Recolte Et Traitement M1 3dias Page

1. Contexte de la rcolte et du traitement des donnes dans l'environnement 2. Concept d'indicateurs globaux 3. Concept de signature 4. Units et chelles 5.
L'incertitude de la mesure 6. Echantillonnage 7. Traitement de donnes catgorielles et de donnes numriques mlanges 8. Reprsentation graphique des donnes
Etude dimpact de limplantation dune autoroute en zone rurale : informations diverses
Spcificits de la "mesure" dans l'environnement

1. Approche multidisciplinaire Droit Chimie Physique Biologie Problme environnemental
Electronique
Gologie
Agronomie
Sociologie

1. Approche multidisciplinaire Ingnieur
Sociologue
Agronome

2. Ncessit d'un indice intgrateur Ex. : le responsable "environnement" d'une commune doit prendre une dcision rapide d'vacuation de la population ncessit d'un indice simple, de type "tout ou rien"
? ? ?

2. Ncessit d'un indice intgrateur Ex. : "qualit" des eaux en Wallonie

3. Multitude de sources et de types de donnes Information environnementale
Floue, incertaine
Diversifie Disperse

4. Diffrentes chelles de temps
Odeur, polluant atmosphrique Source de chaleur dans un btiment Qualit des eaux de surface Changements climatiques

5. Diffrentes chelles spatiales

5. Diffrentes chelles spatiales Bio-indication : fonction de la niche cologique des plantes et des animaux
Quelques hectares quelques km2
Quelques m2 quelques hectares
Quelques cm2 quelques m2

6. Mesure de terrain Conditions atmosphriques
le rayonnement direct du soleil fausse la mesure de temprature l'humidit de l'air, la pluie dtriorent les contacts, les cbles, l'lectronique tempratures extrmes : -20 40 C
protection anti-radiation
tanchit des botiers, des passages lectriques composants adapts, attention aux capteurs utilisant l'eau (psychromtres, tensiomtres, ) protections : grande rsistance d'isolement, circuit limitant le courant de dcharge travers l'instrument
foudre, surtensions

6. Mesure de terrain
Alimentation lectrique
si rseau non disponible : batteries
recharge possible par panneau photovoltaque dimensionner selon la consommation de l'appareil et la priode d'chantillonnage

6. Mesure de terrain Autonomie du stockage des informations
mmoire optimale
calcul de la frquence d'chantillonnage en fonction du nombre de donnes, de l'autonomie dsire et du temps de rponse du phnomne ne choisir cette solution que pour des campagnes de longue dure penser au GSM
ligne tlphonique si modem

6. Mesure de terrain Dtrioration du matriel
animaux : rongeurs, djections, insectes
vandalisme (geste gratuit ou sabotage)
protection des cbles et des appareils surveillance locale assurance
tempte, grle
1. Contexte de la rcolte et du traitement des donnes dans l'environnement 2. Concept d'indicateurs globaux 3. Concept de signature 4. Units et chelles 5. L'incertitude de la mesure 6. Echantillonnage 7. Traitement de donnes catgorielles et de donnes numriques mlanges 8. Reprsentation graphique des donnes
Comparer diffrents pays lchelle de lEurope

Problme de la pollution de lair Donnes disponibles : Inventaire Corinair : 28 polluants lmission (SO2, Nox, COVNM, CH4, CO2, CO, N2O, NH3, 9 mtaux lourds, 10 composs organiques persistants et poussires) Mesures dans lenvironnement : Nox, SO2, ozone, poussires PM10, mtaux lourds, fluor,
Diffrence entre les units spatiales utilises pour les mesures lmission et les mesures dans lenvironnement ( limmission). A lmission : au niveau de la municipalit A limmission : mesures ponctuelles, prs des industries et des grands axes de circulation. Problme dextrapolation toute la rgion.
Quel usage le dcideur politique peut-il faire dun tableau de valeurs ?

Pollutant symbol SO2 NOx NMVOC CH4 CO CO2 N2O NH3 DUST SF6 HFCs As Cd Cr Cu Hg Ni Pb Se Zn HCH PCP HCB TCM TRI PER TCB TCE Pollutant Name Sulfur dioxide (SO2+SO3) Nitrogen oxides (NO+NO2) Non-methan volatile organic compounds Methane Carbon Monoxide Carbon Dioxide Nitrous oxide Ammonia Particulate matter Sulphurhexafluoride Hydrofluorocarbons Arsenic and derived solid or gaseous compounds Cadmium and derived solid or gaseous compounds Chromium and derived solid or gaseous compounds Copper and derived solid or gaseous compounds Mercury and derived solid or gaseous compounds Nickel and derived solid or gaseous compounds Lead and derived solid or gaseous compounds Selenium and derived solid or gaseous compounds Zinc and derived solid or gaseous compounds Hexachlorocyclohexane Pentachlorophenol Hexachlorobenzene Tetrachloromethane Trichloroethylene Tetrachloroethylene Trichlorobenzene Trichloroethane Unit Tons Tons Tons Tons Tons Tons Tons Tons Tons kg kg kg kg kg kg kg kg kg kg kg kg kg kg kg kg kg kg kg Emission 64941.70 128895.90 87326.10 228051.40 457086.50 469451000 12985.00 30715.90 43617.40 4900 101100 3156.70 2385.20 20885.00 15527.90 2318.90 18508.50 115181.70 4646.50 123630.60 9765.70 5.80 21.20 1070.10 450610.60 750440.90 668.70 245197.30
Ncessit dagrger les variables
Comparer les pays entre eux Belgique : 10 M habitants 30 500 km2 France : 61 M habitants 550 000 km2 Allemagne : 81 M habitants 357 000 km2
Grand Duch de Luxembourg : 0.45 M habitants 2 500 km2
Ncessit de normaliser les variables
Comparer les pays entre eux : exemple du facteur dmission du SO2 pour lindustrie de la pte papier
Rappel : concept du facteur d'mission But : faciliter le calcul des flux d'mission de certains polluants dont la mesure directe est considre comme longue, complexe ou chre. Mthode : calculer le flux d'mission (par exemple en g/jour de SO2) en multipliant une unit fonctionnelle de "production" (par exemple des tonnes de produit fini) par un "facteur d'mission" propre au polluant et au type de processus. Exemple : dterminer les flux de polluant lis au trafic automobile Facteur d'mission = grammes de CO par km parcouru idalement, ce facteur doit tre adapt au type de vhicule (essence, diesel, ) et aux conditions de conduite (ville, route, autoroute, )
Pte papier procd Kraft: une solution contenant du sulfure de sodium, appele liqueur blanche sert dissoudre chimiquement la lignine qui relie entre elles les fibres de la cellulose du bois. Cette tape (digestion) libre du SO2. Mais le SO2 est principalement mis lors de l'incinration du bois et de l'oxydation des composs soufrs rduits dans le four de rcupration, o le liquide rsiduel du processus (liqueur noire) est brl pour rcuprer de la chaleur et des produits chimiques. Facteur d'mission (mthode simplifie) : 1 seul facteur pour toute l'entreprise : ex. au Canada 3.1 kg de SO2 par tonne de pte sche produite Facteur d'mission (mthode dtaille) : diffrents facteurs pour chaque poste : 3 kg/T pour l'incinration du bois, 2.1 kg/T pour le four de rcupration sans contact direct (1.7 kg/T si contact direct) et 0.008 kg/T pour l'tape de caustification. Facteurs fort diffrents selon les pays, les procds, les techniques d'puration mises en uvre
2.2 kg SO2 par tonne de pte sche 3.1 kg SO2 par tonne de pte sche
Ncessit destimer les variables de manire identique
Evaluer leffort ralis au cours dune priode donne
Ncessit de fournir des grandeurs dynamiques
Communiquer linformation
}
Ncessit dune reprsentation graphique simple et non ambigu
Quels types de grandeurs ? Besoin dindicateurs pour quantifier et simplifier les phnomnes, pour aider comprendre les ralits trs complexes de lenvironnement
Dfinition de lOCDE : un indicateur est un paramtre donnant des informations sur un phnomne, sur lenvironnement ou sur une zone gographique. Il a une signification synthtique et doit tre labor pour un besoin spcifique.
From : L.Braat The predictive Meaning of Sustainability Indicators In In search of Indicators of Sustainable Development Kuik, O., Verbruggen, H., Editor, 1991
Exemple dindice intgrateur : la prvision dapparition du brouillard partir de 8 variables mesures
Exemple dindice intgrateur : lvaluation du confort thermique sur base de paramtres simples
Exemple dindice intgrateur : le sens du got chez lhomme.
Un mlange de 4 sensations : lamer, le sucr, le sal et lacide
Exemple dindice intgrateur : lIndice de Pollution Organique (IPO) selon Leclerq et Maquet (1987)
Parameter Classes 5 4 3 2 1 2.0 2.0-5.0 5.1-10.0 10.1-15.0 >15.0 0.1 0.1-0.9 1.0-2.4 2.5-6.0 >6.0 5 6 11-50 51-150 >150 15 16-75 76-250 251-900 >900 BOD5 mg O2/l Ammonium mg N/l Nitrites g N/l Orthophosphates g N/l
Organic Pollution Index (O.P.I.) = Average value of class numbers for the 4 parameters. Average value 5.0-4.6 4.5-4.0 3.9-3.0 2.9-2.0 1.9-1.0 Pollution level No organic pollution Weak organic pollution Moderate organic pollution Strong organic pollution Very strong organic pollution Color Blue Green Yellow Orange Red
10
Exemples dindices intgrateurs : Indice deutrophisation

Par exemple
Carlson, R. E., 1977. A Trophic State Index for Lakes. Limnology and Oceanography.22:361 369.
Paramtres : Profondeur de visibilit du disque de Secchi (S, en mtres) Phosphore total (P, en g/L) Chlorophylle a (C, en g/L) TSI (Trophic State Index)= TSI = 60 - 14.41 Ln(S) TSI = 9.81 Ln(C) + 30.6 TSI = 14.42 Ln(P) + 4.15 TSI total = moyenne des 3 Oligotrophe si TSI moyen <35 Msotrophe si TSI moyen entre 35 et 45 Eutrophe si TSI moyen >45
Exemples dindices intgrateurs (milieu liquide) :
Indice de biodgrabilit : DBO5/DCO

DBO5 = demande biochimique en oxygne en 5 jours DCO = demande chimique en oxygne
Indice dammonification (mesure de la transformation de lazote organique en azote ammoniacal) : N-NH4+/N-Kjeldahl

N-NH4+ = Azote sous forme ammonium (NH4+) N-Kjeldahl = Azote total selon la mthode de Kjeldahl
Indice dacides gras : Fatty Acids/COT

Fatty acides = Concentration en acides gras COT = Concentration en carbone organique total
Exemples dindices intgrateurs (pollution atmosphrique) : Indice franais de la qualit de lair : ATMO
Indice
1 2 3 4 5 6 7 8 9 10
Poussires
0-10 10-20 20-30 30-40 40-50 50-65 65-80 80-100 100-125 >125
SO2 (g/m3)
0-40 40-80 80-120 120-160 160-200 200-250 250-300 300-400 400-600 >600
NO2 (g/m3)
0-30 30-55 55-85 85-110 110-135 135-165 165-200 200-275 275-400 >400
O3 (g/m3)
0-30 30-55 55-80 80-105 105-130 130-150 150-180 180-250 250-360 >360
Indice ATMO global = le plus mauvais des 4
11
Si lindice est fiable, il peut servir de norme ou pour calculer une taxe. Exemple : UCP = Unit de charge polluante, pour valuer la taxe sur les rejets deaux uses industrielles en Belgique. UCP = 360 [(Q/180)(a+0.35(MS/5000)+0.45(DCO/525))x(0.4+0.6d)+ Q1((Xi+0.2Yi+10Zi)/500)+(Q1(N+P)10000)+(0.2Q2t/10000)]
Avec : MS = matires en suspension (mg/l) Q = volume journalier dvers (l) DCO en mg/l aprs dcantation d = nombre de jours de dversement annuels/225 Q1 = volume annuel dvers (m3) hors refroidissement Q2 = volume annuel dvers (m3) pour le refroidissement Xi = somme concentrations en As, Cr, Cu, Ni, Pb, Ag (mg/l) Yi = concentration moyenne en Zn (mg/l) Zi = somme concentrations en Cd et Hg (mg/l) N = concentration en azote total (mg/l) P = concentration en phosphore total (mg/l) t = cart de temprature entre dversement et eau rceptrice ( C)
Ncessit dagrger les variables Exemple : le trafic routier
Indicateur de pression du trafic = Utilisation de ressources (ptrole) + Pollution atmosphrique + Bruit
Litres de fuel + kg/s de benzne + dcibels ??????
Unit commune : catgorisation de la variable Du moins grave vers le plus grave 10 classes, de 0 10 entre 0 et 15000 litres de fuel par an et par vhicule
10 classes, de 0 10 entre 0 et 1000 grammes de benzne mis par an et par vhicule 10 classes, de 0 10 entre 0 et 120 dB par vhicule 7.5m du milieu de la chausse
12
4/10
7/10
3/10
Si mme concept de gravit de la nuisance mme nombre dintervalles mmes types dintervalles Possibilit de sommer les 3 cotes 4/10 + 7/10 + 3/10 Ou dtablir des moyennes 4.7/10 (comme pour les cotes dexamens)
Pondration des variables Modles orients mcanismes : le facteur dquivalence Exemple : effet de certains gaz sur le rchauffement global de la plante
Le modle compare le mcanisme de rchauffement de la plante dune substance de rfrence (ex. : CO2) aux mcanismes dautres substances dans les mmes conditions mesure relative
Potentiel de rchauffement global = Global warming potential GWP Pour la substance i :

