Instituto Nacional de Ecologa

Analyse exploratoire dun jeu de

donnes de concentrations en ozone
troposphrique
Application la Zone Metropolitaine de la
Valle de Mexico
Elena Andrey, Travail pratique de master

Encadrement scientifique:
Rgis Caloz LaSIG (Laboratoire des Systmes de l'Information
Gographique)
Alain Clappier LPAS (Laboratoire de Pollution Atmosphrique et
Sols)

Lausanne, octobre 2004 fvrier 2005

Rsum
Lozone troposphrique est une problmatique environnementale de
plus en plus rpandue lchelle de la plante. Laugmentation
dmesure de la taille des agglomrations, la croissance
dmographique et laugmentation des missions sont autant de
facteurs qui contribuent cette pollution de nature urbaine.

Le prsent travail propose lexploration statistique complte dun

jeu de donnes de concentrations en ozone troposphrique, mesur
dans lune des plus grandes cits au monde : la Zone
Mtropolitaine de la Valle de Mexico. La rgionalisation des
valeurs est effectue laide de mthodes danalyse gostatistiques.
Les surfaces interpoles sont ensuite interprtes du point de vue de
la pollution atmosphrique. Finalement, cette tude tente dinsrer
les rsultats obtenus dans un contexte environnemental plus large, et
essaie de mettre en avant les potentialits des Systmes
dInformation Gographiques pour la gestion de la qualit de lair
de la Zone Mtropolitaine de la Vall de Mexico.

2
Table des matires
1. Intrt des Sciences de lInformation Gographique pour la
pollution de lair de la ZMVM. ................................................. 4 6. Synthse des principaux rsultats et conclusions.................... 59

2. Contexte et objectifs gnraux .................................................. 5 7. Remerciements......................................................................... 59

3. La qualit de lair pour la Zone Mtropolitaine de la Valle de 8. Rfrences bibliographiques ................................................... 60

Mexico ....................................................................................... 6

4. Donnes pour la ZMVM.......................................................... 15

4.1. Jeu de donnes de concentrations en ozone ................................ 15
4.2. Donnes mtorologiques ........................................................... 15
4.3. Donnes territoriales................................................................... 16
Index des figures ............................................................................. 61
4.4. Systme Municipal de Base de donnes ...................................... 16
4.5. Inventaire des missions 2000 .................................................... 16 Index des tableaux........................................................................... 62

5. Traitements ................................................................................. 17 Annexes ........................................................................................... 62

5.1 Analyse exploratoire ................................................................... 17
5.1.1. Objectifs : .................................................................................... 17
5.1.2. Mthodologie : ............................................................................ 18
5.1.3. Traitements et rsultats :............................................................. 19
5.1.3.1. Exploration temporelle....................................................................... 19
5.1.3.2. Exploration multivarie...................................................................... 24
5.1.3.3. Exploration spatiale ........................................................................... 27

5.2. Contexte environnemental........................................................... 52

5.2.1 Modlisation conceptuelle........................................................... 52
5.2.1.1. Description du modle........................................................................ 52
5.2.1.2. Schma conceptuel ............................................................................. 53
5.2.1.3. Description des objets du modle....................................................... 54

5.2.1. Base de donnes gographique ................................................... 56

5.2.2. Reprsentations cartographiques................................................ 56

3
 daide la dcision, plus spcifiquement du point de vue de lexposition
1. Intrt des Sciences de lInformation chronique. Les reprsentations numriques de lespace gographique pourraient
de manire plus gnrale devenir ncessaires la prise de dcisions appropries
Gographique pour la pollution de lair dans les domaines les plus varis de la gestion dune ressource naturelle.

de la ZMVM.
La pollution atmosphrique par lozone troposphrique est un phnomne de
nature spatiale pouvant tre dcrit par de nombreuses variables dont les
interdpendances sont complexes. Les Sciences de lInformation gographique
permettent dapprhender ce type de grand systme.

En effet, la reprsentation numrique par des moyens techniques performants de

chacune des composantes spatiales de ce phnomne (mtorologie,
dmographie, topographie, etc.) permet, outre une simple visualisation de
chacune de ces composantes, le croisement de donnes par des traitments plus
approfondis, dans le but de quantifier les interrelations.

Les diffrentes sciences plus particulirement concernes par ce travail sont la

gostatistique, ainsi que lanalyse et la visualisation multidimensionelle de
l'espace gographique. Latmosphre de cette agglomration tant lune des plus
pollues au monde, le gouvernement mexicain a mis en place dans les annes 80
de nombreux outils, dont un trs grand rseau de mesures des polluants
atmosphriques principaux (NOx, SO2, O3, PM10, CO, etc.). Ce rseau, fiable et
dense, a permis la production dun volume important de donnes depuis lors,
permettant ainsi laccomplissement dtudes et la publication de nombreux
travaux dans les diffrents domaines relatifs la pollution atmosphrique. Ds
lors, lexploitation dun point de vue gostatistique de jeux de donnes dune telle
qualit, et la mise en relation de ces donnes avec tout autre variable implique ou
objet expos par la pollution de lair peut tre intressante.

Ce travail traite donc du problme de la spatialisation de la concentration en

ozone troposphrique, ainsi que de la reprsentation intgre un contexte
environnemental plus large des rsultats obtenus. Il nest pas question de
modlisation prdictionnelle, compte tenu de la complexit non seulement des
mcanismes physico-chimiques de la formation de lozone, mais galement de la
complexit du comportement des variables qui influencent la propagation de ce
polluant secondaire (notamment des masses dair au sol).

Une reprsentation intgre de linformation gographique relative la pollution

atmosphrique par lozone troposphrique pourrait constituer un outil performant

4

2. Contexte et objectifs gnraux
Cette tude a t propose la suite dun travail de semestre ralis par M.
Emmanuel Gaillard (tudiant de lEcole des Mines de St-Etienne) au Laboratoire
de Pollution Atmosphrique et des Sols1, sous lencadrement scientifique de M.
Alain Clappier. Le travail de E. Gaillard a identifi des rpartitions spatiales
caractristiques pour lozone troposphrique laide dune mthode de
classification statistique appele la mthode mixte (annexe 1). Lide dans un
premier temps tant de rduire le volume de donnes analyser (mesures de
concentrations horaires et sries annuelles pour chacune des stations). Dans un
deuxime temps une tentative de mise en correspondance des situations de
pollution obtenues avec des donnes mtorologiques regroupes selon la mme
mthode a t effectue. Les paramtres mtorologiques permettraient dans un
troisime temps une approche de type prdictionnelle pour la concentration en
ozone. Les rpartitions spatiales obtenues ont t reprsentes au moyen doutils
de SIG.
gnraux et plus spcifiques du phnomne. Cette analyse devrait pouvoir isoler
dans le temps des pisodes cohrents et comparables. Elle devrait galement
pouvoir identifier une structure spatiale aux mesures en vue de leur
rgionalisation.
De plus, le traitement de ce type de donnes (volume, valeurs nulles, etc.) devrait
indirectement mener une mthodologie exploratoire , ainsi qu lutilisation
doutils de calcul et de dveloppement.
Un sjour de trois semaines au Centre National de Recherche et de Formation en
Environnement dans la ville de Mexico (CENICA) a ensuite permis de prciser le
contexte environnemental du travail. Les visites de terrain, informations et
donnes numriques obtenues ont permis de dvelopper et dtendre les objectifs
mentionns ci-dessus. Il sagit ds lors de manire plus gnrale de mettre en
vidence les potentialits des SIG pour la gestion de la pollution par lozone
troposphrique dans la Zone Mtropolitaine de la Valle de Mexico.

Autant lide et les rsultats obtenus par la mthode mixte sont trs intressants
du point de vue du traitement dune quantit aussi importante de donnes, autant
la reprsentation de donnes spatiales doit obir certaines rgles qui ont t
omises dans la dmarche dE. Gaillard. Plus prcisment :

- la cartographie dun phnomne devrait reprsenter des valeurs

simultanes
- le temps est une variable importante de la spatialisation de phnomnes
naturels tels que lozone, pour lequel les concentrations peuvent varier
trs rapidement. Or, lvolution dans le temps des valeurs de
concentrations a t carte pour une raison prcise : le travail de E.
Gaillard ne sest pas intress lamplitude des pics de concentration,
mais de manire plus gnrale la localisation gographique de ceux-ci.

Le prsent travail sinsre dans un contexte diffrent. La structure temporelle des

donnes y est importante. La notion de gestion implique spcifiquement un suivi
temporel de lvolution dun phnomne.

Les objectifs proposs ce stade sont premirement une analyse statistique

exploratoire complte du jeu de donnes de concentration en ozone, dun point de
vue temporel, multivari et spatial, afin de mettre en vidence des comportements

1
LPAS, EPFL

5
3. La qualit de lair pour la Zone
Mtropolitaine de la Valle de Mexico
La ZMVM dsigne une surface urbanise situe sur le haut plateau des Etats-
Unis du Mexique. Elle stend sur environ 1500km2 en 2000, et regroupe seize
dlgations constituant le District Fdral (entit territoriale politique, chef lieu
du gouvernement fdral mexicain), ainsi que 37 autres municipalits de ltat de
Mexico et une de ltat de Hidalgo (voir figure 3.1). La ville compte actuellement
plus de 20 millions dhabitants, ce qui en fait la deuxime plus grande
agglomration au monde aprs Tokyo.
Figure 3.1: reprsentation de la Zone Mtropolitaine de la Valle de Mexico
Evolution historique de la pollution
Une des principales inquitudes pour la population de la ZMVM est la qualit de
lair, plus particulirement la prsence de particules et dozone troposphrique,
dont les impacts sur la sant sont graves. Le problme de la mauvaise qualit de
lair dans la ville a t identifi et reconnu par le gouvernement ainsi que par la
population depuis 1960 dj. Depuis lors lagglomration na cess de rapidement
se dvelopper en termes de surface urbanise et de nombre dhabitants, et par
consquent en termes de demande en transports et en consommation nergtique
(commerces, services, consommation rsidentielle, industries, agriculture, etc.).
Conscients du problme, dans les annes 70 un rseau de mesures a t mis en
place. Les valeurs despolluants principaux (particules, NOx, SO2, ozone, etc.) sont
depuis ce temps retransmises aux instances politiques et au public sous forme
dun indice dexposition : lIMECA (Indice Metropolitano de Calidad del Aire).
Les premires lgislations environnementales (Ley Federal para Prevenir y
Controlar la Contaminacin Ambiental, 1971) et structures politiques pour
lenvironnement (Subsecretara de Mejoramiento del Ambiente, 1976-1982)
naissent galement dans les annes 70.
La crise conomique des annes 80 ainsi que le tremblement de terre de 1985
auront pour effet de limiter lintrt gnral pour les impacts de la pollution
atmosphrique sur lenvironnement et la sant publique, et par consquent le
dveloppement de mesures prventives ainsi que le renforcement des normes de
qualit de lair.
Par la suite, au dbut des annes 90 lvolution de la situation deviendra critique.
LOMS dsignera en 1992 dans un rapport du PNUE2, la suite dpisodes
extrmement svres de pollution, que lagglomration de la ZMVM est la plus
pollue au monde. Les pics dozone dpassent alors les 440 ppb ( 530 g/m3 :
normes OPair = 120 g/m3, valeur moyenne sur 24 heures). Une srie de mesures
concrtes seront aussitt appliques.
Ces mesures comprennent principalement la rduction des missions du secteur
des transports (pose de catalyseurs, limination du plomb dans lessence,
amlioration de la qualit des carburants par rapport la teneur en souffre dans
le diesel notamment, mise en place de mesures de planification dans le secteur
des transports publics urbains, etc.). LEtat tente galement de limiter les
missions industrielles et commerciales (fermeture de certains tablissements,
2
Programme des Nations Unies pour lEnvironnement
6
notamment une des plus importantes raffineries situe dans le nord-est de la ville,
18 de Marzo ), ainsi que de dvelopper les outils de la planification territoriale
(dlimitaion de zones industrielles et rsidentielles, restauration cologique ,
contrle de lextension sauvage et dmesure des quartiers dhabitation en
priphrie, etc.), ducation environnementale et recherche.
Les rsultats en termes dmissions porteront principalement sur une diminution
drastique des concentrations en plomb et oxydes de soufre de latmosphre, ainsi
quune diminution un peu moins marque des missions de monoxyde de
carbone.
Figure 3.2 : Evolution des concentrations en Pb, SO2, ozone et NOx, Molina et
al. 2002
La qualit de lair reste cependant mauvaise lheure actuelle. Les normes pour
lozone sont encore dpasses plus de 80% des jours (Molina et al., 2002).
Facteur gographique
Les facteurs de pollution sont nombreux et leurs interdpendances complexes. La
ZMVM se distingue toutefois des autres mgalopoles de par sa situation
gographique. Plus prcisment par ses caractristiques topographiques et
climatiques.
Le plateau mexicain stend une altitude denviron 2240m. La teneur en
oxygne de latmosphre y est diminue de 23% par rapport au niveau de la mer,
ce qui implique des dpenses en carburant gnralement plus importantes, ainsi
que des effets sur la sant plus graves, compte tenu du fait que pour une mme
quantit doxygne une plus grande quantit de polluants sont inspirs.
Aussi, la ZMVM se situe dans un bassin topographique dlimit par une chane
de sommets montagneux, dont les plus importants culminent plus de 5'200 m
daltitude au Sud-Ouest de la zone : le Popocatepetl (5452 m) et lIxtacchualtl
(5'256 m). Louverture de cette chane au Nord permet lintrusion dun vent
gostrophique, dont lorigine est lie aux conditions de pression trs grande
chelle. Ce courant dplace gnralement les missions primaires industrielles du
Nord-Est de la ville vers le Sud. Une plus petite ouverture au Sud-Est ~2500-
2'700 m laisse dborder une brise de valle forme sur les versants Sud de la
chane, o lensoleillement est plus important. De la convergence Est-Ouest de
ces deux masses dair rsulte une situation localement complexe, qui semblerait-il
aurait tendance limiter le phnomne de transport de la pollution.
Dun point de vue climatique, la latitude subtropicale laquelle la ZMVM se
trouve (1925N, 9910W) permet la distinction de deux saisons bien dfinies
lors desquelles la formation dozone est diffrencie:
- lhiver, les conditions mtorologiques sont de type anticylonique, avec vent
lger et ciel dgag en permanence. Les inversions nocturnes persistent
plusieurs heures aprs le lever du soleil, et le mlange vertical de la
troposphre est faible. La saison est qualifie de sche et la pollution plus ou
moins concentre ne peut donc pas tre vacue par dposition humide.
- lt, de juin septembre, un ciel gnralement nuageux empche aux
ractions photochimiques de dvelopper leur potentiel. Les averses
frquentes liminent bonne partie de la pollution par dposition humide. Les
pisodes de pics sont moins frquents.
7
Autres facteurs de pollution
Tableau 3.1 : Croissance conomique mexicaine, INEGI 1999
La croissance urbaine dmographique :
La population de la ZMVM est passe en lespace de 60 ans (1940 2000) de
3
1.76 mio 17.87 mio dhabitants (INEGI , 2000). La densit moyenne y est
2
estime ~ 12'000 hab/km , ce qui est une des plus grandes valeur de densit au
monde, except pour lAsie. Lincertitude de ces chiffres est principalement lie
au irregular settlement .

