide Concentration and the Observed
airbome fraction, in Carbon cycle Modelling, B. Bolin, ed., SCOPE16, Chichester, Wiley, 113-112,1981.
Bach, M., Gerrges, R., Herman, M., and Perrin, A.. Investigation of the structure in overtone
absorption bands of C2H4. Molecular Physics, Vol. 97, No. 1/2, 265-277.
BeU, R. J., ïntroductory Fourier Tranform Spectroscopy. Academie Press, Inc. 1972.
Bravo, J. L., Diaz, M. T., Gay, C., Fajardo, J., A Short Prédiction Model for Surface Oi^ne at
Southwest Part of Mexico Valley. Atmôsfera, 9, pp. 33-45. 1996.
Brocco, D., Fratarcangeli, R., Lepore, L., Petricca, M. and Ventrone, I., Détermination of
Aromatic Hydrocarbons in Urban Air of Rome, Atmos. Environ. Vol. 31, No. 4, pp. 557- 566, 1997.
Box G. E. P. andjenkins G. M. (1970) Time Sériés Analysis Forecasting and Control. Holden-
Day, San Fransisco.
Calvert J. G. Test of the theory of or^pne génération in huos Angeles atmosphère. En. Sc. Tech, 10, 248-
Calvert et al (1983) Can. J. Chem. 61, 983 Déviation from 0^NO-NO2 photostationary State in tropospheric chemistry.
Campbell, I. M., Energy and the Atmosphère, a Physical-Chemicalapproach. Edited by J. Wiley &
Sons LTD. p. 210. (1986).
Carieer, M., FaUy, S., Colin R., Coquart, B., Jenouvrier, A., Mérienne, M. F., Hermans, C.,
Vandaele, A. C., and Simon, P. C., O2 absorption Cross-sections and Absolute Intensities in
the DV-Visible using a Fourier Transform Spectrometer, Proceedings of the ASA Symposium, A. Barbe, ed. (Pergamon, New York, 1996), pp. 87-90.
Carieer, M., and Vandeale, A. C., Development of Fourier Transform Spectrometry for \JV-Visible
Differential Optical Absorption Spectroscopy measurements of Tropospheric Minor Constituents.
AppHed Optics, Vol. 38, No. 12,1999.
Carieer, M., Vandaele, A. C., Coün R., Jenouvrier, A., Mérienne, M. F., Bernath, P. F.,
Zobov, N. F., Polyansky, O. L., Tennyson, J., and Savin, V. A., The near infrared, visible
and near ultraviolet overtone spectrum of water. J. of Chem. Phys. Vol. 111, NO. 6, pp. 2444-2450. 1999.
Carpenter, L. J., Clemitshaw, K. C., Burgess, R. A., Penkett, S. A., Cape, J. N., And
Mcfadyen, G. G., Investigation and Evaluation of the NO J O, Photochemical Steady State.
Atmos. Enviro., 32(19), p. 3359-3365 (1998).
Carter, W. P. L., F. W. Lurmann, Atkinson, R., and Lloyd, A. C., Development and Testing of a
Surrogate Species Chemical Reaction Mechanism, Rep. EPA/600/3-86/031, U.S. Environ. Prot. Agency, Research Triangle Park, N.C., 1986.
Carter, W. P. L., A Detailed Mechanism for the Cas-Phase Atmospheric Reactions of Organic
Compounds. Atmospheric Environment Vol. 24A, No. 3, pp 481-518 1990.
Chameides, W. L., and D. D. Davis, lodine: Itspossible rôle in troposphericphotochemistry, ]GR, 85,
7383-7398,1980.
Chatfield, R. B., and P. J. Crutzen, Are there interactions of iodine and sulfur species in marine air
photochemistry?,]GR, 95, 22319-22341,1990.
Chock, P.D.; Terrell, T.R.; Levitt, S.B. (1975): Time sériés analysis of Riverside, California, air
quality data. Atmospheric Environment 9, 978-989
Chock, P.D.; Kumar, S.; Hermann, R. (1982): An analysis of trends in oxidant air quality in the
South Coast air basin of California. Atmospheric Environment 16, 2615-2624.
Chung, J., Wadden, R. A., Scheff, P. A., Development of Oi^ne-Precursor Relationships Using VOC