T
GWPi =
a c (t )dt
i i 0 ref
a
0
c ref (t )dt
T est lhorizon temporel (en annes) ci(t) est la concentration de la substance i au temps t ai est leffet dune masse unitaire de la substance i symboles ref = paramtres correspondants pour le CO2
Au total :
Greenhouse _ effect = GWPi mi

i
mi = dbits massiques de chaque substance
13
Horizon temporel T du modle GWP Temps court : T=20 50 ans Effets court terme
Long temps : T= 100 500 ans Effets cumulatifs long terme

Plus dincertitudes, car les GWP dpendent des concentrations de fond de certaines substances dans latmosphre
100 ans : le plus employ en pratique
Intergovernmental Panel on Climate Change (IPCC) : compilation des meilleures estimations des GWP Greenhouse gas
CO2 CH4 N2O CFC12 (CF2Cl2)
20 years
1 35 260 7100
100 years
1 11 270 7100
500 years
1 4 170 4100
Lindicateur na de sens quen fonction de son usage spcifique Ici :

considration physico-chimiques, aucune rfrence lvaluation conomique des dommages (lvation du niveau des ocans), ni aux impacts socio-politiques (rizires) Uniquement effet de serre (pas pollution photochimique, )
Pondration des variables Modles orients effets physiques : le facteur de conversion Exemple : toxicit des gaz Le modle est bas sur les concentrations maximales acceptes, ou sur une norme : Ex. : MAC (Maximum Accepted Concentration ou TLV (Threshold Limit Value) effet sur lhomme et non mcanisme
Indicateur dmission (volume) = quantit de substance mise (kg)/ MAC (kg/m3) Indicateur de pollution dans lenvironnement (sans dimension) = Concentration mesure (kg/m3)/MAC (kg/m3)
14
Exemple : indicateur TX-4 (OCDE) Emissions de mtaux lourds vers leau et les sdiments
4 mtaux retenus : Hg, Pb, Cd et As (assimil aux mtaux) Pondrs selon leur cotoxicit et par rapport larsenic missions en arsenic quivalents
Valeurs de rfrence OSPAR

(http://www.ospar.org/eng/html/welcome.html)
Evaluation des facteurs de pondration :
RVwat ,i RVsed ,i WFi = 2 + RV wat , As RVsed , As

RVwat,i= valeur de rfrence pour le mtal i wat : dans leau sed : dans les sdiments As : pour larsenic
Element Arsenic Mercury Lead
Weighting factor 1 39.2 0.4
Cadmium 3.3
Indice TX-4 = Eas+EHgWFHg+EPbWFPb+ECdWFCd (Ei = missions en Tonnes par an)
Exemple de pondrations : la dpltion de la couche dozone

Formula CFCl3 CF2Cl2 C2F3Cl3 C2F4Cl2 C2F5Cl CHF2Cl CCl4 CH3CCl3 CF3Br CF2BrCl CH3Br Substance Trichlorofluoromethane (CFC-11) Dichlorodifluoromethane (CFC-12) 1,1,2-trichloro-1,2,2-trifluoroethane (CFC-113) 1,2-dichlorotetrafluoroethane (CFC-114) Chloropentafluoroethane (CFC-115) Chlorodifluoromethane (HCFC-22) Tetrachloromethane (HC-10) 1,1,1-trichloroethane (HC-140a) Bromotrifluoromethane (HALON-1301) Bromochlorodifluoromethane (HALON-1211) Methyl bromide Weighing 1.0 1.0 1.07 0.8 0.5 0.055 0.02 1.08 0.12 16 4 0.6
CHCl2CF3 1,1-dichloro-2,2,2-trifluoroethane (HCFC-123)
15
Exemple de pondrations : la toxicit humaine pour les mtaux lourds dans lair
Metal As Cd Cr6+ Cu Hg Ni Pb Zn Weighing 4700 580 47000 0.24 120 470 160 0.033
Exemple de pondrations : le potentiel dacidification

Formula SO2 NO NO2 NOx NH3 HCl HF Substance Sulfur dioxide Nitrogen monoxide Nitrogen dioxide Nitrogen oxides Ammonia Hydrochloric acid Hydrogen fluoride Weighing 1.00 1.07 0.70 0.70 1.88 0.88 1.60
Exemple de pondrations : lodeur

Substance Acetic acid Ammonia Butanal 1-Butanol Dimethylamine Ethanol Dichloromethane Hydrogen sulfide Methanol Pyridine Weighing 16.4 1.0 1190 13 714 1.56 0.0015 2326 0.014 14.5
16
Exemple de pondrations : Dpltion des ressources en combustibles

Combustible Crude oil Natural gas Uranium Reserves 123 559 Mton 109 326 109 m3 1 676 820 tons
Energie dpense
Ou Pondration des combustibles selon le pouvoir calorifique

Calorific power (kJ/kg or kJ/m3) 46200 29400 35170 (m3) 15500 42600
Combustible Fuel oil Mineral coal Natural gas Timber (dry) Diesel oil
Etudes de cas : problme de pollution de l'air aux alentours d'un centre de compostage situ proximit d'une autoroute qui est coupable ?
17
Etudes de cas : problme de pollution des eaux souterraines aux alentours d'un centre d'enfouissement technique situ non loin d'un zoning industriel qui est coupable ?
Etudes de cas : problme d'acidit du sol proximit d'un centre commercial quelle est la cause : les eaux uses ou les eaux de pluie ?
Mthode lgante : la signature, image de la proportion des diffrents constituants d'un mlange C'est implicitement ce principe qui est appliqu quand on ralise une datation d'objet au carbone 14
Pour rappel, le carbone est prsent sous diverses formes dans l'atmosphre et donc dans tout corps vivant changeant avec l'atmosphre : 12C, 98.89%, 13C, 1.108% et 14C, 1.3 10-12% Cet quilibre est maintenu par les ractions diverses dans l'atmosphre (cration de 14C par collision d'azote avec un neutron et, en mme temps, dsintgration de 14C en 12C et 13C). Quand un corps meurt, les changes avec l'atmosphre cessent et l'quilibre est rompu le 14C continue se dsintgrer, mais il n'y a plus d'change avec l'atmosphre, donc le n'est plus renouvel on dose le 14C dans le corps mort, en mesurant son degr de radioactivit. Connaissant la demi-vie du 14C (soit 5715 ans), on connat la date de la mort (AGE). AGE = ln Ao/A * 8033 ans avec A0=radioactivit du carbone 14 dans un chantillon "actuel" A=radioactivit du carbone 14 dans l'chantillon ancien Toute cette mthode est base sur l'hypothse d'une proportion connue des atomes de carbone dans le corps vivant.
14C
18
Par extension : signature isotopique Dans tous les corps vivants de l'environnement, il existe des proportions connues des diffrents isotopes d'un atome (par exemple 13C/12C, ou 15N/14N, ) Or ces proportions des lments contenus dans les polluants, leurs
signatures isotopiques, voluent en fonction des processus de transport

et de transformation qu'ils subissent dans les eaux. Par exemple, en surface d'un lac, c'est surtout le 12C qui est consomm par la photosynthse, donc il y a davantage de 13C. En profondeur, par contre, la respiration libre du 12C au dtriment du 13C. Donc, la proportion 13C/12C est une signature de la profondeur de l'eau dans le lac. Ce n'est pas la concentration absolue de 13C ou 12C qui est importante, mais la concentration relative des deux isotopes. La mthode des signatures isotopiques est fort employe dans l'environnement.
Exemple : signature BTEX (benzne, tolune, ethylbenzne, xylne)
On retrouve des BTEX partout, et la mesure absolue de leurs concentrations ne donne pas beaucoup d'indication mais leurs proportions relatives est indicatrice de la source
dans les gaz d'chappement des vhicules proportion BTEX 1:2:0.5:1.3 en moyenne, mais variable selon le moment dans la journe (heures de pointe ou heures calmes) et le type de carburant signature BTEX = bon indicateur du trafic routier par rapport d'autres sources et de l'intensit du trafic au cours du temps
Exemple : signature BTEX (benzne, tolune, thylbenzne, xylne)
Assessment of vehicular and non-vehicular contributions to hydrocarbons using exclusive vehicular indicators Chih-Chung Chang, Jia-Lin Wang, Shaw-Chen Liu and Shih-Chun Candice Lung Atmospheric environment, 40 (2006) 6349-6361
19
Exemple : signature BTEX (benzne, tolune, ethylbenzne, xylne)

Signature variable selon le type de combustible, le type de route, le type de trafic (ville, tunnel, )
Maga Sin (Mexico) Benzene Toluene Ethylbenzene Xylene (m, p, o) Proportions 1.13 7.45 1.33 7.10 Nova (Mexico) 1.37 3.95 1.24 5.65 Tunnel (Mexico) 2.57 5.42 1.41 6.84 Gasoline (Atlanta) 1.53 8.11 1.80 8.90 Regular (Cairo) 1.93 10.03 12.54 High Grade (Cairo) 3.20 13.50 17.21 Road-way 3.63 9.46 9.22
1:6.6:1.2:6.3
1:2.9:0.9:4.1
1:2.1:0.5:2.7
1:5.3:1.2:5.8
1:5.2:-:6.5
1:4.2:-:5.4
1:2.6:-:2.5
Assessment of vehicular and non-vehicular contributions to hydrocarbons using exclusive vehicular indicators Chih-Chung Chang, Jia-Lin Wang, Shaw-Chen Liu and Shih-Chun Candice Lung Atmospheric environment, 40 (2006) 6349-6361
Autre exemple : signature HAP (Hydrocarbures Aromatiques Polycycliques)

Rappel : composs rputs toxiques, uniquement composs de C et H, et faisant partie des Polluants Organiques Persistants (POPs) bioaccumulation possible Sources : traitement du bois, combustion incomplte (feux, ruptions volcaniques, incinrateurs, trafic automobile et arien), naturellement prsents dans le ptrole, le charbon. Dans l'eau : lessivage des routes par la pluie (l'asphalte et les pneus contiennent des HAP)
Parmi ceux-ci, retenir comme les plus dangereux : 6 de Borneff

Fluoranthne Benzo(b)fluoranthne Benzo(k)fluoranthne Benzo(a)pyrne Indeno(123,cd)pyrne Benzo(ghi)prylne Fluoranthne Benzo(b)fluoranthne Benzo(k)fluoranthne Benzo(a)pyrne Indeno(123,cd)pyrne Benzo(ghi)prylne Naphtalne Acnaphtne
15 de l'EPA
Fluorne Phnanthrne Anthracne Pyrne Benzoanthracne Chrysne Dibenzoanthracne
Signatures diffrentes des 15 HAP de l'EPA dans diffrents sdiments de lacs amricains
HAP
La signature des HAP permet d'identifier la source de la pollution : 2 3 cycles aromatiques fuel 4 6 cycles aromatiques combustion, suie Prylne dcomposition de plantes
Dif
fr en ts
sit
es
20
Indoor Signatures diffrentes des HAP dans la poussire l'intrieur ou l'extrieur