Un telle dynamique est attribue un taux important dimmigration des Etats

voisins en raison de laugmentation de la quantit demplois dans lagglomration
grandissante, combin avec une fertilit moyenne leve de la population.

La croissance urbaine physique :

La surface urbanise de la ZMVM est passe de 118 km2 en 1940 plus de 1'500
km2 en 2000 (Ward, 1998). La rapide expansion physique de lagglomration, une
augmentation des distances entre quartiers rsidentiels et zones industrielles et
services, a provoqu un impact direct sur la dsorganisation spatiale et sociale de
la cit. Cette dsorganisation sest reporte sur le secteur des transports. En effet,
la rapide inefficience globale des transports publics de masse (mtropolitain et
trolley bus) face la soudaine augmentation des distances a provoqu une
augmentation importante de la flotte de transport du secteur informel, savoir les
colectivos . Lutilisation de la voiture individuelle sest galement fortement
rpandue, ce qui a finalement particip une augmentation incontrle des
missions. Aussi la planification urbaine est un outil dvelopp au dbut des
annes 90. Elle na donc jou aucun rle dans la structuration de la croissance
urbaine.
La croissance urbaine conomique :
Laugmentation du pouvoir dachat de la population (voir augmentation du
Produit Intrieur Brut, ou Gros Domestic Product GDP au tableau 3.1) a
provoqu une augmentation de la consommation. Le Mexique tant un pays
4 et 3.4). Les ractions simplifies de la formation son les suivantes :
producteur de ptrole (PEMEX ), 91 92% de la demande nergtique interne
5
est satisfaite par les combustibles fossiles (SENER , 2000).
3
Instituto Nacional de Estadstica, Geografa y Informtica
4
Petrleos Mexicanos
5
Secretara de Energa
Effets de lozone troposphrique sur la sant et exposition
Tandis que les effets sur la sant des particules sont relativement bien tudis
(maladies cardiovasculaires, pneumonies, affections chroniques telles que
bronchites, obstructions diverses, asthme, etc.), les impacts sur la sant humaine
de la pollution par lozone restent plus incertains, en termes de toxicit chronique
ou de toxicit aige (indices, seuils, etc.). Les affections lies la prsence
dozone semblent toutefois tre moins importantes que celles pour les particules.
Les effets immdiats sur la sant humaine jusqu prsent observs la suite font
appel la notion de toxicit aige. Les rpercussions observes sont une irritation
des muqueuses du nez, des yeux et de la gorge, des douleurs respiratoires,
sensations doppression et toux ainsi quune diminution de la fonction
pulmonaire. Ces symptmes sembleraient se multiplier avec lintensit et la dure
de lexposition. Lozone attaque les cellules animales et vgtales.
Pour ce qui est de la notion dexposition, une des caractristiques importantes
dont il faut tenir compte est que lozone troposphrique est un polluant
secondaire, issu dune raction photochimique fortement non linaire entre les
composs organiques volatils (VOC) et les oxydes dazote (NOx) (voir figures 3.3
NO2 + O2 O3 + NO
NO + VOC NO2 + VOC
O les VOC servent de carburant la raction et o NO recycle NO2 pour former
O3.

8
Il est donc difficile de mettre en relation missions et prsence dozone en vue
didentifier gographiquement les concentrations moyennes auxquelles la
population est expose. Cette relation est encore plus difficile dfinir si lon
considre que la persistance de lozone en zone urbaine est directement influence
par la prsence de fortes concentrations de NOx. En effet, de jour on assiste une
dcomposition chimique des molcules selon la raction suivante :

NO + O3 NO2 + O2

Lorsque la concentration en monoxyde dazote augmente fortement, O3 est trs

vite dissoci.

Ces ractions expliquent pourquoi lozone troposphrique se situe plus

favorablement dans des zones suburbaines ou rurales. En ZMVM, et malgr la
forte variabilit spatiale du polluant, il semblerait que les principaux pics dozone
reports soient localiss dans le Sud-Ouest de la ville, o se situent les principaux
Figure 3.4: isopltes dozone en fonction des missions de NOx et VOC,
quartiers rsidentiels. Cette distribution serait inverse celle des particules,
illustration de la non linarit de la raction
polluants primaires dont les principales missions se situent dans les zones
industrielles au Nord de la zone mtropolitaine.
Finalement, toujours en termes dexposition, lozone est un compos fortement
Il semblerait aussi que la ZMVM soit plus sensible aux variations de NOx (voir
oxydant, ragissant directement avec tous types de surfaces. Les individus ne
figure 3.4, point C).
seraient donc affects que lorsquils se trouvent lair libre.

Sources de pollution: l'inventaire des missions

Figure 3.3: mcanisme simplifi de la formation dozone
Linventaire des missions est un instrument de gestion conu par les instituts
fdraux de recherche pour la ZMVM. Il permet de connatre le volume ainsi que
le type de contaminant mis par chacun des secteur s (voire sous-secteur) de
production afin didentifier des mesures damlioration prioritaires. Cet outil est
destin aux autorits charges de la gestion de la qualit de lair ainsi quaux
autorits gouvernementales en gnral et la population. Il constitue en outre une
des bases du modle de simulation de la qualit de lair dvelopp et utilis par un
groupe de travail form entre lINE6 et le DDF7, le Multiscale Climate
Chemistry Model (MCCM). Ce groupe est entre autre responsable de la collecte
et du traitement de donnes issu du rseau de monitorage RAMA dcrit plus loin.
Le dernier inventaire paru est le Inventario de Emisiones a la Atmsfera, Zona
Metropolitana de la Valle de Mxico, Secretara del Medio Ambiente, 2000 .

6
Instituto Nacional de Ecologa
7
Departamento del Distrito Federal

9
Suite aux dfauts de mthodologie qui ont en partie rendu les rsultats des annes
8
prcdentes plus quincertains, cet inventaire, de type bottom-up , a t tabli responsable pour plus de 82% des missions de NOx en 2000, ainsi que pour 45%
sur la base des recommendations de Dr. Mario Molina Pasquel et son groupe de
9
recherche ainsi que par la compagnie Eastern Research Group Inc. , et se veut
plus juste. Un rsum des principaux rsultats est prsent aux figures 3.5 et 3.6.
Figure 3.5: missions par type de source, extrait de Inventario de Emissiones a
la Atmosfra, Zona Metropolitana del Valle de Mxico, 2000
NOx VOC
Figure 3.6 : rpartition des missions par type de source
8
Un inventaire de type bottom-up value les missions totales annuelles sur
la base dune estimation du nombre dentreprises actives en ZMVM, multiplie
par un facteur dmission correspondant une mission unitaire par secteur
dactivit. Il apparat dans ce type de dmarche pour une ville comme celle-ci que
le recencement des diffrentes untis (industrielles, services, commerces, nombre
et type de vhicules, etc.) est extrmement fastidieux et source dincertitudes.
9 10
Anlisis y Diagnstico del Inventario de Emisiones de la Zona Metropolitana
del Valle de Mxico. M.J. Molina, L.T Molina, G. Sosa, J.
Gasca y J. West. Instituto Tecnolgico de Massachusetts. Agosto 2000
Les chiffres ci-dessus montrent que le secteur des transports (sources mobiles) est
des missions de VOC. Celui ci est galement responsable pour plus de 20% des
missions de SO2 et 35% des missions de PM10, ce qui justifie des stratgies de
gestion qui portent sur la rduction des missions du secteur des transports.
Le cas particulier du secteur des transports
Les missions lorigine de la formation de lozone (NOx et VOC) sont en
premier lieu dues au secteur des transports, auquel on associe donc gnralement
les programmes et mesures de rduction des missions. La gestion des transports
est actuellement complexe, car trs peu prise en compte dans la rapide croissance
urbaine des dernires dcennies (physique, dmographique et conomique). Les
diffrentes consquences en relation avec laugmentation des missions sont les
suivantes :
La dtrioration du systme de transports publics :
Les transports public haute occupation 10 se sont fortement dteriors dans les
annes 90. Le rseau du mtropolitain, habituellement fortement frquent, sest
spatialement trs peu dvelopp. Les diffrentes raisons politiques et
conomiques de cet chec ont encourag dune part une explosion du secteur
informel des transports collectifs, a savoir les colectivos (voir figure 3.7), et
dautre part laquisition de vhicules privs. Ces transports tant de type moyenne
faible occupation (COMETRAVI 11 estime l occupation des vhicules 1.5
individu en moyenne en 1999) le nombre de kilomtres parcourus journalirement
dans la zone mtropolitaine a fortement augment. Le nombre de trajets serait
pass de env. 20 mio en 1988 plus de 35 mio en 1996 (COMETRAVI, 1999).
haute-occupation dsigne les transports permettant lacheminement dun
grand nombre de personne pour un faible kilomtrage parcouru par le vhicule.
11
Comisin Metropolitana de Transporte y Vidalidad
10
Hormis laugmentation du kilomtrage parcouru, les autres types de problmes Le transport de marchandises :
poss par le systme de colectivos comprennent :
La ZMVM a une grande importance dans lactivit conomique du pays. Mexico
- Un manque defficacit gnral : il nexiste pas dorgane de gestion des D.F. concentre plus d1/5 du PIB (INEGI, 1999). Elle compte bon nombre de
diffrentes companies prives ou associations de propritaires de minibus, ce grandes industries et de commerces (voir figure 3.8), ce qui accentue le transport
qui provoque chroniquement un manque de synchronisation dans le temps de marchandises (intra et inter-urbain).
des colectivos , un excs de vhicules durant les heures creuses, etc.
- Une forte comptitivit entre les diffrents propritaires de minibus :
difficults faire face aux oprations de maintenance, rparations et
remplacements de pices (ou de vhicule !), inobservance des rgles de la
route, temps dattente long au terminus afin de remplir les vhicules au
maximum, augmentation des tarifs, etc.

En plus de participer une augmentation des missions, ces problmes seraient

galement responsables dune augmentation des accidents de la route.

Figure 3.7: pesero de la ZMVM

Les taxis :

Le nombre de taxis enregistrs est estim ~ 69'000 (COMETRAVI, 1999), dont

seulement 8'000 env. font partie de companies rescenses. Les incertitudes de ces Figure 3.8 : localisation des installations industrielles, commerciales et services
chiffres (dont les valeurs varient en fonction des sources) proviennent de la
procdure denregistrement des vhicules. Le problme est celui de lge moyen La densit du rseau routier et la frquence des congestions contribuent
des vhicules, avec lequel les missions ont tendance augmenter. linefficacit du transport de marchandises.