Exemple : d'o vient la pollution aux HAP produites aprs l'attentat du 11 septembre 2001 : 1. effondrement du WTC ( librant HAP indoor) 2. combustion du btiment 3. gaz chappement vhicules de secours
Outdoor
Autre exemple : signature COV (Composs Organiques Volatils) dans les missions de bois moisis
Pas de compos "typique" de l'odeur de moisi, mais diffrence de signature du bois sain et du bois moisi
-pinene -pinene
-pinene -pinene
Autre exemple : signature des bandes spectrales IR dtectes par satellites

La vgtation a un degr de rflchissement lev dans le canal 4 (proche IR) et un rflchissement faible dans la canal 3 (rouge visible)
les signatures spectrales (cd les diffrences ou les rapports de rflectance dans diffrentes bandes de frquence) peuvent tre traites comme valeurs numriques pour donner des images du sol, de la vgtation ou de l'eau en fausses couleurs
21
Ex. : Rgion de Silkeborg (Danemark) vue par Landsat
Canal 1 : 0.45-0.55 nm (bleu visible)
Canal 2 : 0.52-0.60 nm (vert visible)
Canal 3 : 0.63-0.69 nm (rouge visible)
eau et fort = faible rflectance (noir), aires rsidentielles = haute rflectance
Fausses couleurs
Canal 4 : 0.76-0.90 nm (proche IR) eau = faible rflectance (noir), champs verts = haute rflectance, fort et zones rsidentielles = diffrentes rflectances
Exemple : "Normalized Difference Vegetation Index" NDVI = (Proche IR-Rouge)/(Proche IR+Rouge) = image de la photosynthse Carte de la vgtation (fausses couleurs) : vert clair = vgtation vigoureuse, marron = absence de croissance
Juillet
Janvier
Autre exemple : les eaux souterraines gardent la signature de l'atmosphre
La pluie est charge des polluants atmosphriques et pntre dans la nappe la dtection dans l'eau souterraine de polluants typiquement anthropiques permet de dater l'eau (pour tudier le taux de renouvellement, l'histoire des pisodes de pollution, ) Avant 1960 : ni CFC (gaz propulseurs), si SF6 (isolant lectrique) Entre 1970 et 1990 : augmentation des CFC (puis interdits par le protocole de Montral) Entre 1970 et aujourd'hui : augmentation du SF6 si on trouve des CFC dans une eau, c'est qu'elle a entre 20 et 50 ans, donc qu'elle est entre dans la nappe au moment de l'intensification des pratiques agricoles et des activits humaines elle est potentiellement pollue
22
Pour pouvoir identifier la cause d'une pollution, il faut souvent mlanger plusieurs variables
Ex. : rose de pollution, qui mlange la concentration en un polluant, la direction (et la vitesse) du vent On calcule la concentration moyenne du polluant sur une priode donne, par secteur d'origine du vent (ventuellement pondre par la vitesse moyenne du vent dans ce secteur)
la rose de pollution "pointe" vers la source la plus probable
Exemple: Evaluation de la qualit de l'air ambiant prs du complexe sidrurgique de Marchienne-au-Pont (Charleroi), ISSeP 18/05/2006
Poussires en suspension en provenance de l'agglomration et de la cokerie
CO en provenance du complexe sidrurgique
23
Rpartition du niveau de NO2 en fonction du secteur de vent sur la place de l'Opra Paris entre le 24 mai et le 21 juin 2006 la pollution vient surtout du sud-est (Rue du Quatre-Septembre)
AirParif "Campagnes de mesure de la qualit de l'air en sites trafic parisiens forte frquentation pitonne (dcembre 2006)
Diversit des units et des chelles dans les sciences environnementales En environnement : beaucoup de disciplines et chacun a ses propres rfrences Exemple : degr Celsius 0= conglation de l'eau 100= bullition de l'eau
degr Farenheit (1706) 0= temprature d'un mlange de glace pile et de sel temprature du corps humain = 100
24
Etalons anglo-saxons de mesure de longueurs et de volume : potiques la base
Pour la masse : encore plus compliqu
Systme "Avoirdupois" (cas gnraux)
Systme "Troy" (mtaux prcieux)
Systme "Apothecary" (pharmacie)
Units adaptes l'usage
1 anne-lumire = 9 460 895 208 536 470 mtres
1 angstrm = 0.0000000001 mtres
25
1 hectare = 104 m2
1 barn = 10-28 m2
Pour le temps : seconde, jour, semaine, mois anne Problmes : 1 mois ne contient pas toujours le mme nombre de jours (28, 29, 30, 31) et ne contient pas un nombre entier de semaines
Units bases sur un effet ressenti

Unit d'acclration : g (de la pesanteur terrestre)
par exemple : "10 g" dans une fuse au dcollage
Unit de vitesse : Mach (mur du son = 332 m/s)

par exemple : l'avion North American X15 peut atteindre 6 machs
REM = Roentgen Equivalent Men = dose unitaire de radiation ionisante qui engendre les mmes effets biologiques que ceux qui sont dus 1 Roentgen de rayons X maintenant le Sievert
26
Units permettant de faciliter les comparaisons

TEP = Tonne Equivalent Ptrole pour comparer les combustibles entre eux (1 TEP = 41.87 GJ)
par exemple : missions de gaz effet de serre par TEP de diffrents combustibles
Units faisant rfrence l'homme, considr comme pollueur

"Eau d'gout synthtique" pour dfinir une charge polluante dans l'eau en "quivalent-habitant" (E.H.) dans le contexte domestique Pour un volume de 180 litres par jour Paramtre DBO5 DCO MES NK Concentration (mg/l) 300 750 500 55 Charge (g/l) 54 135 90 9.9
Rfrence europenne !!! (3 4 fois plus de consommation d'eau aux USA et beaucoup moins en Afrique)

Tout autre effluent industriel, agricole, peut tre exprim en quivalentshabitant
Unit industrielle ou agricole 1 litre de lait 1 litre de sang 1 tonne de papier 1 tonne de carcasse l'abattoir 1000 litres de bire 1 tonne de linge sale 1 unit de gros btail 1 porc 1 volaille Charge polluante (E.H.) 2 0.6 0.8 100 300 300 400 300 2000 700 2300 15 2 0.1
27

Les rejets en eau use de personnes qui se trouvent en dehors du contexte domestique peuvent galement tre exprimes en E.H.
Activit usine, atelier bureau cole htel restaurant camping
Charge polluante 1 ouvrier = 1/2 E.H. 1 employ = 1/3 E.H. 1 lve = 1/10 1/3 E.H. 1 lit = 1 E.H. 1 place = 1/3 E.H. 1 personne = E.H.
Parfois : rfrences peu stables

En Afrique le creusement d'un puits se paye en nombre de hauteur de l'ouvrier qui creuse
Got de l'eau liste non exhaustive de qualificatifs : saveur acide, amre, got de vase, de moisi, de terre, (idem pour odeur, bruit)
Tables de conversion
vers le Systme international (S.I.) exemple pour la longueur
Unit
angstrm anne-lumire fermi foot furlong inch micron mile mille nautical mile (UK) parsec perch pica point (imprimerie) rod unit astronomique yard
Facteur de multiplication pour obtenir des mtres

10-10 9.46 x 1015 1015 0.3048 201.17 2.54 x 10-2 10-6 1609.3 1852 1853.18 3.0857 x 1016 5.029 4.22 x 10-3 3.988 x 10-4 5.0292 1.496 x 1011 0.914
28
Formules de conversion
Pour les gaz : fluides compressibles on ne peut pas employer simplement la densit pour passer d'un volume une masse Cv est une concentration volumique (volume de gaz par volume d'air) en ppm (parts pour million) ou ppb (parts pour milliard) c'est un rapport de volumes (sans dimension) comment passer la concentration Cg en masse par unit de volume (mg/m3) ?
Cv = rapport de volumes
nombre de moles du produit dans 1 m 3 d' air volume d' une mole = 1 m 3 d' air Cg 24.45 litres MM g = 1 m 3 d' air
24.45 Cv = Cg MM g
pour Cg en mg/m3 et Cv en ppm(v)
ex. : pour le benzne MMg=78 Cv=0.31Cg
Rigueur dans la manipulation des units

Etalons plus fiables Anciennement, l'talon du mtre tait constitu d'une barre de platine conserv Svres = 1/10 000 000e de la distance ple-quateur le long d'un mridien passant par Paris
Maintenant : 1 650 763.73 x longueur d'onde dans le vide correspondant la transition entre niveaux 2p10 et 5d5 de l'isotope 8636Kr
Rigueur dans la manipulation des units

Etalons plus fiables Unit odeur europenne uoE/m3 = quantit de substance odorante, telle que, si on la dilue dans 1 m3 de gaz inodore, on atteint le seuil olfactif Etalon = 123 g de n-butanol dans 1 m3 d'air pur = EROM
29
Gnralisation de l'emploi des prfixes de multiples et sous-multiples dcimaux

exa (E) peta (P) tra (T) giga (G) mga (M) kilo (k) hecto (h) dca (da) dci (d) centi ( c ) milli (m) micro () nano (n) pico (p) femto (f) atto (a) 1018 1015 1012 109 106 103 102 101 10-1 10-2 10-3 10-6 10-9 10-12 10-15 10-18
Dfinir toutes les units par rapport 7 grandeurs fondamentales

le mtre (m) pour la longueur (L) le kilogramme kg pour la masse (M) la seconde (s) pour le temps (T) l'ampre (A) pour l'intensit du courant lectrique (I) le kelvin (K) pour la temprature () le candla (cd) pour l'intensit lumineuse (Lu) la mole (mol) pour la quantit de matire (N)
Nom frquence nergie potentiel lectrique pression luminosit dose absorbe
Dimensions T-1 L2MT-2 L2MT-3I-1 ML-1T-2 JL-2 L2T-2
Unit SI hertz (Hz) joule (J) volt (V) pascal (Pa) lux (lx) gray (Gy)
Dimensions en units SI s-1 kg m2 s-2 kg m2 s-3 A-1 kg m-1 s-2 cd m-2 m2s-2
Attention aux confusions Masse/Poids

70 kg est une masse !!! = 686 Newtons sur la Terre = 112 Newtons sur la Lune
Densit ("specific gravity")/Masse spcifique ("density")

Masse spcifique en kg/m3 Densit : par rapport l'eau 4 C
30
Attention aux confusions Pression

Force par unit de surface exprime en N/m2 = Pa(Pascal) En particulier, si la force agit verticalement sur la surface de la Terre (ex. : air) 1 kg sur 1 m2 = 1 kg x 9.806 m s-2/ 1 m2 = 9.806 Pa Par facilit : pression exprime en kg/m2 ou mme parfois en kg Certains l'expriment en mtres (de colonne d'eau) Ex : loi de Darcy
v=Kdi
v=vitesse de l'eau (m/s) i=gradient de pression KD=conductivit hydraulique
Si i en Pa/m KD a les dimensions m3 s kg-1 Mais lorsque la pression est exprime en m KD est en m/s
Doses limites Exemples

TLV = Threshold Limit Value MAK = Maximale Arbeitplatz Konzentration = "TLV" pour les lieux de travail en Allemagne dose NOEL = No Observed Adverse Effect Level DE50, DT50, DL50 = effet pharmacologique, effet toxique ou mort de l'individu dose de raction de 50% des individus DJA = Dose journalire acceptable (ADI = Acceptable Daily Intake)
Doses limites Terme "dose" ou "niveau" ("Level") =

concept gnral valable pour une concentration gazeuse, un niveau sonore, une quantit d'nergie,
Dfinitions
Dose absorbe (absorbed dose) : quantit de "polluant" reue pendant un temps donn par un milieu ou un sujet expos Dose absorbe spcifique (specific absorbed dose) : idem, mais ramen l'unit de masse du rcepteur (ex: par kg de masse corporelle) Dose collective (collective dose) : dose individuelle x nombre de personnes exposes Dose cumule (cumulative dose) : somme des doses reues durant un intervalle de temps donn
31
Doses limites Dfinitions

Doses moyennes en pharmacologie Drives de la courbe dose/rponse (ou dose/action ou dose/effet) pour une substance donne et un groupe d'individus L'effet (pharmacologique mesur "chimiquement" sur un rcepteur du corps) est mesur pour des doses croissantes de la substance. En gnral courbe en forme de sigmode si l'axe x est en coordonnes logarithmiques Dose efficace 50 [DE50] (effective dose for 50% [ED50]) : dose qui produit 50% de l'effet "pharmacologique" maximum
Quantification des effets pharmacologiques des mdicaments : Relation dose-effet Dr. J.M. Reymann, Dr. B. Saag