11
Bases lgales environnementales et gestion de la qualit de l'air en ZMVM
Le principal texte de loi environnementale est le Ley General del Equilibrio
Ecologico y Proteccin al Ambiente, 1988 . Les principales structures lgales
environnementales sont prsentes la figure 3.9.
Les ministres (ou secrtariats fdraux) dirigent les diffrents secteurs
politiques. Ils regroupent les sous-secrtariats. Pour lEnvironnement, lInstitut
National pour lEcologie (INE) est lun des organes principaux (voir figure 3.10).
Les normes lgales dans le domaine de la qualit de lair sont tablies pour tous
les contaminants ayant un effet sur la sant :

Tableau 3.2 : Normes mexicaines officielles de qualit de lair (Secretara de

Salud, 1994)
Exposition
Exposition aigue
chronique
Com- Concentration Frquence
pos moyenne et intervalle maximum
de temps acceptable
O3 0.11 ppm (1h) 1 fois/3 ans
SO2 0.13 ppm (24h) 1 fois/ an 0.03 ppm (moy. an.)
NO2 0.21 ppm (1h) 1 fois/ an ---
CO 11 ppm (8h) 1 fois/ an ---
Figure 3.9 : ministres et sous sectrtariats de lEnvironnement PM10 150 g/m3 (24h) 1 fois/ an 50 g/m3 (moy. an.)
Pb --- --- 1.5 g/m3 (moy. s/3
TSP 260 g/m3 (24h) 1 fois/ an i ) an.)
75 g/m3 (moy.

Ces normes sont dictes par le ministre de la sant (Secretara de Salud, 1994),
la suite dtudes pidmiologiques, de toxicit. Elles tiennent plus
particulirement compte de la tranche vulnrable de la population (enfants et
personnes ges).

Figure 3.10 : structure et fonctionnement INE
Dun point de vue lgal, les diffrentes stratgies et programmes de gestion ont
commenc tre mis en place dans les annes 90. Ils sintressent tout
particulirement au secteur des transports (rduction des missions par le Hoy
No Circula, 1989 , amlioration de la qualit des carburants, notamment
limination du plomb et rduction de la teneur en soufre dans lessence,
introduction du catalyseur et de carburants alternatifs tels que le Liquid
Petroleum Gas, le Compressed Natural Gas, etc., inspection de ltat de service
des vhicules, amlioration du service des transports publics). Deux des
programmes les plus importants sont PICCA12 et PROAIRE13. Le suivi
interannuel de la pollution tant ralis par la reprsentation du nombre de jours

12
Program Integral contra la Contaminacin del Aire, 1990-1995
13
Progama Para Mejorar la Calidad del Aire en el Valle de Mxico, 1995-2000

12
pour lesquels les normes du tableau 3.2 sont dpasses, le programme PROAIRE fiabilit de lappareillage est donc bonne, et ce depuis la mise en service du
aura pour principal objectif de rduire les pics dozone mesurs, en amplitude et rseau, et le degr dimprcision des mesures pour lozone est de 3%.
nombre.

En 2000, la qualit de lair de la ZMVM dpasse encore pour le 80% des jours les
normes officielles mexicaines de la qualit de lair pour lozone.

Mesure de la qualit de lair : Red Autmomtica de Monitoreo Atmosfrico

Le rseau de mesures RAMA est oprationnel depuis 1986, en partie grce

lassistance technique de lEPA14. Il est constitu de 37 stations au total, dont une
partie mesure les polluants atmosphriques ordinaires et lautre les paramtres
mtorologiques ordinaires (humidit relative, temprature, intensit et direction
du vent au sol).

19 stations au total, dont la distribution spatiale est reprsente la figure 3.11

mesurent les concentrations horaires en ozone. La technique utilise est la
photometrie UV. Le nombre ainsi que la localisation des stations saccorde aux
critres dicts par lOMS. Cependant, aucune des stations ne se situe dans une
zone rurale du bassin atmosphrique.

Les mesures brutes sont ensuite automatiquement envoyes vers un centre de

traitements de donnes, o elles sont contrles et valides. Elles sont finalement
diffuses librement sur le web (http://www.sima.com.mx/sima/df/index.html)
sous formes de tables de concentrations horaires par station. Lindice IMECA
mentionn prcdemment (voir p. 6, Evolution historique de la pollution )
permet la diffusion au public des donnes de concentrations. Il est calcul sur la
base des concentrations valides, selon un algorithme dont le but est lobtention
dune valeur de 100 IMECA gale la valeur admise par la norme, ceci pour
nimporte lequel des polluants. Le systme (rseau + validation) est opr par
CENICA15, un institut de recherche fdral faisant partie de lINE, ainsi que par Figure 3.11 : distribution spatiale des stations de mesure de RAMA
des scientifiques pour le gouvernement du DF, responsables de la mise jour
dun site internet, le SIMAT16, permettant la diffusion de lIMECA lintention Suivi de lvolution de la pollution atmosphrique et prdiction
du grand public et des autorits.
Un programme dentretien et de calibrage des instruments est observ. Les Le DF essaie dtudier les tendances long terme de la qualit de lair afin de
stations et procdures de mesures sont aussi certfies chaque anne par lEPA. La pouvoir valuer limpact des mesures de rduction entreprises. Le suivi est
notamment ralis laide de lutilisation dun modle de qualit de lair, le
Multiscale Climate Chemistry Model (MCCM), choisi pour sa capacit
14
Environmental Protection Agency, USA reproduire les caractristiques topographiques du bassin atmosphrique. Les
15
Centro National de Investigacin y Capacitacin Ambiental (INE) paramtres mtorologiques sont obtenus par un couplage avec un modle
16
Sistema de Monitoreo Atmosfrico (Gobierno del Distrito Federal), mtorologique mso-chelle (MM5).
http://www.sma.df.gob.mx/simat/

13
Ce type de modlisation est galement utilis pour tenter de raliser des
prvisions court terme (3 5 jours). Des tude sont actuellement en cours
dtude au CCA17.

Les missions sont tires de linventaire des missions publi par le SMA. Les
diffrentes donnes spatiales (sources ponctuelles, surfaciques et linaires) sont
produites par lINEGI.

Lutilisation des Systmes dInformation Gographique reste marginale, mais

semble pourvue dun fort intrt.

Conclusions

Les connaissances dans le domaine de la qualit de lair pour la ZMVM runies

au cours de ces dernires annes sont nombreuses. Les questions poses par la
recherche sont donc toujours plus prcises. Les affirmations suivantes sont
retenir dans le cas de lozone :
- lenvironnement gographique de la ZMVM est un facteur dterminant :
bassin atmosphrique, inversions thermiques, altitude et systme
anticyclonique sont les caractristiques de celui-ci.
- Les inversions thermiques sont fortes le matin et disparaissent
progressivement laprs-midi. Elles dfinissent lvolution du profil
vertical des concentration en ozone.
- Le secteur des transports est la principale source dmissions menant la
formation dozone.
- La ZMVM met dnormes quantits de VOC. Le rapport entre VOC et
NOx semblerait prouver que la cit est plus sensible aux modifications
des missions de NOx.
- Les effets sur la sant de lozone sont encore mal connus, les indices
dexposition difficiles dfinir, et par consquent lexposition en
fonction du lieu galement.
Finalement une question dun intrt particulier peut tre souleve : quel serait le
comportement de polluants tels que lozone, dans le cas ou la ZMVM et les
localits environnantes extrieures au bassin se rejoignaient ? Et quelles en
seraient donc les consquences sur lenvironnement pour Puebla, Cuernavaca,
Toluca, Quertaro, comprenant zones agricoles et forts, sachant quen plus
datteindre une plus grande portion de la population mexicaine, lozone serait
galement responsable de la diminution des rendements des cultures, et de la
biodiversit de manire plus gnrale ?

17
Centro de Ciencias del Atmosfer, UNAM, INE .

14
 La srie temporelle utilise dans ce travail a t choisie par E. Gaillard. Elle
4. Donnes pour la ZMVM comprend les concentrations du dbut du mois de juillet 1992 la fin du mois de
dcembre 2002, et constitue lintervalle le plus long et le plus complet possible.

4.1. Jeu de donnes de concentrations en ozone

Le jeu de donnes de concentrations en ozone prsent ci-dessous est lobjet
principal de ce travail.

Le RAMA fournit des donnes horaires valides de concentrations en ozone pour

les 19 stations ci-dessous.

Tableau 4.1 : numration des stations de mesure

N station Nom station Abrviation
1. Lagunilla LAG
2. Tacuba TAC
3. ENEP Acatln EAC
4. San Agstin SAG
5. Azcapotzalco AZC Figure 4.1: extrait de la srie horaire de concentrations pour 1996,
6. Tlalnepantla TLA http://www.sma.df.gob.mx/simat/
7. Xalostoc XAL
8. Merced MER
9. Pedregal PED
10. Cerro de la Estrella CES 4.2. Donnes mtorologiques
11. Plateros PLA
12. Hangares HAN La mtorologie est lun des principaux paramtres qui influence la formation de
13. UAM Iztapalapa UIZ lozone. RAMA mesure les variables mtorologiques ordinaires (temprature,
14. Benito Jurez BJU humidit relative, intensit et direction du vent au sol) intervalle horaire pour
15. Taxquea TAX dix points de la ZMVM. Ces stations font partie du rseau de mesure des
16. Cuajimalpa CUA concentrations dozone (voir figure 4.2).
17. Tlalpan TPN
18. Chapingo CHA
19. Tlhuac TAH

Lemplacement des stations est reprsent la figure 3.11.

Lunit de mesure est le [ppm] (partie par million).
Lincertitude de la mesure est de lordre de 3%.
Une description plus gnrale du rseau est prsente dans le chapitre prcdent.

15
 4.3. Donnes territoriales
Les donnes realtives au territoire sont produites par lINEGI sous la forme de
couches vecteur. Les lments slectionns pour ce travail sont :

- dlimitations territoriales des dlgations et municipalits de la zone

mtropolitaine
- stations de mesure RAMA
- relief
- rseaux routier et ferroviaire
- principales inustries
- espaces verts urbains
- surfaces agricoles
- plans deau

Le systme de projection utilis pour la ZMVM est Univeral Transverse

Mercator, Hmisphre Nord, zone 14.

4.4. Systme Municipal de Base de donnes

(SIMBAD)
LInstitut National pour la Statistique, la Gographie et lInformatique permet un
libre accs un recueil de statistiques nationales, tablies par municipalit pour
chacun des Etats du Mexique18. On y trouve principalement des donnes relatives
la gographie humaine telles que lindice de dveloppement humain (IDH), le
recencement de la population selon les diffrents groupes sociaux (ge, sexe,
etc.), etc.

Ce type dinformation qualitative pourrait tre utilis dun point de vue

contextuel.
Figure 4.2 : emplacement des stations mtorologiques
4.5. Inventaire des missions 2000 (voir chapitre 3)
Ces donnes sont disponibles pour lintervalle de temps slectionn pour lozone.
Elles pourraient savrer utiles lors de lexploration des mesures de concentration,
ou lors de linterprtation des rsultats. Elles restent cependant secondaires pour
ce travail et ne seront pas dcrites plus en dtail.

18
http://sc.inegi.gob.mx/simbad/

16

5. Traitements
5.1 Analyse exploratoire
La description statistique de donnes ne peut se faire que par lintermdiaire
dune analyse exploratoire complte dun point de vue temporel, spatial et
multivari.
Lexploration du jeu de donnes de concentration en ozone (dcrit en 4.
Donnes ) se fait sur les sries brutes tldcharges (voir figure 5.1.1).
Figure 5.1.1: extrait de srie horaire de concentrations pour 1996,
http://www.sma.df.gob.mx/simat/
5.1.1. Objectifs :
Lanalyse exploratoire a pour but lidentification dventuelles structures dans le
jeu de donnes de concentrations.
Cette analyse comporte trois sous-chapitres : le premier explore le jeu de donnes
dans le temps. Il y est donc la seule variable capable de dcrire la concentration.
Le temps est en effet une variable primordiale pour lexplication de nimporte
quel phnomne naturel. La prise en compte de cette variable est dtermine par
la correspondance entre lchelle de temps de la mesure, et celle de lvolution du
phnomne. Les deuxime et troisime chapitres dcrivent la concentration
comme un phnomne dont le comportment est multivari, et o les variables
explicatives sont les stations. En effet, dans le deuxime sous-chapitre il sagit
dobserver les relations de dpendance entre les diffrentes stations. Le troisime
chapitre est une analyse exploratoire spatiale traditionnelle.
Ces tapes se succdent pour une raison prcise : lexploration spatiale dun jeu
de donnes ne peut se faire que sur des valeurs simultanes . La reprsentation
dun phnomne na de sens que lorsque les valeurs reprsentes sont mesures
dans le mme intervalle de temps. Le pas de lintervalle est dfini par la rapidit
avec laquelle le phnomne volue.
Ces diffrents chapitres comprennent les objectifs suivants :
- Dvelopper une mthodologie permettant une analyse statistique exploratoire
complte, temporelle, multivarie et spatiale, afin de mettre en vidence des
comportements gnraux et plus spcifiques de la concentration en ozone.
- Identifier dventuelles valeurs aberrantes.
- Compte tenu du volume de donnes continuellement produites par le RAMA,
ainsi que des caractristiques de ces donnes, dvelopper une mthodologie
exploratoire , ainsi que des fonctions danalyse spcifiques aux sries
brutes, afin deffectuer un traitement juste et rapide de telles sries.
- Etudier la corrlation entre les stations, ainsi que limportance de chacune
dentre elles dans lexplication du phnomne tudi.
- Dtecter des structures spatiales dans les donnes et rgionaliser la
concentration par lapplication de mthodes gostatistiques dinterpolation.
Une autre intention implicite de la dmarche exploratoire est la rduction de la
quantit de donnes.
Les rsultats escompts de cette tude sont lidentification dans le temps
dpisodes19 de pollution, la modlisation gostatistique de ces pisodes, et
finalement la reprsentation cartographique des pisodes modliss.
19
Un pisode est un intervalle de temps durant lequel les concentrations
attribues aux diffrents points de mesure de lespace reprsenter sont
reprsentatives de cet intervalle.
17
5.1.2. Mthodologie :
Vrification de lchantillonnage
Ce paragraphe prsente la dmarche suivie pour rpondre aux objectifs.
Vrification des conditions de stationnarit pour lutilisation de mthodes
gostatistiques dinterpolation
0. Prise en main des diffrents logiciels utiliss :
Analyse structurale des donnes : variographie
MATLAB 7.0 et son extension Statistical Toolbox
VarioWin 2.2
4. Interpolation
ArcGIS 9.0 et ses extensions Gostatistical Analyst et Spatial Analyst
Manifold 6.0

1. Exploration temporelle des concentrations (voir 5.1.3.1):

Dans quel intervalle horaire se situent les mesures (hypothse mise jusqu
prsent : 13-17h).

Quel est le type de distribution dans le temps des mesures (gaussienne,

asymtrie), et par consquent quel est lestimateur choisir pour dcrire une
journe de mesures, pour dans un second temps valuer lvolution annuelle
des concentrations.

Reprsentation de lestimateur en fonction du temps : quelle est lvolution

temporelle (sries annuelles) des concentrations

Identification des pisodes de pollution

2. Exploration multivarie des concentrations en fonction des stations (voir

5.1.3.2):

Etude de la variabilit des mesures par station sur la base de diagrammes

boxplot

Etablir une matrice de corrlations

Analyse en Composantes Principales : identification des variables qui

peuvent potentiellement offrir un intrt la description du phnomne

3. Exploration spatiale (voir 5.1.3.3) :

Description des units dobservation

18
5.1.3. Traitements et rsultats : 5.1.3.1.1. Intervalle horaire

Les sept ans de mesures de concentrations ont t cumuls en fonction de lheure

5.1.3.1. Exploration temporelle de la journe. Les diffrentes stations se distinguent ci-dessous par la couleur :
Le phnomne explor est la concentration y, la variable est le temps t. La mesure
Cumul par station des concentrations de 1996 2002
yi au temps ti scrit donc : 350 LAG
yi=f(ti) PED
TAC
EAC
300
SAG
o i=(1,,n) et n est le nombre de mesures dans la srie annuelle. AZC

Concentration cumule [ppm]

250 TLA
XAL
Les diffrents traitements sont raliss laide du logiciel de calcul matriciel
MER
MATLAB 7. Quelques fonctions supplmentaires ont t dveloppes sur cette 200 PED
interface afin de traiter plus particulirement les sries de donnes prsentes (voir CES
annexe 2). Les principales spcificits des donnes brutes sont les suivantes : 150 PLA
HAN
UIZ
- Volume important de mesures : Sept sries annuelles (1996 2002) de 100 BJU
concentrations horaires pour chacune des stations de mesures. Ces sries CHA TAX
brutes se prsentent donc sous forme de sept matrices de taille (876021) CUA
50
chacune. TPN
CHA
0 TAH
- Sries comprenant la totalit des heures du jour (1 24). Les heures 2 4 6 8 10 12 14 16 18 20 22 24
intressantes pour le calcul dun danger dexposition se situent dans la heure

journe. Les valeurs nocturnes sont attribues lozone de fond , une Figure 5.1.2: cumul par station des concentrations pour lensemble des sries
pollution dorigine continentale. horaires (1996-2002)

- Sries parfois entaches de valeurs non dfinies NaN ( Not a
Number ).
Lanalyse dune telle quantit de mesures ne peut que se faire que par le
dveloppement de codes. Notona galement que la prsence dannes bissextiles
rendent souvent le dveloppement et lexcution des fonctions imagines
difficiles.
Le cumul permet ici de conserver toutes les mesures afin de dterminer dans quel
intervalle horaire se situent la plus grande partie des mesures. Cette fonction est
commutative et associative, ce qui signifie que deffectuer la somme des jours ou
la somme des heures reprsente ci-dessus revient au mme. Linconvnient de
cette reprsentation est du la prsence de valeurs de type NaN. Ce principe de
codage est utilis par le RAMA pour reprsenter les valeurs qui ne peuvent pas
tre valides. Ces valeurs sont le rsultat derreurs de transmission des appareils,
oprations de maintenance du rseau, etc. Le tableau 5.1.1 prsente le nombre de
valeurs NaN remplaces pour chaque srie annuelle, afin didentifier les annes
les plus dfavorables. On peut y observer que lanne 2002 est plus
particulirement entache de valeurs NaN. Elles ont pour effet de fausser tout
types de calculs et seront limines dans la suite du travail (notamment par les
fonctions mentionnes en dbut de chapitre).

19
Tableau 5.1.1 : Proportions de NaN dans les sries annuelles originales
Srie annuelle Nb deNaN Nb de mesures Proportion Pedregal (PED) est la station qui subit les pics dozone les plus importants alors
ozone 9620 51 166896 0.3 que Chapingo (CHA) nest que peu touche en comparaison (les valeurs NaN
ozone 97 - 166440 -
ozone 98 - 166440 - nont que trs peu dinfluence sur ce calcul). On remarque galement que la
ozone 99 - 166440 - valeur cumule est extrmement progressive entre les stations.
ozone 00 - 166896 -
ozone 01 1558 166440 9.3
ozone 02 10266 166440 6.2%
5.1.3.1.2. Type de distribution et estimateur :
Les courbes prsentes la figure 5.1.2 sont des courbes en cloche de type
gaussienne. Toutes les stations prsentent la mme type volution journalire, Les deux statistiques simples retenues pour la description dun jour de mesure
savoir une production dozone qui samorce entre 8 et 10h, en correspondance sont la moyenne et la mdiane. Le choix de lestimateur doit se faire sur la base
avec laugmentation des missions et du rayonnement solaire21. Le maximum se de ltude de la distribution journalire des mesures. Au vu du grand nombre de
situe aux environs de 15h. Cette figure permet galement dobserver que la donnes (2557 jours au total), lanalyse se fait sur 30 jours slectionns au hasard
croissance est lgrement plus marque que la dcroissance, ce qui pourrait tre parmi les huit ans de mesures, de 12 18 heures. Lensemble des rsultats figure
expliqu par une nouvelle augmentation des missions en fin de journe (les dans lannexe 3.
transports sont la principale source conduisant la formation dozone) associe 20
Jour 321
20
Jour 320
25
Jour 306

une diminution du rayonnement solaire. Finalement, ces courbes montrent que 18 18

16 16 20

lvolution journalire du phnomne est trs caractristique et est indpendante 14 14

de lespace. Il est donc possible dextraire les heures les plus intressantes pour la 12

10
12

10
15

suite de lanalyse, c'est--dire les heures qui dcrivent les valeurs de maximum, et 8 8 10

qui sont les mmes pour toutes les stations. Lintervalle 12-18 heures peut tre 6

4
6

4 5

retenu dans la suite de lanaylse. 2 2

0 0 0
0 0.05 0.1 0.15 0.2 0.25 0 0.05 0.1 0.15 0.2 0.25 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35

Cette figure permet galement de classer les stations en fonction de Figure 5.1.3 : extrait de la distribution des concentrations de 1996 2002
lamplitude du pic pour les sept annes de mesures, ceci afin davoir une premire pour les jours slectionns 321, 320 et 306.
ide des stations plus ou moins touches (voir tableau 5.1.2).
Les graphiques ci-dessus illustrent une distribution qui est asymtrique pour la
Tableau 5.1.2 : classification des stations en fonction de lamplitude du pic 15h plus grande partie des cas, elle nest donc pas gaussienne. Une rpartition normale
Station Val. cumule Rang Station Val.cumule Rang devrait tre premire vue caractrise par une courbe symtrique autour de la
PED 300.21 1 TAH 230.89 11 moyenne, ne prsentant pas de sous population. Lvidence fait quil nest ici pas
PLA 280.84 2 MER 227.72 12 ncessaire de vrifier la corrlation des mesures avec un ajustement gaussien.
TPN 270.6 3 HAN 216.42 13
TAC 268.96 4 TLA 214.06 14
BJU 262.2 5 TAX 215.81 15 Les diffrences de tons de gris reprsentent les diffrentes stations, cette
AZC 248.26 6 CES 208.9 16 distinction napporte ici que peu dinformation.
LAG 244.78 7 SAG 190.21 17
CUA 238.12 8 XAL 172.62 18
EAC 231.91 9 CHA 161.68 19
Lestimateur retenu pour dcrire lensemble des mesures durant un jour est donc
UIZ 231.81 10 la mdiane, accompagne de la distance interquartiles. Lavantage de la mdiane
et des distances interquartiles rside galement dans le fait quelles sont des
statistiques plus robustes par rapport aux valeurs aberrantes. Rappelons cependant
20
1996 et 2000 sont des annes bissextiles que les mesures diffuses par RAMA sont des mesures valides, ce qui limine en
21
Le rayonnement solaire et les missions font partie des principaux facteurs de grande partie ce type de valeurs.
production

20
5.1.3.1.3. Evolution temporelle de la mdiane :

La figure 5.1.4 illustre lvolution annuelle de la mdiane journalire pour chaque

station. Le calcul a t ralis pour lensemble des sries annuelles (voir annexe
4).

Les points reprsents sont des valeurs par station alors que le trait continu est
une tendance pour lensemble des stations. Les statistiques utilises sont la
mdiane (bleu) et la moyenne (rouge). La diffrence est ngligable dans ce cas.
On peut y observer une chelle annuelle que certaines annes sont plus
structures que dautres (notamment 1998). Ces sries mettent en vidence une
sorte de cycle lors duquel le maximum des valeurs mdianes est atteint entre les
90me et 150me jours (avril/mai, encardr). Le minimum se situe globalement
aux environs du 250me jour (aot/sept). Ces variations cycliques de
concentrations pourraient certainement tre expliques par une tude approfondie
des conditions mtorologiques. Dans le contexte du travail, et compte tenu des
donnes mtorologiques disposition, une premire explication de la position
des pics peut se faire laide de variables telles que la temprature et lhumidit.
En effet, celles-ci influencent fortement la formation dozone (voir chap.1,
facteur gographique ), et les mois de mars, avril, mai sont pour les annes
disposition parmi les plus chauds et secs (voir annexe 5).

A une chelle interannuelle, on peut observer un minimum relativement constant,

qui cependant semble affect par des valeurs nulles en 2000, 2001 et 2002, ce qui
parait trange puisque lintervalle horaire utilis devrait correspondre clairement
des heures de production dozone. Le maximum est variable. Un calcul de la
moyenne sur les mois de maximum (avril et mai) estime une concentration qui
passe de lordre de 0.1 0.05 ppm (voir figure 5.1.5). Cette dcroissance est
relativement logique puisque des mesures importantes de contrle des missions
ont t introduites ds le dbut des annes 90. Ce phnomne suggre une
distinction entre les diffrentes annes par la suite.