En cotoxicologie, on distingue la dose efficace 50 (DE50) = dose qui provoque un type d'effet clairement dfini (irritation des voies respiratoires, sommeil, altrations hpatiques, ) chez 50% des individus tests. la dose active 50 (DA50) = dose qui provoque la moiti (50%) de l'effet maximum ( quivalent au DE50 de la pharmacologie)
32

Dose toxique 50 [DT50] (toxic dose 50 [TD50]) : dose qui provoque la toxicit chez 50% des individus) notion de "toxicit" = effets "indsirables" = trouble de structure anatomique ou trouble de fonction
Dose ltale 50 [DL50] (lethal dose 50 [LD50]) : dose qui provoque la mort chez 50% des individus) notion de "mort" de l'individu souvent test sur des animaux, puis extrapol l'homme DE50<DT50<DL50 et DL50/DE50 ou DT50/DE50 = "marges de scurit"
Doses limites Effets chroniques

Puisqu'on ne peut tester des individus "jusqu' la mort", on dfinit des doses "acceptables" (avec toute l'incertitude lie la notion d'acceptabilit) Dose sans effet adverse observ (No Observed Adverse Effect Level [NOEL]) = Quantit maximale de substance qui ne produit pas d'effet toxique sur l'individu ?? pour les cancers d'origine chimique, on peut considrer que toute dose, mme minime est toxique (NOEL=0) ??
Dose minimum entranant un effet observ (Lowest Observed Effect Dose [LOED]) = Dose proche de la NOEL, mais juste un peu suprieure pour entraner un effet significatif
Doses limites
Effets chroniques
Dose journalire acceptable [DJA] (Acceptable Daily Intake [ADI]) = Dose sans effet adverse observ (NOEL) valable pour une journe souvent = NOEL x facteur de scurit, par exemple ADI=NOEL/100
33
Doses limites Effets divers sur la sant

Valeur limite de seuil ([TLV]=Threshold Limit Value) surtout dans le milieu du travail TLV-TWA = Threshold Limit Value-Time Weighted Average = concentration admise dans l'air pour des personnes exposes 8 heures par jour et 40 heures par semaine TLV-STEL = Threshold Limit Short Term Exposure Limit = concentration laquelle un travailleur peut tre expos de faon continue mais pendant un court laps de temps sans que cela provoque des dommages irrversibles (limite du "court terme" = en gnral 15 minutes, pas plus de 4 fois par jour et au moins 60 minutes entre deux expositions successives) TLV-c = Threshold Limit Value-Ceiling = concentration qui ne peut jamais tre dpasse, mme durant un temps trs court Concentration limite au poste de travail MAK (Maximale Arbeitsplatz Konzentration) TLV-TWA en Allemagne
Doses limites Effets spcifiques sur l'environnement

Notions quivalentes celles relatives la sant et souvent issues des prcdentes (ex. facteur multiplicatif) Concentration Environnementale Prvue (Predicted Environmental Concentration [PEC]) = Base sur la concentration l'mission, le facteur de dilution dans l'environnement et le taux d'limination connu de la substance dans le milieu ( utilise pour estimer le risque environnemental) Concentration Environnementale Prvue Sans Effet (Predicted Environmental No Effect Concentration [PNEC]) = DE50 ou DL50 mesur pour l'espce la plus sensible x facteur de scurit (p.ex. 1000) Facteur de dilution au seuil de perception olfactive (Z50) : nombre de fois qu'il faut diluer un mlange gazeux odorant dans un air sans odeur pour que 50% d'un panel de personnes peroivent l'odeur et 50% de ce panel de la peroivent pas.
Retenir quelques ordres de grandeur Exemples

Concentrations typiques en lments dans l'eau douce 0.01 g/l pour le Ca, 0.012 pour le CO3, Concentrations "typiques" des missions des solvants de peinture Benzne : 1 ppm, Tolune : 10 ppm, Niveaux sonores typiques : bureau : 50dB, route frquente 85 dB, Composition de la poubelle mnagre (sans tri slectif) : 30% papier, 8% plastiques, 8% verre, 4% mtaux, 45% organiques, 5% divers
34
Echelles
Echelle nominale Caractristique Codage arbitraire des objets mesurs Non Non Classification en catgories Echelle ordinale Classement des objets en ordre selon le rang d'un attribut Non non Evident pour les mesures mtriques, plus difficile pour des jugements, des apprciations Transformation monotone : si la squence est la mme Histogrammes, "Pie charts" Echelle de Mohs, de Beaufort Echelle intervalles Les intervalles peuvent tre compars Oui Non Rfrence arbitraire (ex. : 0 C = glace fondante) Echelle rapports (cardinale) Mesures mtriques, intervalles o la multiplication est possible Oui Oui Mesure "classique" en rfrence un point "zro"
Notion de distance, de moyenne, Notion de rfrence (point zro) Notion de mesure
Transformation autorise
Remplacer individuellement chaque code par un autre Diagrammes de Venn Codage de plantes, de professions,
Transformation linaire de type ax+b Courbes sans signification l'origine des axes Quotient intellectuel, chelle des C
Transformation scalaire uniquement (changement d'units) Courbes avec rfrences fixes Force, nergie, longueur
Reprsentation
Exemple
Echelle nominale en environnement
Nature de la saveur et du got de l'eau Saveur acide amre sale sale et amre Got bicarbonat, alcalin mtallique chlor d'hydrocarbure de pharmacie de terre ou de vase de moisi
Origine possible
sulfates, chlorures eau magnsienne
fer, manganse, cuivre traces d'hydrocarbures produits organiques eaux de zones calcaires, eaux stagnantes moisissures, champignons, levures
Echelles
Echelle nominale Caractristique Codage arbitraire des objets mesurs Non Non Classification en catgories Echelle ordinale Classement des objets en ordre selon le rang d'un attribut Non Non Evident pour les mesures mtriques, plus difficile pour des jugements, des apprciations Transformation monotone : si la squence est la mme Histogrammes, "Pie charts" Echelle de Mohs, de Beaufort Echelle intervalles Les intervalles peuvent tre compars Oui Non Rfrence arbitraire (ex. : 0 C = glace fondante) Echelle rapports (cardinale) Mesures mtriques, intervalles o la multiplication est possible Oui Oui Mesure "classique" en rfrence un point "zro"
Reprsentation
Exemple
35
Echelle ordinale en environnement

Echelle de Mohs : duret des minraux
Duret 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. Talc, friable sous l'ongle Gypse, rayable avec l'ongle Calcite, rayable avec une pice en cuivre Fluorite, rayable avec une trace lgre au couteau Aporite, rayable au couteau Orthose, rayable la lime, par le sable Quartz, raye une vitre Topaze, rayable par le carbure de tungstne Corindon, rayable au carbure de silicium Diamant, rayable uniquement avec un autre diamant
Formule chimique Mg3Si4O10(OH)2 CaSO42H2O CaCO3 CaF2 Chaque lment raye le prcdent Ca5(PO4)3(OH-,Cl-,F-) KAlSi3O8 SiO2 Al2SiO4(OH-,F-)2 Al2O3 C

Echelle de Richter : magnitude des sismes
Niveau 1 2 3 4 5 6 7 8 9
Effet observ Vibrations non perceptibles par l'homme Les lustres bougent lgrement La vaisselle tremble Dgts matriel Les vitres se cassent Les chemines s'croulent Les tuiles tombent du toit Des fissures apparaissent dans le sol Les canalisations cassent Les murs s'croulent Les voies ferres se plient Les immeubles s'croulent Les ponts se cassent Tout est violemment projet dans les airs Le sisme dtruit toutes les constructions

Echelle de Beaufort : force du vent
Nombre de Beaufort 0 1 2 3 4 5 6 Description du vent Calme Trs lgre brise Lgre brise Petite brise Jolie brise Bonne brise Vent frais Effet observ sur terre Effet observ en mer Vitesse du vent (m/s) <0.3 0.3-1.5 1.6-3.3
Fume s'lve verticalement Fume dvie Frmissement des feuilles Feuilles et petites branches constamment agits Le vent soulve la poussire et les feuilles de papier Les arbustes se balancent Grandes branches agites, fils lectriques faisant du bruit, parapluie difficile utiliser Arbres agits en entier, marche contre le vent pnible Branches casses, marche contre le vent impossible Tuyaux de chemine et ardoises arraches Rare l'intrieur des terres. Arbres dracins, dommanges aux habitations Trs rarement sur terre Jamais sur terre
La mer est comme un miroir Rides ressemblant des cailles de poisson Vaguelettes courtes Trs petites vagues cume Petites vagues devenant plus longues Vagues modres Lames, crtes d'cume blanche La mer grossit, l'cume est souffle en tranes Lames de hauteur moyenne, plus allonges Grosses lames paisses, tranes d'cume Trs grosses lames, visibilit rduite Lames trs hautes Air plein d'cume, visibilit nulle
3.4-5.4 5.5-7.9 8.0-10.7 10.813.8 13.917.1 17.220.7 20.824.4 25.428.4 28.532.6 >32.7
7 8 9 10 11 12
Grand frais Coup de vent Fort coup de vent Tempte Violente tempte Ouragan
36
Echelles ordinales en environnement

Echelle de Braun-Blanquet : abondance de plantes
Symbole Pourcentage approximatif de couverture du sol par les plantes <5 5 - 25 % 25 - 50 % 50 - 75 % > 75 %
1 2 3 4 5
Echelle d'intensit olfactive (VDI 3882)

Niveau A B C D E F G Intensit del'odeur Extrmement forte Trs forte Forte Distincte Faible Trs faible Non perceptible
Echelle de caractrisation de la ncrose sur les feuilles de tabac

Code 0 1 2 3 Proportion de surface foliaire ncrose (%) 0 0-10 10-50 >50
Echelles
Reprsentation
Exemple
Echelles intervalles
Echelle de quotient intellectuel Estimation en rfrence la mdiane de la population (QI=100)
QI 70 85 100 110 115 120 130 % des personnes ayant un QI suprieur 97.7 84 50 25 16 7 2.3
Les personnes possdant un QI=140 ne sont pas "deux fois plus intelligentes" que celles ayant un QI=70
Echelle de temprature en C
20 n'est pas le double de 10 C C
37
Echelles
Reprsentation
Exemple
Echelles rapports
Les plus frquentes en sciences

Pression, concentration, volume, longueur, poids, force, nergie,
Moins utilises en sciences sociales

Ex. : revenus ou temps ncessaire pour effectuer une tche ou quantit de salive scrte par un chien dans une exprience de Pavlov,
Echelles non linaires Echelles logarithmiques : pour traduire les effets sensitifs chez l'homme, pour viter la manipulation de trop grands nombres dB pour le bruit, pH pour l'acidit, Cartographie (ex. : chelle ordinale de mesure de l'intensit olfactive)
38
Additivit des variables

Attention aux chelles logarithmiques : c'est l'argument du logarithme que l'on peut additionner La somme d'un bruit de 75 dB et d'un bruit de 80
dB = 81.2 dB et non 155 dB !!! L1=10 log(w1/w0)=75 et L2=10 log(w2/w0)=80 w1/w0=107.5 et w2/w0=108 wtotal/w0= (107.5+108)=131.6x106 Lmoyen=10 log(131.6x106)=81.2
Attention aux phnomne de synergie et d'inhibition des odeurs addition de type vectorielle pour des mlanges binaires
Incertitude =? Erreur
Dfinition de "vraie"
l'erreur = cart d'une mesure par rapport la valeur
lie la prcision de la mthode, de l'appareil problme : on ne connat pas la valeur "vraie"
la connaissance de l'erreur peut servir corriger la valeur mesure

Dfinition de l'incertitude = paramtre associ une mesure qui caractrise la dispersion des valeurs autour de la valeur suppose vraie ou intervalle autour de la valeur mesure qui contient le plus probablement possible la valeur vraie inclut l'erreur et les autres variabilits possibles
et ne peut pas tre utilise pour corriger une valeur mesure
39
Illustration de la diffrence entre erreur et incertitude
L'valuation de l'erreur peut servir corriger la valeur mesure et, par chance, cette valeur peut effectivement se retrouver trs prs de la vraie valeur la valeur ainsi corrige ne prsente pratiquement plus d'erreur.
Mais l'incertitude reste la mme, car l'exprimentateur n'est pas sr que la correction a t efficace.
Causes des incertitudes

1. Incertitude lie au choix du paramtre caractrisant la variable Exemple : vitesse du vent "caractristique" d'une priode donne
Vitesse quelle hauteur par rapport au sol ? Vitesse moyenne ? mdiane ? Calcule sur quelle frquence d'chantillonnage ?