Aprs observation dtaille des sries brutes, on peut observer que les valeurs
nulles mentionnes ci-dessus concernent plus particulirement les stations
ENEP_Acatln, Tlalnepantla, Cuajimalpa, San_Agstin, et UAM Iztapalapa,
notamment pour les annes 2000 et 2002, o des sries de valeurs nulles en
colonnes se succdent pour plusieurs jours. Ce qui signifie priori que les
instruments de mesure devaient tre soit hors dusage, soit en rvision. Il est
cependant difficile ce stade dexclure un nombre aussi important de donnes
parmi les matrices de donnes brutes (voir figure 5.1.6), et encore plus difficile Figure 5.1.4 : extrait pour les annes 1998, 2000 et 2001 de lvolution annuelle
dvaluer limpact de ces sries sur la suite de calculs. de la mdiane.

21
 S t a t io n 4
0.1 1

0.1

0.0 9

0.0 8

0.0 7

0.0 6

0.0 5

0.0 4

0.0 3
1995 1996 1997 1998 1999 2000 2001 2002 2003

S t a t io n 6
0.095
Figure 5.1.6 : prsence de valeurs nulles, extrait de la srie annuelle 2002
0.09
Aussi, la distinction entre les diffrentes stations lors de la reprsentation de
0.085
lvolution annuelle de la mdiane journalire napporte ici que peu
dinformation, cest pourquoi elle nest pas voque. La figure 5.1.7 en couleur
0.08 semble toutefois mettre en vidence une prpondrance de valeurs faibles pour la
station Chapingo (bleu cyan). Cette observation est en accord avec le tableau
0.075 5.1.2, savoir que Chapingo semble ntre que peu affecte par des valeurs de
pics.
0.07

0.065
1995 1996 1997 1998 1999 2000 2001 2002 2003

S t a t io n 7
0.095

0.09

0.085

0.08

0.075

0.07

0.065

0.06

0.055

0.05
1995 1996 1997 1998 1999 2000 2001 2002 2003

Figure 5.1.5 : extrait pour les stations SAG (4), TLA (6) et XAL (7) de lvolution Figure 5.1.7 : volution annuelle de la mdiane pour 1997, distinction entre les
interannuelle du maximum stations

22
5.1.3.1.4. Identification des pisodes de pollution 1996 2002
30 LA G 30
TA C
EAC

Une situation de pollution est une srie dans lespace de valeurs relatives un 25 SAG
A ZC
25

pisode de pollution. Lobtention dpisodes et de situations de pollution est 20

TLA
XA L 20
MER
indispensable lanalyse et la spatialisation des donnes gographiques, puisque

Frquence
PED
15 CE S 15
la simultanit est une condition de la rgionalisation. En effet, en admettant dans P LA
HA N

un cas simple quune valeur Z(x1) mesure en t1 et influence par un champ de 10 UIZ
B JU
10

paramtres C(x1) soit compare une valeur Z(x2) mesure en t2 et influence par 5
TA X
CU A 5

un champ de paramtres C(x2), la valeur estime en Z(xi) na plus de sens TP N

CH A
0 TA H 0
puisquil est dans la majeur partie des cas dj impossible de dfinir chacun des 0.02 0.04 0.06 0.08 0.1 0.12 0.14
Conc entration [ppm ]
0.16 0.18 0.2 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18

champs. Figure 5.1.9 : extrait pour les annes 1996 et 2002 de la distribution de la
mdiane journalire pour les mois davril et mai

Figure 5.1.8 : illustration du concept de simultanit (sminaire
interdisciplinaire Interpolation de mesures de qualit de lair sur la ville de
Mexico , Elena Andrey, juin 2004)
A ce stade de lexploration temporelle des donnes, nous avons remarqu que
chacune des annes de mesure prsente des valeurs maximales diffrentes. Il est
donc ncessaire de dcouper le jeu en sept premiers ensembles. A lintrieur de
chacun des sept jeux, il devient aussi plus judicieux de ne sintresser quaux
mois de plus forte concentration, c'est--dire aux mois davril et mai (~ jours 90
150), ceci pour plusieurs raisons : la problmatique du travail sintresse aux
concentrations maximales, de plus la slection de celles-ci permet de rduire une
grande partie des traitements numriques. La dmarche suivie au chapitre Type
de distribution et estimateur peut ici sappliquer afin didentifier quel estimateur
permettrait le regroupement des donnes durant cette priode de maximum, a
savoir calcul de la mdiane journalire (entre 12 et 18 heures), reprsentation de
la distribution, choix de lestimateur (moyenne / mdiane) pour la priode
considre.
Il sagit donc de reprsenter la distribution de la mdiane par jour sur les mois
davril et mai. Les rsultats obtenus sont des courbes en cloche (voir annexe 6).
Aucune ne prsente de sous populations, ce qui confirme lhypothse
dhomognit de la squence temporelle choisie. Les courbes sont toutes
asymtriques, ce qui prconise lutilisation de la valeur mdiane pour produire les
dites situations .
Les distributions montrent galement que les annes 2000, 2001 et 2002
prsentent une forte proportion de valeurs nulles, conformment aux observations
du chapitre prcdent. En 1997 et 1998 les stations SAG et CHA prsentent
galement une quantit anormalement forte de valeurs trs faibles.
Rappelons que la dfinition propose pour un pisode de pollution est un
intervalle de temps durant lequel les concentrations attribues aux diffrents
points de mesure sont reprsentatives de cet intervalle . Il a donc t choisi de
slectionner la journe lintrieur de la priode de maximum qui se rapproche
le plus de la mdiane calcule, cest--dire o la somme sur les 19 stations des
carts la mdiane par station est la plus petite. Cette dmarche permet de rduire
lintervalle de temps considr au plus possible, compte tenu de lvolution trs
rapide du phnomne. Dans le cas ou deux journes prsentaient le mme cart
minimal, le choix se porterait sur la srie dont les carts aux carts minimaux
taient les plus faibles. A noter que cette tape prsente un inconvnient : la
modlisation de phnomnes qui peuvent tre tout fait instantans
(embouteillage, incendie, etc.) et non reprsentatifs de la famille. Le plus juste
serait donc de comparer les cartes produites par la mdiane pour avril-mai avec
les cartes produites par le calcul de lcart minimal la mdiane. (permet entre
autres dliminer des valeurs anormales).
La figure 5.1.10 prsente un rsum de la solution propose pour lidentification
des pisodes.

23
 5.1.3.2. Exploration multivarie
Les traitements prcdents permettent ltude de linfluence des variables
indpendamment de celle du temps sur la concentration.

Les analyses suivantes sont ralises dans un premier temps sur chacune des
heures du jour (chapitre reprsentation de la variabilit ), puis sur les valeurs
mdianes journalires slectionnes.

Le phnomne explor est la concentration y, les variables explicatives sont les

stations (sta1, sta2, ,sta19). La mesure yij en fonction des variables scrit donc :

yij=f(staij)
i=(1,,n) o n = 61, le nombre de jours pour les mois davril et mai, et j=(1,,p)
Suppression de o p = 19, le nombre de stations. La matrice Y (6119) regroupe lensemble des
valeurs Nan
valeurs yij pour une anne donne. Les analyses suivantes sont ralises pour la
srie annuelle 1996 seulement.

5.3.1.2.1. Reprsentation de la variabilit22 :

De manire gnrale la distance interquartiles augmente lorsque les valeurs de

concentrations augmentent, ce quoi nous pouvions nous attendre. En effet,
laugmentation des concentrations dpend de nombreux facteurs (missions,
Episodes
mto, etc.) qui une heure de la journe donne peuvent fortement varier. Les
2000
dispersions les plus grandes se situent entre 14h et 15h, et sont de lordre de 0.07
Ecarts min
2000
0.08 ppm. Deux stations prsentent rgulirement une forte variabilit des
concentrations, il sagit en premier de Pedregal (PED) puis de Plateros (PLA).
Figure 5.1.10 : procdure didentification des pisodes Ces stations prsentent galement de fortes valeurs de concentrations. Les
graphiques de lannexe 10 mettent bien en vidence la relation qui existe entre la
variabilit et la concentration.

Remarquons galement que la prsence de valeurs aberrantes diminue avec

laugmentation de la distance interquartile. Lexplication vient du fait quune
valeur est considre comme aberrante par lalgorithme de calcul lorsque la
distance qui spare cette valeur du quartile le plus proche est suprieure 1.5 fois
la distance interquartiles. La reprsentation de ces valeurs est donc relative et ne
porte que peu de sens dans cette analyse.

22
lensemble des diagrammes est en annexe 7

24
Pour lanne 1996 le problme ne se pose pas vraiment puisque le nombre de
valeurs NaN est faible. Dans le cas de la srie 2002, lchantillon aurait fortement
rduit par la suppression de ces valeurs, ce qui aurait par consquent rduit la
possibilit pour la mdiane de converger vers une mme valeur.
De ces reprsentations nous pouvons enfin dduire que les concentrations
maximales se situent donc bien au centre de lintervalle de temps choisi (15
heures).
dinterpolation. Le tableau 5.1.3 montre que la pluspart des stations fortement
corrles sont situes moins de 5 km lune de lautre, ce qui est une petite
distance pour ltendue de la surface occupe par le rseau de mesures. On peut
galement voir quelques valeurs tranges de distances pouvant atteindre 15 voir
19 km ! Aucune valeur intermdiaire nest observe. Une tude plus approfondie
sera faite au chapitre Exploration spatiale .
5.3.1.2.3. Analyse en composantes principales :

5.3.1.2.2. Matrice de corrlations Une Anaylse en Composantes Principales (ACP) est une mthode statistique
multivarie dont le but est de mettre en vidence des variables dintrt. Dans une
Le calcul de la matrice des corrlations R (1919) permet de se faire une ACP, chacune des composantes principales est une combinaison linaire des
premire ide sur les relations qui existent ou non entre les variables explicatives. variables, dont limportance se mesure en rapport avec la part de variation dans
Lestimateur de la corrlation pour la kme et la vme variable est calcul tel que : lchantillon quexplique chacune de ces composantes. La reprsentation visuelle
des valeurs de variables dans un espace gnr par les composantes principales (2
rkv=skv/sqrt(skksvv) ou 3) permet donc dobserver une ventuelle structure dans les donnes. Cette
analyse a t effectue sur lpisode 1996.
rkv=(y1k-mk)(y1v-mv)++(ynk-mk)(ynv-mv)]/sqrt[(yik-mk)2 (yiv-mv)2]
X (n19) est le jeu de donnes, o n = 61, les jours de mesures et p = 19, le
nombre de variables. Une ACP sur les stations gnre ici p = 19 composantes
Ce calcul est ralis sur lensemble des heures (12-18) pour 1996. Les principales. Le pourcentage de variance explique en fonction du nombre de
corrlations sont trs leves et toujours positives. Une corrlation positive composantes utilises permet dvaluer limportance des premires composantes
signifie que pour un couple de stations, lorsque la concentration augmente pour pour la suite de lanalyse.
lune elle devrait galement augmenter pour lautre. Les stations les plus corrles
( r > 0.8) sont les suivantes : Dans le cas prsent, les deux premires composantes suffisent expliquer plus de
82% de la variance (voir figure 5.1.11). La premire composante expliquant elle
Tableau 5.1.3 : principales corrlations seule le 67% de la variance, il est intressant de regarder plus en dtail la part de
r Distance [km] Stations chacune des stations dans cette composante. Cette dmarche indique dans ce cas
prcis quelles seraient les stations qui ont le plus dinfluence sur les valeurs de
0.85 2.7 LAG/MER
concentration de lchantillon.
0.88 5.2 TAC/EAC
0.87 4.7 EAC/AZC
0.85 15.3 SAG/CHA
0.84 4.4 AZC/TLA
0.89 3.8 MER/HAN
0.90 4.7 PED/PLA
0.87 9.6 PLA/CUA
0.81 15.5 TAX/TAH
0.80 19.4 XAL/CHA

Cette corrlation devrait tre lie la distance qui spare les stations. Cette
hypothse est valable pour lapplication de nimporte laquelle des mthodes

25
 Variance explique, 1996, avril-mai, med. 12-18h La premire composante tant la plus intressante dans ce travail, il a t choisi de
1 calculer la part de variance expliqu par chacune des variables lintrieur de
cette composante (les calculs intermdiaires sont en annexe 8):
0.95
Tableau 5.1.5 : part de variance explique par chacune des variables pour la
composante n1
0.9 Station Composante 1 Variance explique[%]
LAG 0.245 4.02
0.85
TAC 0.280 5.26
EAC 0.243 3.96
SAG 0.141 1.34
0.8 AZC 0.238 3.80
TLA 0.214 3.05
0.75
XAL 0.155 1.62
MER 0.226 3.42
PED 0.314 6.62
0.7 CES 0.202 2.75
PLA 0.294 5.80
0.65 HAN 0.220 3.24
0 2 4 6 8 10 12 14 16 18 20 UIZ 0.197 2.59
Figure 5.1.11 : variance explique en fonction du nombre de composantes BJU 0.269 4.85
principales TAX 0.227 3.45
CUA 0.242 3.92
Pour ce faire, le tableau 5.1.4 dcrit la matrice V(1919) de vecteurs propres. Elle TPN 0.235 3.69
permet destimer la part de chacune des variables pour chacune des composantes. CHA 0.144 1.39
Cette matrice est obtenue laide de lquation suivante : TAH 0.183 2.23

S=VLVT Les valeurs sont plus ou moins homognes. Les stations les moins significatives
pour la premire composante sont Chapingo et San Agustin. Le chpitre
Reprsentation de la variabilit avait dj mis en vidence le fait que les
O L (191) est le vecteur de valeurs propres et S (1919) la matrice de stations qui prsentent les concentrations les plus faibles sont galement celles
covariances estimes du jeu de donnes X. pour lesquelles la variabilit est la moins importante. Cest le cas pour Chapingo
et San Augustin qui figurent aux rangs 19 et 17 dans le tableau 5.1.2.
Tableau 5.1.4 : description de la matrice V des vecteurs propres Plateros, Pedregal, Tacuba et Benito Juarez sont les stations les plus importantes
Comp1 Comp2 Comp19 dans lexplication de la premire composante. Ces stations se situent aux rangs 1,
Var1 v11 v12 v119 2, 4 et 5 du tableau 5.1.2.
Var2 v21 v22 v219
On peut aussi remarquer que la prsence de valeurs NaN rendrait ici impossible la
Var19 v191 v192 v1919 recherche des composantes principales, et les valeurs de type Inf (infinite) ont
le mme rsultat sur ce calcul.
En effet, pour une matrice X0 de dpart (np), o vark est la kme variable, mk est
la moyenne arithmtique pour la kme variable, sjk la covariance entre les variables

26
k et j, la matrice de covariance (pp) et V(pp) la matrice des vecteurs propres, 5.1.3.3. Exploration spatiale
on obtient:

Lanalyse spatiale regroupe un ensemble de mthodes et doprateurs associes

sjk =[(y1k-mk)(y1j-mj)++(ynk-mk)(ynj-mj)]/(n-1)
v1T v1 = maximal sous contrainte que v1T v1 = 1
comp1=v11(var1-m1)/s1-v21(var2-m2)/s2--v1p(varp-mp)/sp
Ds lors, le fait de diviser par la covariance est impossible en prsence de valeurs
NaN ou Inf.
aux SIG, exploits dans le but de modliser lespace gographique (EG), den
extraire des informations, den driver des informations synthtiques ainsi que
didentifier des relations fonctionnelles entre entits ou phnomnes. La
composante de lespace gographique quil sagit ici plus prcisment de
reprsenter est le phnomne de pollution urbaine par lozone troposphrique. La
variable dintrt (concentration dozone) est donc de type continue. Elle est
mesure en partie par millions (ppm) sur une chelle de type cardinale. Les
valeurs mesures sont maintenant indpendantes du temps, seule la variation
spatiale est tudie. Il sagit donc encore une fois de donnes univaries.

De cette analyse nous pouvons tirer, en plus de lidentification des stations qui Chacun des pisodes est reprsent par un chantillon de la forme suivante :
influencent plus particulirement la srie de donnes, que lensemble des
Coordonnes Varia-
traitements est cohrent. bles

x11 x12 c1
x 1
2 x 2
2 c2
... ... ...
x 1
19 x2
19 c19

o xji est la composante i des coordonnes planimtriques pour la station n j, et cj

est la concentration pour la station j.

5.1.3.3.1. Repres thoriques : gostatistique, thorie des variables alatoires,

stationnarit et variographie

Gostatistique :
La gostatistique est une approche mathmatique conduisant la rgionalisation
de variables dintrt selon des mthodes dinterpolation de type gostatistiques.
Elle soppose aux mthodes dinterpolation de type dterministes. Lapproche
gostatistique est celle utilise dans ce travail.

De manire gnrale lensemble des techniques se base sur lassociation des

concepts de similarit et de proximit, savoir les points les plus proches les uns
des autres tendent tre plus similaires que les points plus loigns. Les mthodes
mathmatiques dterministes (ou gomtriques) rgionalisent la variable dintrt

27
sur la base de fonctions mathmatiques. La variable est suppose interpolable par
le simple fait quelle soit de nature spatialement continue, et son comportement
spatial est par consquent empirique. Les techniques gostatistiques diffrent des
mthodes dterministes au sens o elles introduisent la notion de autocorrlation
spatiale entre les valeurs mesures. Lestimation de la variable dintrt se fait sur
la base de modles statistiques qui tiennent compte de relations statistiques entre
les points chantillonns. Ces techniques tiennent donc compte dune information
plus complexe et permettent de quantifier lincertitude lors de linterpolation.
Contrairement la statistique classique (qui suppose que les variables alatoires
sont indpendantes et identiquement distribues), la gostatistique admet des
variables spatialement corrles.
Lapproche gostatistique se base sur la thorie des variables alatoires.
Thorie des variables alatoires :
Une variable rgionalise est lexpression mathmatique de la variation spatiale
dun phnomne physique. La grande complexit de la variation du phnomne
rel implique cependant gnralement limpossibilit de considrer une variable
rgionalise comme une fonction de lespace. En effet, il existe certainement un
trs grand nombre de points pour lesquels un phnomne rel peut se comporter
de manire tout fait irrgulire, malgr une tendance dfinie sur lensemble de
lEG. On peut dfinir la variable rgionalise z(x) comme tant lensemble des
valeurs dfinies que linfinit de points composant lEG sont susceptibles de
prendre :
{z(x), x EG}
Toute valeur mesure sur lEG est donc une valeur rgionalise. La thorie des
variables alatoires considre toute valeur rgionalise z(xi) comme tant la
ralisation dune variable alatoire Z(xi),o i est un indice relatif la mesure
(i=1,,19). Aussi, Z(xi) peut avoir des proprits diffrentes en chaque point de
mesure. Lensemble des variables alatoires est la fonction alatoire Z(x) :
{Z(x), x EG}
Le modle propos par Wackernagel la figure 5.1.12 illustre cette thorie.
La thorie des variables alatoires permet donc dintgrer une information plus
complexe, de nature probabiliste (par opposition dterministe), lors de la
rgionalisation de phnomnes naturels.
Z(x) Z(x0)
z(x) z(x0)
Figure 5.1.12: Interprtation probabiliste de la variable rgionalise
(Wackernagel, 1998)
Stationnarit :
Lestimation de la variable rgionaliser se fait sur la base de la thorie des
variables alatoires. Lapproche gostatistique admet des mesures corrles en
fonction de la distance, et les modles statistiques utiliss par les techniques
gostatistiques dinterpolation tiennent compte des autocorrlations spatiales entre
les points chantillonns. Ces relations se prcisent laide dune analyse
structurale des donnes, au centre de laquelle se trouve la variographie (aborde
dans le suivant).
Cette analyse structurale admet lhypothse de stationnarit de la fonction
alatoire Z(x). La stationnarit stricte signifie une invariance en translation du
comportement dun phnomne. Lorsque celui-ci est dcrit par une fonction
alatoire ce sont les caractristiques de la fonction alatoire qui sont invariantes
en translation :
Si Fxi est la distribution de probabilit de la variable alatoire Z(xi) la station i
(i=1,19), i.e. P(Z(xi) z), alors Fx1,,x19 (z1,,z19) est la fonction de
distribution multiple (pour lensemble des stations) pour les 19 variables
alatoires. Dans ce cas la stationnarit stricte est dfinie comme :
Fx1,,x19 (z1,,z19) = Fx1+h,,x19 +h(z1,,z19)
La stationnarit stricte tant une condition difficile remplir (puisquelle suppose
la connaissance de la fonction de distribution multivarie !) elle est gnralement
remplace par la notion de stationnarit intrinsque.
28
La stationnarit intrinsque dune fonction alatoire suggre linvariance en
translation des caractristiques de la distribution de lcart entre paires de valeurs
chantillonnes (Z(x+h) Z(x)). Cette hypothse ne ncessite donc plus que la
connaissance de la fonction de distribution de l'cart entre paires de variables, qui
dans le cas de la modlisation de phnomnes naturels tels que la concentration
dozone est suppose gaussienne. La stationnarit intrinsque dune fonction
alatoire est donc vrifie lorsque les conditions suivantes sont remplies :
(hkl) = E[Z(xi+hkl)] = E[Z(xk)] = cste
2(hkl) = Var[Z(xk+hkl) Z(xk)] = Cov[Z(xk+hkl),Z(xk)] = C(hkl)
O k et l identifient les points de mesures xi (i=1,,19).
Les deux premiers moments caractrisent entirement la distribution des carts F
hkl(zk,zl) dans le cas dune distribution normale. Il sagit alors de la moyenne
arithmtique et de lcart type. La moyenne doit tre constante et la variance ne
doit dpendre que de la distance h sparant les points de mesure sur lensemble de
lEG considr.
Variographie :
Lanalyse variographique est le point central de lanalyse structurale dun
chantillonnage et donc de la procdure dinterpolation gostatistique. Du fait de
la prise en compte non seulement de la distance23 mais aussi des relations de
dpendance (autocorrlations) qui existent entre les points de mesure, cest--dire
de la structure spatiale de lchantillonnage.
Lanalyse variographique a pour but de mesurer la force de la autocorrlation
spatiale entre les variables alatoires Z(xi) par une fonction de la distance h:
soit par la covariance : C(xk,xl) = C(hkl) = C(xk xl) = Cov(Z(xk),Z(xl)
soit par le variogramme : (xk,xl) = (hkl) = (zk-zl)2 = var(Z(xk)-Z(xl))
mais ces fonctions sont quivalentes puisque (h) = C(0) - (h)
Pour chaque paire de valeurs possible (19 stations = 19+18+17++1=171
paires de valeurs) le carr de la diffrence entre les valeurs est calcul. En
pratique ce sont gnralement les valeurs de (hkl) qui sont reportes en fonction
du vecteur de sparation h, on peut alors reprsenter la nue variographique.
23
La distance est le seul paramtre de calcul des techniques dterministes
dinterpolation telles que la pondration inverse la distance, la triangulation,
etc.
Une ventuelle anisotropie est un phnomne important modliser dans le cas
de rgionalisation de mesures atmosphriques. Dans le cas de mesures dozone
elle pourrait tre cause par des facteurs tels que la direction prfrentielle des
vents, la topographie, etc. La modlisation dune tendance directionnelle se fait
par un variogramme surfacique.
Dans le cas dun phnomne anisotropique le variogramme exprimental est une
sorte de coupe dans le variogramme surfacique. Il est construit sur la base des
directions pricipales danisotropie identifies (ou non), et regroupe un ensemble
de paires spares par le vecteur h, orient dans la direction choisie.
Lajustement des points du variogramme exprimental sur une fonction thorique
de covariance dfinit les paramtres de linterpolation. Le variogramme thorique
est not *(h). Cet ajustement est un processus itratif et manuel. Les paramtres
fixer sont la fonction de covariance, la ppite24, le seuil, lexistence dune
anisotropie en fonction de la direction et le voisinage considrer.
Finalement, il nexiste pas vraiment de rgles pour la modlisation
variographique. Celle-ci repose sur le bon sens et lexprience de loprateur.
Lvaluation de la qualit dune modlisation se fait habituellement laide de la
procdure de validation croise, ou plus simple encore par lobservation.
Mthodes gostatistiques dinterpolation :
Les mthodes gostatistiques dinterpolation sont pour ainsi dire quasiment toutes
regroupes dans la famille des krigeages. Matheron (1963) propose la dfinition
suivante un ensemble de techniques revenant effectuer une pondration des
chantillons, les poids tant calculs de faon rendre minimale la variance
destimation rsultante, compte tenu des caractristiques gomtriques du
problme .
Il existe de nombreux diffrents types de krigeages. Tous produisent un
estimateur sans biais, dont la description mathmatique peut se faire de la manire
24
Leffet de ppite est une discontinuit initiale attribue soit au type de
continuit de la variable, soit aux erreurs systmatiques de mesure, soit aux
variations trs petite chelle du phnomne. Cet effet est donc sans doute faible,
voire ngligeable pour les donnes disposition. Aussi, lidentification des
causes de la ppite nest pas possible uniquement sur la base des donnes.
29
suivante (les i (i=1,, N) sont les poids du krigeage, N est le nombre de stations Les diffrents types de krigeage reposent tous sur les hypothses de stationnarit
de mesure) : intrinsque et de distribution univarie25 normale de chaque variable alatoire
pour obtenir un estimateur optimal .