2. Incertitude lie au modle utilis Exemple : panache de dispersion d'un polluant dans l'atmosphre La forme et la taille du panache vont dpendre du modle mathmatique utilis pour simuler la dispersion (exemple : modle gaussien) grossire approche de la ralit
40

3. "Incertitude" lie la variabilit naturelle du phnomne tudi La valeur "caractristique" fournie n'est qu'une "moyenne", ou autre paramtre statistique d'un ensemble de valeurs possibles
Variabilit temporelle Exemple : rendement d'une station d'puration dpend du moment dans la journe, de l'poque dans l'anne,
Variabilit spatiale Exemple : concentration en nitrates dans une nappe varie en fonction de la profondeur et de la distance la source de pollution

4. "Incertitude" lie la reprsentativit de l'chantillon C'est une partie de l'erreur d'chantillonnage, mais qui n'est gnralement pas intgre l'erreur de "mesure globale" Reprsentativit temporelle Le prlvement de dioxines dans la chemine d'un incinrateur ne tient pas ncessairement compte du fonctionnement "normal". Il peut s'agir d'une mesure pendant un transitoire ou une priode particulire. Reprsentativit spatiale L'chantillon d'air prlev pour analyse sur un CET n'est peut-tre pas reprsentatif de l'ensemble de la zone exploite (par exemple : influence d'un dchet
particulier, situ proximit de la pompe de prlvement)

5. Incertitude lie l'erreur de prlvement et de mesure Influence de la qualit du filtre vierge sur l'analyse des mtaux lourds sur la spectromtrie de fluorescence X. Erreur de comptage de colonies dans une bote de Petri
Rcipient de prlvement d'eau pas bien rinc. Oprateur trop prs du sonomtre
41
Notions : Erreur systmatique, Erreur alatoire, Biais, Dispersion, Justesse, Fidlit

L'erreur systmatique agit toujours dans le mme sens par rapport la moyenne
C'est le biais, qui conditionne la justesse ou l'exactitude du rsultat

L'erreur systmatique n'est pas trop grave si l'on peut effectuer un talonnage.

L'erreur alatoire agit de manire imprvisible de part et d'autre de la moyenne
C'est la dispersion, qui conditionne la fidlit ou la prcision du rsultat
42

L'erreur alatoire ne peut pas tre corrige a posteriori Elle peut tre value et note en regard de la mesure
Augmenter le nombre de rplicats
Avant d'effectuer la mesure, on peut prendre des prcautions pour minimiser l'erreur alatoire
Biais, dispersion, justesse, fidlit Racine de la variance du paramtre = Dispersion (composante alatoire de l'erreur) Si c'est la moyenne que l'on veut valuer
Biais = diffrence (en valeur absolue) entre l'estimateur et la vraie valeur du paramtre (composante systmatique de l'erreur) Pour la moyenne
Biais = y
Grand biais et grande dispersion
Grande dispersion mais biais quasi nul
Ni juste, ni fidle
Juste, mais pas fidle
Petite dispersion, mais biais important
Petit biais, petite dispersion
Fidle, mais pas juste
Juste et fidle
43
Biais, dispersion, justesse, fidlit 1. Biais Identifier les causes : pas trop difficile
Mauvais rglage de l'arc
Biais, dispersion, justesse, fidlit Echantillonnage de la fraction respirable (<10m) des arosols
Principe du cyclone : on impose un mouvement circulaire aux particules les grosses tournent vers l'extrieur, puis descendent par gravit les petites restent sont entranes par le vortex intrieur ascendant
Source de biais : vitesse de rotation du cyclone
Biais, dispersion, justesse, fidlit Prlvement en sacs de COV (odeurs)
Sources de biais : COV gnrs par le sac et par la pompe de prlvement, COV adsorbs sur les parois du sac
44
Biais, dispersion, justesse, fidlit Prlvement des dioxines en continu dans les chemines
Sources de biais : effet de mmoire de la sonde qui s'est encrasse par un pisode de pollution lors d'un prlvement prcdent
Biais, dispersion, justesse, fidlit Analyse bactriologique d'eau potable
Sources de biais : effet de la lumire ou de la temprature sur l'chantillon durant son transport
Biais, dispersion, justesse, fidlit 1. Biais Quantifier le biais : beaucoup plus difficile !!!
Souvent : simple estimation
45
Biais, dispersion, justesse, fidlit 2. Dispersions Additives par les variances erreurs qui sont additifs ce sont les carrs des
2 2 2 schantillonnage = s12 + s2 + ... + sm
Difficile galement de quantifier les diffrentes composantes de l'erreur (s1, s2, sm)
Solution : valuer globalement sch par des rplicats
Importance de l'incertitude pour un test qualitatif

Test qualitatif = simple prise de position ou catgorisation d'un vnement, d'un milieu, d'un matriau Exemple : l'eau est elle potable ? tel engrais peut-il tre mis sur le march ? Risque : une classification incorrecte peut laisser passer un "produit" qui est impropre l'utilisation liminer un "produit" qui aurait pu tre intressant
Importance de bien valuer l'incertitude pour rduire le risque
Consquence sur l'assurance qualit de l'analyse : faux positifs et faux ngatifs Le rsultat de la mesure sert prendre une dcision une erreur d'chantillonnage (ou d'analyse) peut conduire se tromper dans la dcision prise. Matrice de confusion.
Exemple : recherche de traces d'arsenic dans l'eau de baignade.
Prdiction
Il y avait de l'As et on l'a dtect Il y avait de l'As et on ne l'a pas dtect (erreur II ou ) Il n'y avait pas d'As et on ne l'a effectivement pas dtect Il n'y avait pas d'As et on en a pourtant dtect (erreur I ou )
Oui
Ralit Oui
Non FN VN
VP FP
Non
46
Critres de qualit de l'chantillonnage (ou de la mesure)

Ralit Oui Non
Prdiction Oui VP FP Non FN VN
Prcision = % prdictions correctes (positives ou ngatives) Idal = 1 (100%)
A=
VP + VN VP + VN + FP + FN
Sensibilit=Taux de vrais positifs = % positifs correctement identifis par rapport tous les positifs rels Idal = 1 (100%)
SE =
VP VP + FN
Importance de l'incertitude pour un test quantitatif

Test quantitatif = chiffre qui va servir valuer la "qualit" d'un produit, d'un milieu, Exemple : quelle est la concentration de nitrates dans l'eau ? combien d'abeilles ont t intoxiques par un insecticide ? Le commanditaire de l'tude doit connatre le degr d'incertitude du chiffre qui lui est fourni. Les normes de traabilit exigent de connatre l'incertitude de la mesure. prsenter les rsultats sous la forme xx ex. : concentration en nitrates = 9.61.4 mg/l x n'est pas un majorant de l'erreur, mais x est un intervalle de confiance autour de la valeur fournie (donc avec un probabilit associe)
Classification de rsultats
Avec prise en compte de lincertitude => Classification plus fine Rsultats non- conformes Non- conforme Seuil Rsultat conforme Rsultats conformes Probable non-conforme Possible non-conforme
47
Comparaison de deux laboratoires : davantage de "tolrance"

Sans prise en compte de lincertitude Lab 1 Lab 2 Avec prise en compte de lincertitude Lab 1 = Lab 2
[C]
[C]
Lab1
Lab2
Lab1
Lab2
Combien de chiffres significatifs prsenter ?
Ne pas "noyer" l'interlocuteur avec trop de chiffres, mme s'ils sont significatifs tout dpend du message faire passer Exemple : j'ai pay ma voiture 16745 23 cents Les chiffres significatifs ne sont pas utiles pour l'interlocuteur
Combien de chiffres significatifs prsenter ?
En physique, en l'absence d'un intervalle d'incertitude explicite, on admet que celui-ci est gal une demi unit du dernier chiffre fourni. si la valeur mesure de la biomasse d'une portion de rivire vaut m=23453 g, on suppose que le dernier chiffre (3) est incertain, on a donc
23452.5 g < m < 23453.5 g ou m=234530.5 g

Cela signifie que l'on a mesur une masse de plus de 23 kg avec une prcision de 1g, soit une prcision relative de 0.004% !!!! exceptionnel En gnral, une prcision relative de 0.1 1% sont satisfaisantes De plus : est-ce indispensable pour l'tude en cours de connatre la biomasse au gramme prs ?
48
Combien de chiffres significatifs prsenter ? Exemple : valeur d'une rsistance lectrique

Noir Marron Rouge Orange Couleur Chiffre 0 1 2 3 4 5 6 7 8 9 +/- 5% +/- 10 Tolrance
Anneaux 1 et 2: Les deux premiers anneaux indiquent les deux premiers chiffres de la valeur de la rsistance. Pour notre exemple : anneau vert 5 anneau bleu 6 Anneau 3 : Il indique le nombre de zros rajouter. Anneau rouge 2 donc on rajoute derrire les premiers chiffres 2 zros, ce qui revient aussi multiplier par 102. La valeur de la rsistance est donc R=5600 Anneau 4 : C'est une indication du fabricant sur la prcision de la valeur de la rsistance. Elle est donne en pourcentage. Anneau dor prcision +/- 5%.
Jaune Vert Bleu Violet Gris Blanc Or Argent
Donc, la rsistance est de 5600 280 on ne peut crire R=5600 (les deux derniers zros ne sont pas significatifs), mais bien 5.6 k
Combien de chiffres significatifs prsenter ? A recommander : la notation "ingnieur", avec des puissances de 10 comprenant des exposants en multiples de 3 10-3, 106, 10-9, 1012, Par exemple, pour rsoudre un problme il faut convertir le volume d'un bassin d'orage de 23.5 m3 en ml ne pas crire 23 500 000 ml, mais 23.5x106 ml !!! Autre exemple : la distance de la Terre au Soleil (unit astronomique) n'est pas constante, elle vaut, en moyenne sur une anne 1 UA = 1,495 978 70 1011 m.
souvent on arrondit cent cinquante millions de km OK, mais cela doit s'crire : 1 UA = 1,50 108 km, ou 1 UA = 1,50 1011 m, et non 150 000 000 km. Sinon, on croirait que l'unit astronomique ne varie pas de plus de 1km, or elle varie de 402 130 km sur une anne !!!
Effet pervers de la significativit des chiffres : la norme en dioxines
Vu le danger des dioxines, la norme a t fixe une valeur trs basse : 0.1 ng/Nm3, qui est trs prs de la limite de dtection de la mthode de prlvement et d'analyse. Si la LOD est de 0.1 ng/Nm3, on ne peut pas ajouter un deuxime chiffre significatif. 0.14 ng/Nm3 est-il tolr ? la Rgion wallonne a dcid de "tolrer" des valeurs jusqu' 0.199999 ng/Nm3.
49
Les intervalles ne sont pas toujours symtriques

Exemple : mesure de la concentration d'odeur par olfactomtrie mthode base sur un panel de personnes perception non linaire avec le stimulus
Perception
Perception Concentration Log Concentration
Mais linaire sur des axes logarithmiques
Les intervalles ne sont pas toujours symtriques
Perception
Perception
Concentration
Log Concentration Un intervalle d'incertitude symtrique sur une chelle logarithmique devient asymtrique sur l'chelle de perception
Exemple : incertitude sur une concentration d'odeur de 1000 uo/m3 = [500,2000 uo/m3]
Procdure pour valuer l'incertitude globale 1. Identification des sources d'incertitude
Diagramme Cause-Effet (Ishikawa) Objectifs Sassurer que toute source potentielle a t identifie et ventuellement prise en compte Indispensable dans le cas dune approche bottom-up (quantification de chaque source individuelle, par rapport l'approche "top-down", qui value l'incertitude de manire globale, pour l'ensemble du processus) Faciliter le regroupement des sources
50
Identification des sources d'incertitude

Pour tablir ce diagramme, deux approches sont possibles : 1. Mthode des 5M : Mthode, Matire (chantillon), Main d'uvre, Moyen (quipement), Milieu (Conditions ambiantes) Exemple : mesure des matires en suspension
Identification des sources d'incertitude

Pour tablir ce diagramme, deux approches sont possibles : 2. Etablir une "quation" de mesure et dmarrer les branches principales du diagramme sur cette base Exemple : analyse des poussires sur filtre par fluorescence
Conc _ ech =
Conc _ Surf Surf _ dpot Vol _ prlv
Cela peut vite devenir complexe !!!