La mthode de krigeage adopte ici est le Krigeage Ordinaire. Cette mthode est
lune des plus utilises, et savre tre la plus aproprie linterpolation des
Estimateur : Z(x0) = i Z(xi) i = 1,.., N et N le nombre donnes prsentes (voir Sminaire interdisciplinaire Interpolation de donnes
de points dappuis de qualit de l'air sur la ville de Mexico , Elena Andrey, juin 2004). Elle est une
(stations) mthode dinterpolation locale et fait intervenir la notion de voisinage: la valeur
en un point donn est estime laide des points de mesure dune fentre
dinterpolation dont les dimensions sont dfinies par loprateur. La stationnarit
Conditions : i = 1 Garantie dun estimateur intrinsque ny est donc dfinie que localement.
sans biais
Les diffrents traitements sont en majeurs partie raliss laide des logiciels
spcifiques : VarioWin 2.2 pour lanalyse structurale, et ArcGIS 9 (extension
Principe : [Z(x0) - i Z(xi)]2 = 2 variance destimation Geostatistical Analyst) pour la reprsentation.
= min (pour i = 1,.., N) minimale compte tenu de
la condition sur la 5.1.3.3.2. Units dobservation
somme des poids
Les units dobservation sont les stations de mesure. Chacun des points est
caractrise par ses coordonnes gographiques (UTM H.N. 14), par des photos
Equations du krigeage : systme matriciel permettent de choisir les poids i de lendroit o la station est implante, par le type de zone (urbaine, suburbaine,
t.q. lerreur quadratique destimation soit minimale ; rurale), par laltitude de lchantillonneur au dessus du sol, par le secteur
utilise la fonction de corrlation C(h) modlise sur gographique (NO, NE, SO, SE, etc.), etc. Ces informations se trouvent ladresse
la base du variogramme exprimental : suivante :
= g , ou alors http://www.sma.df.gob.mx/simat/pnrednueva.htm.

5.1.3.3.3. Echantillonnage

( x1 x1 ) ... ( x1 x n ) 1 1 ( x1 x 0 ) La reprsentativit de lchantillon de lensemble de la zone dtude peut

gnralement se calculer laide dune statistique R de qualit de
... ... ... ... ... ... lchantillonnage26 ( Analyse spatiale , R. Caloz, 2003), tel que :
=
( x n x1 ) ... ( x n x n ) 1 n ( x1 x n )
1
1 1 1 0 1 d di
n i = le rapport entre la distance moyenne entre points dappui
R= =
d al 1 s et la distance moyenne dans une distribution alatoire
2 n

25
Une distribution univarie normale se rapporte une distribution normale pour chacun des
attributs de la VA dans le cas dune analyse multivarie
26
cet indice ne dit rien sur ladquation du pas dchantillonnage

30
di est la distance du point i au plus proche voisin, s la surface de la zone dtude et
n le nombre de points dappui. - les stations mesurent des variables autres que lozone (particules, SO2, NOx,
humidit relative, temprature, etc.) pour lesquelles les points choisis peuvent
Lorsque R = 1 lchantillonnage est alatoire. Pour R < 1 la rpartition des points tre justifis
se rapproche dun chantillonnage de type group, non reprsentatif de la
distribution spatiale dun phnomne. Lorsque R > 1, lchantillonnage est - les stations de mesure ont t implantes dans les annes 80. La zone
suppos reprsentatif (voir figure 5.1.13). urbaine sest encore dveloppe depuis.

Dans le cas prsent, n = 19, s = 5071 km2 (total de la surface de la ZMVM) et R R ne rend donc que partiellement compte de la qualit de lchantillonnage pour
= 0.68. Cette valeur pour R est peu satisfaisante. Dans le cas o la ZMVM tait le RAMA.
rduite une surface plus rapproche des stations (dfinition dun polygone de s =
~ 1'800 km2, voir figure 5.1.14) R = 1.15, ce qui se rapprocherait plus dune
distribution de type alatoire.

Figure 5.1.13 : typologie des modes dchantillonnage, cours Analyse spatiale,

R. Caloz, SSIE 2003

A ce stade il est important de nuancer les conclusions tires quant la qualit de Figure 5.1.14 : dlimitation dun polygone rapporch pour le calcul de la
lchantillonnage. En effet, la statistique R sapplique gnralement un statistique R
phnomne de nature invisible , c'est--dire lorsque quil nexiste aucune
connaissance pralable sur le comportement spatial de la variable dintrt. Dans
ce cas prcis le meilleur chantillonnage est de type alatoire. La densit de points 5.1.3.3.4. Reprsentation prliminaire des donnes
doit tre constante et reprsentative du phnomne rgionaliser.
Une premire representation des donnes permet dobserver les tendances
Dans le cas du RAMA les stations sont distribues stratgiquement pour les
gnrales du comportement spatial de la variable, le degr daggrgation spatiale
raisons suivantes :
des observations, ainsi que les ventuelles anomalies. La technique
dinterpolation adopte est celle qui a t jusqu prsent utilise, pour la
- les connaissances pralables ainsi que les donnes en rapport avec la
reprsentation spatiales de valeurs de concentration en ozone troposphrique,
pollution atmosphrique urbaine sont nombreuses, ce qui privilgie la
localisation des stations

31
dans les exemples proposs par les diffrents articles consults. Il sagit de la
pondration inverse la distance.
Les donnes reprsentes sont les pisodes issus du chapitre Exploration
temporelle . Lanne 2002 ne peut cependant pas tre utilise puisquelle
contient une trop grande quantit de valeurs nulles. En effet, les journes de
mesures utilisables reviennent au final dans cette srie 3%, sur un total de 61
jours (avril-mai). Lors des analyses prcdentes les matrices taient beaucoup
plus grandes et cette proportion tait par consquent beaucoup plus grande.
Lunit de mesure gnralement utilise pour les reprsentations et
linterprtation des donnes est le part per billion (1ppm = 1000 ppb). La
validation des mesures ainsi que les explorations temporelle et multivarie des
donnes garantissent quaucune valeur aberrante ne devrait entacher les mesures.
Les points reprsentent les stations de mesure. La statistique R de qualit de
lchantillonnage calcule au chapitre prcdent montre que pour une surface la
plus raproche possible des stations (zone dinterpolation par IDW) la distribution
spatiale est relativement alatoire.
Il a t choisi dans un premier temps de vrifier la correspondance entre la
mdiane calcule sur les 61 jours de maximum ( Mdiane ) et lpisode
cartographier ( Ecarts min. ): la journe selectionne est-elle reprsentative du
groupe temporel identifi ? La dmarche adopte est une simple superposition des
situations en transparence.
Dans un second temps les pisodes ont ts reprsents pour observer les
tendances gnrales du comportement de lozone.
Deux chelles de classification ont donc t mises en place. La premire Total
considre les deux situations. La seconde ( Ecarts min ) ne tient compte que
des pisodes reprsenter. Ces chelles segmentent les donnes en 10 classes de
valeurs, dont les limites sont fixes par les quantiles des sries de donnes
considres (q10%, q20%, etc.). Les classes obtenues sont les suivantes :
Le rsultat de la superposition (voir figure 5.1.15) montre que les deux situations
sont visuellement trs proches. Les pisodes identifis sont en quelque sorte
valids de ce point de vue.
1996 1997 1998
1999 2000 2001
Figure 5.1.15 : interpolation par pondraion inverse la ditance des episodes
1996 2001, superposition en transparence de la mdiane calcule et de la
journe la plus reprsentative de la priode de maximum
La figure 5.1.16 montre pour les pisodes 1996, 1998, 1999 et 2000 que les
concentrations les plus fortes se situent au sud-ouest (Pedregal, Tlalpan et
Plateros) alors que les concentrations les plus faibles sont au nord-ouest
(Chapingo et San Augstin). Ces observations ont dj fait lobjet de remarques
aux diffrents chapitres La qualit de lair pour la Zone Mtropolitaine de la
Valle de Mexico, facteur gographique , Exploration temporelle et
Exploration multivarie . Aussi, cette reprsentation montre priori une
importante variabilit entre les annes, ce qui est peut paratre tonnant puisque
chacun des pisodes est compos de la mme priode de pic ainsi que du mme
estimateur. Ils devraient donc logiquement tres semblables.
Ces reprsentations permettent galement de conclure sur la mthode
dinterpolation utilise (IDW) qui nest pas approprie une observation plus
petite chelle du phnomne rgionalis, les paramtres tant ajusts de faon
optimale (plus particulirement rayon de recherche). En effet, les cartes montrent
des effets de puits et de sources centrs sur les stations de mesure, ce qui nest pas
logique : les stations ne produisent ni ne dtruisent lozone.
32
 Ecart type (h)

1996 1997 1998 ca rt type

1996

3.00E-02

2.50E-02 54
2.00E-02 8 32 72 4
56 58
1.50E-02

1.00E-02

1999 2000 2001 5.00E-03

0.00E+00
0 5000 10000 15000 20000 25000 30000
interva lle h [m]

Figure 5.1.17 : vrification de la stationarit intrinsque pour lpisode 1996

Les mesures sont regroupes par paires puis par intervalle de distance h, afin
Figure 5.1.16 : interpolation par pondration inverse la distance des episodes dobtenir un nombre suffisant de paires pour le calcul des statistiques (libell). Ce
1996 2001, reprsentation des journes les plus reprsentatives de la priode de nombre est valu arbitrairement.
maximum (pisode identifis)
5.1.3.3.6. Analyse structurale des donnes : variographie
5.1.3.3.5. Vrification de la stationnarit intrinsque
La dmarche analytique est systmatique pour chacun des pisodes. Elle
comprend les tapes successives explicites par les sous chapitres suivants. La
La stationnarit intrinsque conduit la notion de variogramme. Lhypothse majorit des traitements sont raliss laide du logiciel spcifique VarioWin
vrifier est linvariance en translation de la moyenne et de lcart-type de la
2.2. La modlisation variographique est effectue dans ArcGIS 9, par son
distance sparant une paire de points (il est admis que la distribution des
extension Geostatistical Analyst.
concentrations est normale). Cette vrification se fait en reprsentant conc(h) et
conc(h). Les graphiques ci-dessous prsentent cette relation pour lpisode 1996. Cartographie des stations
Moyenne (h) Une reprsentation prliminaire permet de vrifier lemplacement des points
moyenne (h) [ppm]
1996
chantillonns (voir figure 5.1.18). Il est en effet possible dintroduire des erreurs
1.00E-01 lors de la cration des fichiers de format .dat permettant la lecture de la variable
9.00E-02 32 72
explorer dans VarioWin.
54 56 58
8.00E-02 8
7.00E-02
Aprs vrification, la saisie des coordonnes semble correcte.
6.00E-02
4

5.00E-02

4.00E-02

3.00E-02
0 5000 10000 15000 20000 25000 30000
inte rvalle h [m]

33
 Les paramtres ajuster sont la direction de recherche, la tolrance angulaire ainsi
que la largeur de bande (voir figure 5.1.19).

Lors dune premire analyse des donnes, la recherche des paires est
omnidirectionnelle. La direction est donc nulle, la tolrance quivaut 90 et la
largeur de bande est infinie.

La prsence de valeurs anormales aux points de mesures spare le nuage dans sa

hauteur et trouble la reprsentation dune ventuelle structure dans les donnes.
En effet, certains points prsentent systmatiquement une variation (hkl)
importante avec les autres stations. Une fois ces valeurs cartes, il est possible de
vrifier lexistence dune ventuelle autocorrlation spatiale.

Figure 5.1.18 : vrification de lemplacement des stations

Nue variographique:
La nue variographique est une premire analyse des donnes. Elle permet le
reprage des erreurs de mesures (quil ne devrait pas y avoir) et des anomalies
(valeurs extrmes). Elle essaie aussi didentifier une autocorrlation spatiale de la
variable.
La nue variographique est la reprsentation de (hkl) en fonction de la distance
entre les paires hkl :

(hkl) = (z(xk) z(xl))2

Pratiquement, la distance maximale hklmax est gnralement choisie comme gale
la moiti de la distance maximale sparant une paire de points sur le domaine
dtude. Dans le cas prsent, lespace est dlimit par les valeurs suivantes :
Figure 5.1.19 : direction de recherche, tolrance angulaire et largeur de bande,
Pannatier, 1996
Tableau 5.1.6 : dlimitation de lespace gographique des stations Lors de la reprsentation de la nue pour chacun des pisodes aucune valeur
X [m] Y [m] extrme na t dtecte. En effet, malgr une structure des donnes qui nest pas
Min 469387 2'127890 toujours vidente (1996), le nuage de points ne se spare pas rellement dans sa
Max 510078 2'159593 hauteur (voir figure 5.1.20).
max 40691 31703

Do hklmax = ((maxX2 +maxY2) ) = 25'500 m.

34
 galement dobserver que les valeurs maximum sont situes ici pour la majeure
partie Pedregal, suivi de Tlalpan. Les valeurs minimum se trouvent Chapingo.
Cette observation concorde encore une fois avec la classification effectue au
tableau 5.1.2.