Exemple : analyse des dioxines par la mthode AMESA
V o lu m e
Pese
P r l v e m e n t
E ta lo n n ag e
In d ice co m p te u r
P re s s io n c o m p te u r
T em p ra tu re c o m p teu r
E ta lo n n ag e c o m p te u r
R p tab ilit
T a ra g e C o n d e n s at
C o m p te u r
P e rc a g e
L o t d e ca r to u c h e
T e m p r atu r e d e la c a rto u c h e
C ar to u ch e X A D
P re s sio n c o n d e n s atio n
T em p e ra tu re c o n d e n s a tio n
Is o cin tism e
E a u r s id u elle F iltre
D io x in e C o n c e n tra tio n
C a rto u c h e X A D S p cific atio n s S e rin g u e fo u rn is s e u rs T em p ra tu re V o lu m e d e d o p a n t F io le Lot D u r e D ilu tio n S o lv a n ts d lu tio n s P r -co n ce n tra tio n E ta lo n n ag e D o p ag e L ot S o lva n t R in c a g e Condensat C o lo n n e S p cifica tio n s S o lu tio n s d ta lo n n a g e P r -c o n c e n tr a tio n C o lo n n es V o lu m e d e d o p a n tS er in g u e S p cific atio n s fo u rn iss e u rs D o p ag e
S ch a g e
S u rfa c e d e p ic
In t g ra tio n R in a g e ve rr e rie F iltre
A c id ifica tio n R in c a g e
R in c a g e s o n d e
E x tra c tio n
P u rific a tio n
A n a ly s e
51
En gnral, les causes typiques d'incertitude sont:
l'chantillonnage (variations alatoires entre chantillons, ) les conditions de stockage des chantillons (dure, conditions) les effets des instruments (limites de prcision de la calibration, du contrle de la temprature, ) la puret des ractifs la stchiomtrie relle, qui peut diffrer de la stchiomtrie suppose si la raction est incomplte les conditions opratoires (variation de volume due la temprature, ) les effets de matrice et d'chantillon, en gnral (stabilit par exemple) les effets mathmatiques (par exemple, le fait de linariser une courbe de calibration ou de tronquer ou d'arrondir une mesure) la correction de blanc (incertitudes dues la pertinence du "blanc") les effets dus l'oprateur (erreurs de lecture, d'interprtation) les effets alatoires.
simplifier 1. en ne comptabilisant qu'une fois chaque variable
S'il s'agit de la mme temprature (p.ex. : temprature du labo ne la prendre qu'une seule fois en compte
simplifier 2. en supprimant des effets qui se simplifient
Quantit de dioxines dans l'chantillon
Quantit de dioxines dans le blanc
Linarit Temprature Calibration Prcision Biais
Linarit Temprature Calibration Prcision Biais Concentration
Prcision Calibration
Volume
Le biais sur un chantillon risque peut-tre d'tre le mme que sur le blanc se simplifient
52
simplifier 3. en supprimant les effets ngligeables par rapport d'autres
Il est possible que l'erreur sur le volume de la verrerie soit ngligeable par rapport celle de la balance
Procdure pour valuer l'incertitude globale 2. Quantifier les composantes de l'incertitude
Distinguer ce qui est biais (valu par talonnage) et ce qui est dispersion (valu par rplicats)
Se baser sur les donnes du fournisseur : ex. tolrance de la verrerie
Se baser sur les quations physiques : ex. : dilatation des corps en fonction de la temprature

Se baser sur les distributions de probabilit Rectangulaire : la valeur est situe dans l'intervalle [x-a,x+a], mais on ne privilgie aucune valeur
ex. : la concentration d'hlium dans la bouteille est donne avec une puret de 99.40.05%
a 3 a 3
L'erreur vaudra alors a/3 (probabilit = aire = environ 2/3 de l'aire totale)
53

Se baser sur les distributions de probabilit Triangulaire : la probabilit d'existence de la valeur dcrot linairement de part et d'autre de la valeur centrale pour s'annuler en x-a et x+a
ex. : le volume annonc d'une burette est de 25 ml, mais on a des raisons de croire que la valeur centrale est plus probable que les valeurs extrmes
a 6 a 6
L'erreur vaudra alors a/6

Se baser sur les distributions de probabilit Normale : la probabilit d'existence de la valeur dcrot doucement de part et d'autre de la valeur centrale pour ne s'annuler en x- et x+
ex. : la concentration mesure au moyen de plusieurs chantillons rplicats d'un mme milieu
L'erreur vaudra alors

Calculer les incertitudes combines Si toutes les incertitudes sont exprimes sous la forme "d'cart-type", leurs carrs (les variances) peuvent tre somms, ventuellement en pondrant les ui2 par des coefficients de pondration ci2 tenant compte de l'importance relative de l'incertitude.
c u( x )
2 i i
54
L'chantillonnage est une tape trs complte et fondamentale de la surveillance de l'environnement. Elle comprend : le choix des endroits de mesure dans l'espace le choix des moments de mesure dans le temps (poque, dure, frquence, synchronisation) les prcautions de prlvement d'chantillon ou de placement d'un appareil de terrain
Dans le cadre de ce cours introductif : mthodes de sondage dans la population
Pourquoi un chantillon ?
Slection de 200 personnes caractristiques pour une enqute concernant les habitudes de tri des dchets dans la province de Luxembourg (population-mre = 240000 habitants)
55
1. Les sondages alatoires

1.1. Sondage alatoire simple probabilits gales
Toutes les combinaisons de n parmi N sont autorises, avec la mme probabilit n/N (cas du tirage sans remise)
D'abord, identifier les individus (ex. : toutes les personnes d'une rgion donne) Ensuite : tablir la liste des individus (ex. : en les identifiant par un numro unique) pas l'annuaire tlphonique (car alors on ne s'adresse qu'aux gens qui ont le tlphone) Gnrateur de nombres alatoires Exemple : fonction ALEA.ENTRE.BORNES(a;b) d'Excel
Prcautions !!!! distribution rectangulaire spcifier les bornes (ou faire une transformation affine (ax+b) de la fonction) nombres entiers (arrondir ventuellement) liminer les doublons si le tirage est sans remise)
on peut calculer diverses caractristiques statistiques, Application la valeur moyenne d'une variable (par exemple la distance au premier parc conteneurs)
y=
1 n yi n i =1
56

1.2. Sondage alatoire simple probabilits ingales Si certaines units ont plus de chances d'tre tires cause de leur "taille"
on peut redresser le tirage en donnant moins de "poids" aux units de grande taille
Par exemple : exploitations agricoles tires d'aprs leur surface entreprises tires d'aprs leur chiffre d'affaire mnages tirs d'aprs le nombre de personnes (p.ex. pour une enqute "dchets")
application au calcul de la valeur moyenne d'une variable (par exemple la quantit d'engrais utilise par une exploitation agricole, X tant la taille de l'exploitation en ha)
y=
i=n Xi/X
1 n yi n i =1 i
i = probabilit d'inclusion, Xi="taille" de l'unit i, X="taille" totale si i=1, l'unit i ne reprsente qu'elle-mme, si i=0.01, l'unit i reprsente 100 units de la population

1.3. Sondage alatoire stratifi
S'il existe une "stratification", c'est--dire une structure sous-jacente ex. : classes d'ge, de sexes, de catgories socio-professionnelles,
on pratique un chantillonnage alatoire simple indpendamment dans chacune des classes intressant si chaque strate est homogne et s'il existe une grande diffrence entre les strates en gnral : chantillonnage proportionnel (rapport nh/Nh constant)
57
Application la valeur moyenne d'une variable (par exemple la quantit annuelle d'eau consomme, pour diffrentes classes d'ge h)
1 y= N
N
h =1
yh

1.4. Sondage par grappes
S'il existe des "grappes" ex. : familles, communes, rues, passagers d'un mme vol, patients d'un mme mdecin, d'un mme hopital, on choisit des grappes au hasard et on chantillonne tous les individus d'une mme grappe Intressant, mme si on ne dispose pas de la liste de toute la population Indiqu surtout si les individus sont trs dissemblables dans une mme grappe, mais si les diffrentes grappes se ressemblent
Application la valeur moyenne d'une variable (par exemple le nombre de voyages par an pour les k passagers i d'un mme vol g, m "vols" sont analyss au total)
Moyenne de la variable y pour la grappe g :
yg =
1 k y gi k i =1
Puis moyenne de la variable y pour la population :
y=
1 m yg m g =1
58

1.5. Sondage deux ou plusieurs degrs Premier degr : dfinition des "units primaires" (grappes)
familles, rues, communes
et slection de certaines d'entre elles Deuxime degr : slection d'units au sein des grappes Diffrence avec le sondage en grappe : chaque grappe dsigne n'est pas explore exhaustivement Avantage : la base de sondage pour les units secondaires peut tre construite durant la "visite" des units primaires choisies
2. Les sondages non-alatoires

"Non alatoire" ne signifie pas qu'il n'y a pas de hasard, mais que la thorie des probabilits n'est pas directement applicable 2.1. Mthode des quotas Principe : il existe des donnes de rfrence (distributions connues) pour le cadrage de la population: rpartition par ge, par sexe, par conditions sociales, !!! Diffrence!!! Pour les autres chantillonnages : une fois qu'un individu est choisi, il faut absolument l'interroger (plusieurs tentatives s'il est indisponible) Ici, il suffit que le "quota" soit rempli par classe (les non-rpondants peuvent tre remplacs) En pratique : la plus utilise
Exemple de feuille de quotas d'un enquteur pour 10 interviews raliser
= "mission raliser"
59
Mthode des quotas Avantages : pas besoin d'une liste exhaustive des individus dans la population frais rduits car les enquteurs choisissent eux-mmes les personnes sondes Inconvnients : pas possible de calculer la marge d'erreur, car les statistiques ne s'appliquent pas souvent : biais systmatique d l'enquteur (ex.: jolies filles, personnes disponibles )
mthode qui dpend beaucoup de la qualit du travail de l'enquteur, de son honntet scientifique. souvent : problme de "fin de feuille" (les dernires personnes trouver): l'enquteur est tent de "tricher"

2.2. Mthode des units-types Partager la population en groupes "homognes" et choisir 1 individu de chaque groupe (l'unit-type), cens tre reprsentatif de tout le groupe
Ex. : un magasin tmoin pour une tude de prix
La plus empirique des mthodes : ne permet pas d'valuer le risque d'erreur.

2.3. Echantillon de convenance On choisit d'aller interroger les individus l o on a le plus de chances de les trouver.
Ex. : la sortie d'un magasin de literie pour des acheteurs de matelas, sur un quai de gare pour un sondage sur les transports en commun, Grand biais possible et aucune possibilit de statistiques.
60

2.4. Echantillon en boules de neige On choisit un premier chantillon de personnes chacune d'entre lesquelles on demande d'indiquer deux ou trois autres personnes interroger,
Trs conomique, mais biais important, car uniquement bas sur les relations humaines.

2.5. Mthode des itinraires L'enquteur a un itinraire respecter ainsi que certaines rges : 1 immeubles sur 3, toujours la dernire porte gauche d'un tage sur deux,
Avantage sur la mthode des quotas : moins de libert l'enquteur Mais : prparation plus longue d'itinraires "alatoires", consultation de cartes, choix

2.6. Volontariat Mthode base uniquement sur les volontaires
la plus conomique la moins dfendable statistiquement la seule possible pour certaines tudes (mdicales par exemple) Ex. Audimat analyse du courrier : l'avis des personnes qui crivent la station n'est pas reprsentatif interviews sur les programmes regards la veille : fait appel la mmoire (risque d'erreur) panels avec journaux d'coute (personnes permanentes charges de noter leurs impressions) : uniquement les gens disponibles (biais) panels audimtriques (appareils enregistreurs sur la TV) : rapide et prcis, mais enregistre, mme si personne ne regarde
61
Attention : diffrence entre valeurs manquantes et valeurs nulles !!!
Ex. : enqute concernant la nuisance olfactive autour d'un CET
Intensit de l'odeur entre 0 et 5 (0=pas d'odeur, 5=odeur insupportable) 0 signifie quelque chose et il ne faut pas coter "0" une valeur manquante !!!
Le mieux : laisser la case vide
Mais : attention aux formules !!!
62
Rappel : chelle rapport (intervalles + "zro") = chelle la plus "solide" mathmatiquement possibilit d'appliquer les statistiques
Date 1/01/2000 2/01/2000 3/01/2000 4/01/2000 5/01/2000 6/01/2000 7/01/2000 8/01/2000 9/01/2000 10/01/2000 11/01/2000 12/01/2000 13/01/2000 14/01/2000 cuivre (ppm) 0.08 0.05 0.04 0.03 0.01 0.05 0.13 0.16 0.11 0.09 0.07 0.04 0.02 0.03 chrome (ppm) 0.13 0.1 0.1 0.02 0.03 0.14 0.1 0.08 0.11 0.11 0.09 0.08 0.1 0.09 zinc (ppm) 0.63 0.65 0.4 0.01 0.03 0.23 0.31 0.37 0.37 0.39 0.27 0.36 0.46 0.29
2
1 2 frquence( y ) = e 2
1 y y
Caractristique de position centrale Caractristique de dispersion
y
CV =
Caractristique de dispersion relative coefficient de variation
Rappel : chelle intervalles (intervalles mais pas de "zro") possibilit d'appliquer les statistiques, mais pas CV
T_air -4.4 0.12 1.44 9.46 8.98 12.6 15.82 15.34 14.36 9.98 4.3 2.62 4.94 3.06 4.18 7.8 12.82 13.94
CV =
OK
Peut tre =0, >0 ou <0
Rappel : chelle ordinale (catgories, mais en ordre) les notions classiques de statistiques sont moins pertinentes
45
Nuisance acoustique 4 1
Nbre d'obs.
40 35 30 25 20 15 10
0 1 5 5 2
1 3 2 0 5 1 4 4 5
0 0 1 2 NUISANCE 3 4 5
Moyenne = 2.6875 ???? pertinence sur une chelle ordinale Cependant, les rsultats de statistiques peuvent s'avrer pertinents
63
Exemple : enqute "chauffage dans la province de Luxembourg 1. le volume total de la maison, exprim en m3 2. le nombre de personnes habitant la maison (de 1 8) 3. l'ge du chef de mnage (en classes croissant avec l'ge, de 1 8) 4. l'isolation thermique de la maison (en classes croissant avec le degr d'isolation , de 0 10) 5. la satisfaction du point de vue du confort thermique (en classes codes de 1 5, le confort "neutre" tant cod 3) 6. la satisfaction du point de vue du cot (en classes codes de 1 5, un cot "acceptable" tant cod 3) 7. le cot annuel total du chauffage (en BEF) 8. l'intensit du chauffage dans la maison (en classes croissant avec la temprature de consigne et le nombre de pices chauffes, codes de 0 18) 9. l'anne de construction de la maison (en classes crossant plus la maison est rcente, codes de 1 4) 10. la situation de la maison (1=isole, 2=jumele, 3=entre mitoyens)
???
Rappel : chelle nominale (dichotomique prsence/absence- ou classes sans ordre) les notions classiques de statistiques ne peuvent tre appliques
Site Site 1 Site 2 Epilobe 0 0 Iris 1 1 Anmone 1 0 Carex 0 0 Polygonum 1 0 Sorbier 0 1 Sagittaire 1 0 Bouleau 1 1
?? Notion de "moyenne ?? prsence = 0.5 ou 0.3
notions "statistiques" adaptes

Site Site 1 Site 2 Epilobe 0 0 Iris 1 1
ex. pour remplacer la notion de "corrlation"

Carex 0 0 Polygonum 1 0 Sorbier 0 1 Sagittaire 1 0 Bouleau 1 1
Anmone 1 0
indice de similarit entre deux sites si c=nombre d'espces partages entre les deux sites (2 ici) a, b nombres d'espces rencontres uniquement sur chacun des deux sites (2 et 3 ici) Indice de Jaccard SJ Indice de Srensen CC
SJ =
c a+b+c
CC =
ici :
2c a + b + 2c
ici : SJ=2/(2+3+2)=2/7=0.29
CC=(2x2)/(2+3+2x2)=4/9=0.44
64
mthodes "statistiques" adaptes Ex. : enqute sur le risque avez-vous peur de

Individu P1 P2 Four micro-ondes 1 0 Ski 1 1
ex. analyse des correspondances
Parachutisme 0 1
Pesticides 1 0
mthodes "statistiques" adaptes ex. tables de contingence : compter les effectifs et croiser les variables
Rivire Semois Semois Ton Semois Ton Semois Semois Semois Ton Ton Ton Semois
Poisson Truite Ombre Truite Ombre Ombre Truite Truite Ombre Truite Ombre Ombre Truite
Rivire Semois Poisson Truite Ombre Totaux 4 3 7
Ton 2 3 5
Totaux 6 6 12
mthodes "statistiques" adaptes traitement typique : test 2

Rivire Semois Poisson Truite Ombre Totaux 4 3 7 Ton 2 3 5 Totaux 6 6 12
ex. tables de contingence :
Ide du test : si la Semois et le Ton sont des rivires "quivalentes" la diffrence entre le nombre de truites dans les deux rivires est-elle significative ou peutelle tre attribue au hasard ? Test 2 : comparaison de valeurs "observes" des valeurs "thoriques" (par exemple 3 truites dans les deux rivires).
65
mthodes "statistiques" adaptes l'accord qualitatif inter-observateurs Ex. : diagnostic de deux mdecins le patient Pi est atteint de la maladie M
Individu P1 P2 P3 P4 P5 P6 P7 P8 P9 Mdecin A 1 0 1 1 1 0 0 0 1 Mdecin B 1 1 1 1 0 1 0 0 0
ex. indice kappa pour mesurer
L'accord peut aussi tre d au hasard il faut enlever la composante alatoire si P0 est la probabilit d'accord observ et Pe est la probabilit d'accord alatoire
P0 Pe 1 Pe
mthodes "statistiques" adaptes l'accord qualitatif inter-observateurs

Individu P1 P2 P3 P4 P5 P6 P7 P8 P9 Mdecin A 1 0 1 1 1 0 0 0 1 Mdecin B 1 1 1 1 0 1 0 0 0
ex. indice kappa pour mesurer
Mdecin A "0" "0" Mdecin B "1" Totaux 2 2 4 "1" 2 3 5 Totaux 4 5 9
P P = 0 e 1 Pe
Ici =(0.56-0.51)/(1-0.51)=0.102
Accord Excellent Bon Modr Mdiocre Mauvais Trs mauvais Kappa
0,81
P0= nombre de concordances (0 ou 1) par rapport au 2 total = 1
n n
i =1
ii
0,80 - 0,61 0,60 - 0,41 0,40 - 0,21 0,20 - 0,0 < 0,0
soit la moyenne des termes diagonaux dans le tableau de contingence ici 5/9=0.56 Pe=somme des produits des effectifs marginaux divise par le carr de la taille de lchantillon = 1 2 ni ni ici (4x4+5x5)/92=0.51 n 2 i =1
mthodes "statistiques" adaptes graphismes) par classe
traitement des donnes (ou
Ex. : abondance du triton crt dans les mares, en fonction de la profondeur et de la luminosit
Endroit L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 L11 Profondeur (cm) 50 60 100 40 120 80 30 40 150 200 45 Luminosit (Lux) 200 500 200 160 25 120 50 400 100 30 300 Abondance abondant abondant rare abondant prsent prsent rare abondant rare prsent abondant
variables quantitatives
variable qualitative
66

220 200 180 160
Botes moustaches par groupe
Profondeur
140 120 100 80 60 40 20

600
Abondance
Luminosite
abondant
rare
prsent
Mdiane 25%-75% 1%-99% Atypiques Extrmes
500
400
300
200
100
abondant
rare Abondance
prsent
Mdiane 25%-75% 1%-99% Atypiques Extrmes

Luminosite = -121.0714+9.2143*x
550 500
traitement des donnes (ou Rgressions linaires par groupe

Luminosite = 67.4312+0.5275*x
220
450 400
Luminosite
abondant
Luminosite
200 180 160 140 120 100
350 300 250 200 150 100 38
rare
40
42
44
46
48
50
52
54
56
58
60
62
80 60 40 20
Profondeur
Luminosite = 142.8571-0.6339*x
140
40 60 80 100 120 140 160
Profondeur
120
prsent
100
Luminosite
80
60
40
20 60
80
100
120
140
160
180
200
220
Profondeur
mthodes "statistiques" adaptes graphismes) par classe Analyse factorielle (composantes principales) en regroupant les "scores" (observations) par centre de gravit : ex.: enqute "chauffage" 10 variables et 800 observations (mnages) regroups par profession ou combustible,
67
mthodes "statistiques" adaptes
analyse de la variance (ANOVA)
Objectif : tudier l'influence d'un (ou de plusieurs) facteur(s) qualitatif(s) sur une variable quantitative !!!! toujours au moins 1 variable quantitative et 1 variable de classement !!!
Endroit L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 L11 Profondeur (cm) 50 60 100 40 120 80 30 40 150 200 45 Luminosit (Lux) 200 500 200 160 25 120 50 400 100 30 300 Abondance abondant abondant rare abondant prsent prsent rare abondant rare prsent abondant
Exemple de l'abondance du triton crt
mthodes "statistiques" adaptes

Effet courant : F(2, 8)=3.8367, p=.06788
220 200 180 160 140
analyse de la variance (ANOVA)
Profondeur
120 100 80 60 40 20 0 -20
Test non significatif pour la profondeur : la profondeur n'a pas d'influence sur l'abondance (les dispersions des 3 classes se chevauchent)
Effet courant : F(2, 8)=5.9237, p=.02640

abondant rare
Abondance
prsent
500
400
300
Luminosite
200
Test significatif pour la luminosit: la luminosit a une d'influence sur l'abondance (les dispersions des 3 classes sont distinctes)
100
-100
-200
abondant
rare
Abondance
prsent
Importance de la phase de codage de l'information
Au dpart, surtout ne rien filtrer de l'information de base !!! Ex. : Mme si, par la suite, le traitement de donnes prvoit d'utiliser des classes d'ge, encoder l'ge rel dans le fichier de base !!! Il sera encore temps plus tard de catgoriser.
Personne Paul Nomie Charles
Sexe M F M
Age 33 (et non "classe 3040 ans) 25 46
68
L'information brute doit tre code par observation : un tableau d'occurrences (contingence) est dj une transformation des informations brutes dans le but d'un traitement de donnes.
Exemple : Enqute l'cole primaire
4 questions "vrai ou faux"
les nitrates en excs dans les lgumes sont bons pour la croissance (c'est videmment faux, notre organisme ne peut en recevoir que trs peu); l'eau de source vient d'une grande cavit situe dans les roches du sol (c'est faux, elle est situe dans les porosits du sol, mais pas dans un "rservoir souterrain"); une eau est potable si elle est claire et limpide (c'est faux, beaucoup de polluant sont invisibles lorsqu'ils sont dissous dans l'eau); il y a des sources partout dans le monde (c'est faux, beaucoup de rgions ne possdent pas de sources).
normalement, "faux" aux quatre questions
D'abord : Information brute (par exemple pour 226 enfants)

Elve Les nitrates sont bons 1 1 0 0 0 L'eau de source est dans une cavit 0 0 0 1 0 L'eau potable est claire et limpide 0 1 0 1 0 Des sources partout dans le monde 1 0 0 0 0 ... Age Profession du pre Enseignement Domaine agricole Cadre Domaine mdical Enseignement
Jos Emilien Corine Manuel Baptiste
10 11 8 9 9
Ensuite : Tableau d'occurrence (en % du total par exemple)

Profession du pre Enseignement Domaine mdical Cadre Manuel Domaine agricole Les nitrates sont bons 33.3 33.3 31.0 67.0 40.0 L'eau de source est dans une cavit 85.0 89.0 68.1 75.0 0.0 L'eau potable est claire et limpide 43.5 0.0 38.2 46.6 16.7 Des sources partout dans le monde 45.5 44.4 48.1 69.2 80.0
Plus moyen de "croiser" les donnes
Une fois que le fichier brut est encod, il faut parfois catgoriser les variables !!! importance d'une bonne catgorisation !!! Exemple : pour fabriquer un histogramme de frquences afin de vrifier la normalit de la distribution Exemple : 101 stations dans le bassin du Ton
Identification T2S1 T3S1 T4S1 T5S1 L1S1 L2S1 T6S1 R1S1 R2S1 T7S1 T8S1 V3S1 T9S1 O2 (mg/l) 10.1 10 10.2 11.6 11.2 10.2 10.1 11.6 11.4 10.2 10.2 10.2 %O2 85 84 86 94 92 85 86 97 97 87 86 85 t ( C) 6.8 6.65 6.9 6.2 6.3 6.15 7.35 6.6 7.2 7.05 7 7 Cond (S/cm) 261 203.5 259 255 337 357.5 343 295 304 338.5 314.5 367.5 pH 7.7 8 7.9 8.6 8.2 8.2 8.1 8.3 8.3 8.1 8.5 8.1
69
Par exemple, pour la conductivit, partager les valeurs en 8 intervalles gaux
en 20 intervalles gaux
ou en 8 intervalles en progression gomtrique: (0-10, 10-20, 20-40, 40-80; 80-160, 160-320, 320-640 et 640-1280).
allures tout fait diffrentes selon la catgorisation choisie !!!
70
Pour certains types d'analyses (p.ex. analyse des correspondances), une variable code en plusieurs catgories doit parfois tre transforme en classes dichotomiques Ex. mesure du niveau de radon en diffrents endroits de la province de Luxembourg, avec diffrentes gologies et diffrentes saisons et diffrentes distances l'anticlinal ardennais
Ident 32_1 32_2 36_1 36_2 37_1 37_2 48_1 48_2
Localit BERTRIX BERTRIX GRAIDE GRAIDE VLESSART VLESSART CUGNON CUGNON
Intensit (Bq/m3) 443 1807 166 236 434 4690 157 84
Gologie Sg Sg G G Sg Sg Sg Sg
Dist. Anticl. 13.2 13.2 13.1 13.1 27.2 27.2 6.8 6.8
Saison Et Et Printemps Automne Et Et Et Et
pour une analyse des correspondances : catgorisation en classes exclusives, y compris les variables quantitatives (intensit de la radioactivit, distance l'anticlinal)
Ident
Localit
Low Bq
Medium Bq
Hig hBq
Printemps
Et
Auto mne
Hiver
Sg
Faible dist.
Grande dist.
32_1 32_2 36_1 36_2 37_1 37_2 48_1 48_2
BERTRIX BERTRIX GRAIDE GRAIDE VLESSART VLESSART CUGNON CUGNON
0 0 1 1 0 0 0 1
1 1 0 0 1 1 1 0
0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 1
1 0 1 0 1 0 1 0
0 0 0 0 0 0 0 0
1 1 0 0 1 1 1 1
0 0 1 1 0 0 0 0
0 1 0 0 0 1 0 1
1 0 0 0 1 1 1 1
Comparaison possible de toutes les variables sur un "pied d'galit"
71
La reprsentation graphique des donnes une toute premire tape indispensable du traitement des donnes parfois suffisante pour tirer des conclusions
Diamtre
Hauteur 167 345 456 144 345 456
Nuages de points xy pour deux variables quantitatives : ex. hauteur et diamtre des arbres
15 23 25 27 31 32
72
Parfois utile de transformer un axe ou les deux en coordonnes logarithmiques pour "condenser" l'information pour vrifier une dpendance logarithmique ou exponentielle entre les variables Ex. : volution temporelle du dficit (par rapport la saturation) de l'oxygne dissous dans l'eau lors d'un essai d'aration Allure : Ln(Cs-C)=A+B t c'est--dire Cs-C=exp(A+Bt) ou encore Cs-C=aeBt
Temps 0 335 640 670 1100
Dficit 12.437 9.942 7.358 7.143 4.227
!!! valeurs sur l'axe des ordonnes repres par rapport la variable d'origine (ce ne sont pas les valeurs en logarithmes qui figurent sur l'axe) !!!
Attention l'interprtation si x ou y ou les deux sont catgorielles !!!

Nombre vhicules Nuisance acoustique 4 1 0 1 5 5
Ex. : relation entre nombre de voitures en 30" et gne sur une chelle de 0 5
30 29 20 18 35 33 ..;
Pas clair car plusieurs points superposs
Une possibilit : nuages de points de frquence (diagramme en "bulles")
73
Si plus de deux variables : possibilit de graphiques 3D illusion "artistique" du 3D pas toujours facile interprter souvent prfrer diagrammes 2D deux deux Exemple : liaison entre les teneurs en phosphates, en nitrates et en matires en suspension de divers chantillons d'eau d'une rivire (Attert, Belgique)
N-NH4 (mg N/l) 0.018 0.015 0.023 0.047 0.045 0.046 0.045
P-PO4 (mg P/l) 0.049 0.051 0.053 0.08 0.088 0.088 0.09
MES (mg/l) 6 4 6 6 5 5 2
Ce type de diagramme 3D s'impose si x et y sont des coordonnes de la surface du terrain Ex. : niveau sonore (axe z) par rapport aux coordonnes de terrain (axes x et y)
Mme dans ce cas, difficile interprter
Prfrer dans ce cas des modles de terrain plus complexes (krigeage, ) et des logiciels adapts (Surfer, Arc Info, ) Ex. : niveaux (altitudes) au CET de Cour-au-Bois
74
Diagrammes en btonnets : surtout utiliss si pas ncessairement de liens entre les observations de "l'axe des x" Soit : Diagrammes de valeurs (y=valeurs)
6 jours 9 jours 12.2 11.5 11.7 11.7 12 jours 11.1 11.4 10.4 10.3 15 jours 10.3 10 10.1 9.9
Ex. : pourcentage de rtention des polyphnols dans les eaux uses d'une huilerie d'olives (margines)
m1 m2 m3 m4
12.8 11.8 12.5 11.8
Soit : diagrammes de frquences Ex. : enqute chez les mdecins concernant l'opportunit de crer un service de mdecine de l'environnement : "y a-t-il une demande des patients ?" "pensez-vous qu'il y a une influence de l'environnement sur les maladies ?" Echelle de 1 4
Mdecin D1 D2 D3 D4 D5 D6 D7 D8 Influence de l'environnement 1 2 2 3 2 3 2 1 Demande patients 2 2 3 4 2 3 3 3
Diagrammes en "Camemberts" ("Pie chart") Pour montrer que le total fait 100% des rponses
souvent diagrammes de frquences ex. : avis des mdecins sur l'opportunit d'un service d'analyse des milieux intrieurs
75
Histogrammes diagrammes de frquence pour mettre en vidence la distribution des valeurs Ex. : occurrences des observations de diffrentes classes de diamtre des arbres en fort
Diagrammes symboliques pour mettre en vidence le concept de "signature" globale Ex. : diagramme "radars" pour les concentrations (en mq/l) de 6 ions principaux : Ca++, Mg++, SO4--, HCO3-- + CO3--, Cl- et K+ + Na+ dans 6 rivires 1-Vesdre, 2-Getz, 3-Helle, 4-Gileppe, 5-Loubas, 6-Soor
Chaque valeur est place sur un rayon d'un cercle
Autre type de diagramme symbolique : les visages de Chernoff les valeurs relatives des variables slectionnes pour le graphique sont reprsentes par les variations des traits faciaux spcifiques (largeur, hauteur du visage ou de la bouche, paisseur du nez, ).
76
Courbes en fonction du temps 1. Trac horizontal en squence (les intervalles de temps sont tous gaux) Ex. : volution de la concentration en NH4+ (mg/Nl) l'entre et la sortie d'une station d'puration exprimentale constitue d'un marais plant de Typha latifolia.
Date 8-nov 22-nov 6-dc 20-dc 31-janv 14-fvr
entre 7.89 11.6 12.7 8.9 4.05 4.61
sortie 5.29 9.53 9.49 8.65 5.14 1.97
Courbes en fonction du temps 2. Graphique saisonnier de sous-sries Ex. : temprature moyenne mensuelle de l'air Malonne, prs de Namur sur 5 annes conscutives. Les 12 barres horizontales fournissent la valeur moyenne de la temprature de l'air sur les 5 annes, pour chaque mois (de janvier dcembre) et chaque btonnet vertical permet de juger, en un seul coup d'il, des carts de chaque anne particulire par rapport cette moyenne.
Courbes en fonction du temps 3. Suppression d'une moyenne, d'une tendance ou d'une saisonnalit Ex. : temprature moyenne mensuelle de l'air Malonne, prs de Namur sur 5 annes conscutives. Quand la priodicit sinusodale annuelle est supprime, on peut apprcier les variations plus erratiques de la temprature
77

Recolte Et Traitement M1 3dias Page

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Recolte Et Traitement M1 3dias Page

Transféré par

Droits d'auteur :

Formats disponibles

1. Contexte de la rcolte et du traitement des donnes dans l'environnement 2. Concept d'indicateurs globaux 3. Concept de signature 4. Units et chelles 5.

Etude dimpact de limplantation dune autoroute en zone rurale : informations diverses

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

Quelques m2 quelques hectares

Quelques cm2 quelques m2

Spcificits de la "mesure" dans l'environnement

Spcificits de la "mesure" dans l'environnement

si rseau non disponible : batteries

Spcificits de la "mesure" dans l'environnement

ligne tlphonique si modem

Spcificits de la "mesure" dans l'environnement

animaux : rongeurs, djections, insectes

vandalisme (geste gratuit ou sabotage)

protection des cbles et des appareils surveillance locale assurance

Comparer diffrents pays lchelle de lEurope

Quel usage le dcideur politique peut-il faire dun tableau de valeurs ?

Ncessit dagrger les variables

Grand Duch de Luxembourg : 0.45 M habitants 2 500 km2

Ncessit de normaliser les variables

Ncessit destimer les variables de manire identique

Evaluer leffort ralis au cours dune priode donne

Ncessit de fournir des grandeurs dynamiques

Exemple dindice intgrateur : la prvision dapparition du brouillard partir de 8 variables mesures

Exemple dindice intgrateur : le sens du got chez lhomme.

Un mlange de 4 sensations : lamer, le sucr, le sal et lacide

Exemples dindices intgrateurs : Indice deutrophisation

Exemples dindices intgrateurs (milieu liquide) :

Indice de biodgrabilit : DBO5/DCO

Indice dammonification (mesure de la transformation de lazote organique en azote ammoniacal) : N-NH4+/N-Kjeldahl

Indice dacides gras : Fatty Acids/COT

Indice ATMO global = le plus mauvais des 4

Ncessit dagrger les variables Exemple : le trafic routier

Indicateur de pression du trafic = Utilisation de ressources (ptrole) + Pollution atmosphrique + Bruit

Litres de fuel + kg/s de benzne + dcibels ??????

Potentiel de rchauffement global = Global warming potential GWP Pour la substance i :

Greenhouse _ effect = GWPi mi

mi = dbits massiques de chaque substance

Long temps : T= 100 500 ans Effets cumulatifs long terme

100 ans : le plus employ en pratique

Lindicateur na de sens quen fonction de son usage spcifique Ici :

Valeurs de rfrence OSPAR

Evaluation des facteurs de pondration :

RVwat ,i RVsed ,i WFi = 2 + RV wat , As RVsed , As

Element Arsenic Mercury Lead

Weighting factor 1 39.2 0.4

Indice TX-4 = Eas+EHgWFHg+EPbWFPb+ECdWFCd (Ei = missions en Tonnes par an)

Exemple de pondrations : la dpltion de la couche dozone

CHCl2CF3 1,1-dichloro-2,2,2-trifluoroethane (HCFC-123)

Exemple de pondrations : le potentiel dacidification

Exemple de pondrations : lodeur

Exemple de pondrations : Dpltion des ressources en combustibles

Ou Pondration des combustibles selon le pouvoir calorifique

signatures isotopiques, voluent en fonction des processus de transport

Exemple : signature BTEX (benzne, tolune, ethylbenzne, xylne)

Exemple : signature BTEX (benzne, tolune, thylbenzne, xylne)

Exemple : signature BTEX (benzne, tolune, ethylbenzne, xylne)

Autre exemple : signature HAP (Hydrocarbures Aromatiques Polycycliques)