Tableau 5.1.7 : valeurs limites pour les diffrents pisodes

Episode Valeurs limites min/max [ppm] Station(s)
1996 0.033 / 0.118 LAG / PED
1997 0.033 / 0.112 SAG / TAC
1998 0.029 / 0.141 CHA / TPN
Figure 5.1.20 : nue variographique pour les pisodes 1996 et 2000 1999 0.059 / 0.121 XAL / PED
2000 0.070 / 0.109 TLA et CHA / PED
Une reprsentation cartographique des paires dont la variance est la plus 2001 0.071 / 0.115 PED / TAH
importante permet de localiser les stations pouvant prsenter une valeur extrme.
Pour lpisode 1996 par exemple la station la plus concerne est Lagunilla (voir Finalement certains pisodes prsentent une structure (1998, 2000 et 2001, voir
figure 5.1.21). annexe 9) alors que pour dautres elle est moins vidente (1996 et 1997). Cette
dmarche ne permet cependant pas de conclure quil nexiste absolument pas de
corrlation spatiale entre les points. Il se pourrait par exemple quune structure
soit rvle lors dune tude de la directionnalit du comportement du
phnomne. Il sagit pour en tre sur daller plus en avant dans lexploration
spatiale des donnes.

Cependant, pour 1999 la structure semble presque absente (voir figure 5.1.22). Le
nombre de points tant trop restreint il est impossible dliminer certaines des
valeurs qui pourraient masquer la structure spatiale des donnes (puisquil est
certain quelle existe). Il est donc prfrable dcarter cet psiode dans la suite
des traitements.

Figure 5.1.20 : localisation des stations concernes par des variations

importantes de (h)

Cependant la valeur qui caractrise Lagunilla est de 0.033 ppm, ce qui est une
concentration ordinaire dans labsolu pour la ZMVM. Les autres pisodes ne
prsentent pas non plus de concentration extrme (voir tableau 5.1.7). Cest aussi Figure 5.1.22 : nue variographique pour lpisode 1999
pour cette raison quaucune des valeurs nest limine. Ce tableau permet

35
La reprsentation de la nue variographique sous forme dun histogramme est direction, et par consquent une forte corrlation spatiale entre les valeurs quelle
galement un moyen de faire une premire estimation dun ordre de grandeur du que soit la distance entre les paires de stations.
pas de lintervalle dans lequel seront regroups les paires lors du calcul du
variogramme exprimental (lag spacing). Il sagit de trouver le plus petit Le variogramme surfacique (ou bivari) est une reprsentation en plan de (hkl).
intervalle comprenant un nombre suffisant de paires pour le calcul des statistiques La diffrence avec un variogramme univari est la distinction entre les
ncessaires la construction du variogramme exprimental. composantes x et y du vecteur hkl . Cette distinction permet justement didentifier
la direction de la variation :
20 60
hkl = (hxkl ; hykl)
50 hkl = (hxkl2 + hykl2)
15
40
La reprsentation de ces composantes peut se faire tel que :
10 30

20
5
10

0 0
0 0.5 1 1.5 2 2.5 3 0.15 0.45 0.75 1.05 1.35 1.65 1.95 2.25 2.55
4 4
x 10 x 10
Figure 5.1.23 : histogrammes de la nue variographique pour 1996 (a) lag
spacing = 500 m, (b) lag spacing = 3000

Le premier histogramme correspond au regroupement des paires de valeurs de la

nue variographique pour 1996 dans des intervalles dont le pas est de 500m. Les
frquences sont trop faibles, et le pas est trop petit. Le second regroupe les mmes
paires dans des pas de 3000m. Dans chacune des catgories on retrouve quelques
dizaines de valeurs. Il sagit priori dune bonne frquence pour les calculs. On peut aussi dduire de cette reprsentation que la surface rsultante est
On peut galement observer sur ces graphes que le nombre de paires devient symtrique.
insuffisant partir de ~25000m, ce qui fait dire que lautocorrlation spatiale ne Les distances maximales empiriquement choisies pour lvaluation de la
devrait pas tre considre au-del de cette distance. autocorrlation sont :
Variogramme surfacique : hx max = X max = 40691m 30'000 m
Un variogramme surfacique permet lidentification dun comportement hy max = Y max = 30'703 m 24'000 m
anisotrope27 de la variable tudie, c'est--dire lorsque la structure spatiale change
non seulement en fonction de la distance mais galement de la direction. Cette La reprsentation de la surface ncessite la segmentation de lespace dans
analyse est importante dans le cas de la ZMVM qui subit linfluence complexe de chacune des composantes hx et hy en un nombre dintervalles donn. Le pas de
la convergence de masses dair, ayant par ce biais une influence directe sur la chaque intervalle est donn par lag spacing et le nombre dintervalles par nb.lags.
rpartition spatiale des concentrations. En effet, il en rsulterait un mlange
atmosphrique provoquant luniformisation des concentrations dans cette
hx max = nb. lags.x lag spacing.x
27
hy max = nb. lags.y lag spacing.y
Il sagit dans ce cas dune anisotropie gomtrique : la variance maximale
(seuil) est identique dans toutes les directions alors que la distance dextinction
(porte) de la autocorrlation diffre

36
Le rsultat est la variation (h) dans un diagramme bivari, et dont les limites
sont [-hx max : +hx max ; -hy max : +hy max]. En gnral deux ou trois jeux de paramtres sont utiliss pour essayer dobserver
une tendance. Dans ce cas prcis :

lag spacing.x = 8000-10'000 m

lag spacing.y = 6000-8'000 m

Le choix de cet intervalle est trs important puisque lobservation dune

anisotropie peut tre relative au choix du pas dintervalle, et donc dorigine
artificielle.

On remarque aussi que lorsquun certain nombre de valeurs est supprim la

suite dobservation de valeurs anormales (lors de la reprsentation de la nue
Figure 5.1.24: exemple de variogramme surfacique variographique) le variogramme surfacique rsultant peut paratre trou (voir
figure 5.1.26). Il devient donc plus difficile dobserver une quelconque tendance.
Chacune des cases contient un nombre de paires, spares par une distance h. Ces trous sobservent galement lorsque le pas dintervalle est trop petit.
Par exemple la case (7'900 ;10000) contient 10 paires de points dont
lcartement peut varier entre (79007900/2 ;1000010000/2) =
( 3950:11'850 ; 5'000 :15'000). Sur le mme diagramme, on peut observer des
valeurs de concentration plus particulirement corrles dans la direction ~130.

Le choix du lag spacing doit tre relatif la distance qui spare les stations. Si
lintervalle est trop grand alors la prsence dun trop grand nombre de paires par
intervalle bivari provoque un lissage de (h) (voir figure 5.1.25). Plus aucune
tendance ne peut donc sobserver. Si au contraire le pas est trop petit, les cases ne
peuvent plus contenir de paires. La surface na plus de sens dans ce cas non plus.

Figure 5.1.26 : variogramme surfacique trou : pisode 1999 avec les

concentrations de XAL, CES, BJU, PLA et PED supprimes

Pour tous les pisodes une tendance directionnelle est observe. Lorientation de
la direction principale danisotropie dcrivant la continuit maximale de la
variable28 est grossirement mais systmatiquement oriente Est Ouest (voir
figure 5.1.27). Cette direction est lobservation la plus vidente pour les
variogrammes 1998, 2000 et 2001. Il sagit des mmes pisodes qui prsentaient
une structuration visuellement claire de la nue variographique.

Figure 5.1.25 : illustration dun mauvais choix du lag spacing

28
Aussi, dans le choix du lag spacing, on essaie dobtenir une rpartition la plus La continuit maximale est la direction selon laquelle les variations sont
homogne possible du nombre de paires de valeurs. minimales

37
Les pisodes 1996 et 1997 sont graphiquement moins caractristiques dune
situation anisotrope. La recherche et le calcul de variogrammes directionnels du
chapitre suivant permettent toutefois daffirmer quune structuration
directionnelle existe vraiment pour ces sries. Ceci permet de mettre en vidence
une caractristique importante de lanalyse variographique : il sagit dune
dmarche exploratoire qui peut parfois tre itrative.
Figure 5.1.27 : variogrammes surfaciques (a) 1996, (b) 1997, (c) 1998, (d) 2000,
(e) 2001
Variogramme (omni)directionnel
Un variogramme exprimental tudie la variation spatiale dans une direction
donne lorsque le phnomne prsente un comportement anisotrope
(directionnel), ou dans toutes les directions le cas chant (omnidirectionnel). Il
se construit gnralement en fonction des conclusions tires de la reprsentation
bivarie et constitue la base de lajustement du variogramme modlis (ou
thorique).
Les paramtres ajuster se font sur la base du calcul du variogramme
omnidirectionnel. Il sagit de la distance maximale hmax, peu prs identique
celle fixe pour la nue variographique ( 25'500 m), le pas dintervalle (lag
spacing) et le nombre dintervalles (nb.lag), sur la base des mmes critres que
pour le variogramme surfacique (pas minimum, lissage, absence et rpartition des
paires linterieur des intervalles). On considre gnralement quun nombre de
20 50 paires par intervalle est suffisant. Il faut finalement ajuster encore la
direction danisotropie, identifie par le variogramme surfacique, la tolrance
angulaire (permet une certaine rigueur dans la direction de recherche) et la
largeur de bande (limite lamplitude du vecteur h entre les paires dans la
direction choisie).
Pour tous les pisodes, la tolrance angulaire choisie est de 35, et la largeur de
bande est infinie. Dans labsolu il serait prfrable de prendre un angle de
tolrance le plus faible possible, mais le faible nombre dobservations de
lchantillon (19 stations seulement) indique une valeur plus grande pour laquelle
le nombre de paires par intervalle reste acceptable (dans le cas prsent 10 20
paires). La quantit limite dobservations provoque galement de fortes
diffrences entre deux variogrammes dont les paramtres seraient lgrement
diffrents. Il ne sagit donc pas de se fier une seule direction mais rellement
un intervalle de direction sur lequel le variogramme serait stable. Le pas
dintervalle est compris entre 3'800 et 4000m. Le nombre dintervalles est gal
6-7.
Les variogrammes exprimentaux rsultants (voir figure 5.1.28) prsentent tous
une volution croissante de la variation, ce qui est logique puisque les valeurs
sont corrles en fonction de la distance.
Le variogramme exprimental calcul pour 1998 (175) est particulirement
stable 5, malgr le faible nombre de valeurs. Idem pour le variogramme de
lpisode 2000, malgr la petite inflexion pour les paires de valeurs spares de
17.5 21 km. Cette inflexion est cause par linfluence de la station SAG (=
0.074 ppm).
38
1996, 140
2001, 5

Figure 5.1.28 : variogrammes exprimentaux directionnels (a) 1996 140, (b)

1997 155, (c) 1998 175, (d) 2000 160, (e) 2001 5

Seul lpisode 1996 prsente une volution diffrente. Une variation trs
importante pour des distances entre paires trs petites est repre. Dans ce cas
prcis, il sagit comme pour lpisode 1999 dun valeur ou deux qui seraient trs
1997, 155 diffrentes (tout en tant acceptables dans labsolu) du reste de la srie, plus
particulirement pour des paires de mesures proches. Cette affirmation est
prouve par la suite de lvolution du variogramme, savoir des variances qui
chutent fortement nouveau, se stabilisent puis remontent. La recherche de cette
valeur ou paires de valeurs qui entachent le calcul du variogramme a t ralise
laide des histogrammes bivaris (h-scatterplot, voir figure 5.1.29) ainsi que de la
cartographie des stations (voir figure 5.1.30). La station plus particulirement
implique est Lagunilla, qui mesure la plus petite valeur de la srie (0.033 ppm).
Ce biais sera donc ignor lors de la modlisation du variogramme.
1998, 175

2000, 160 Figure 5.1.29 : h-scatterplot pour les intervalles 1, 2 et 3 du variogramme

directionnel 140 pour lpisode 1996

39
 Sphrique : (h) = c [B]

o B=1 si h a
et B = 2/3(h/a)-1/2( h/a)3 si h a

Figure 5.1.30 : reprage de la station Lagunilla

Le premier intervalle (0 ~4000 m) ne contient jamais de paires, ce qui rend Exponnentiel : (h) = c [1-exp(-3h/a)]
lestimation de la ppite difficile. Comme mentionn prcdemment une erreur
initiale due des erreurs systmatiques de mesure ou aux variations trs petite
chelle du phnomne est sans doute ngligeable dans le cas de lozone, compte
tenu de la grande fiabilit des donnes diffuses par lINE.

Modlisation du variogramme
Lajustement dune fonction thorique de covariance produit un variogramme dit
modlis *(h) dont les paramtres conduisent linterpolation de la variable
dintrt. Les principales fonctions dajustement utilises figurent ci-dessous, o c
est le seuil et a la porte.

nugget (ppite) : (h) = (0) = const.

Gaussien :(h) = c [1-exp(-(3h)2/a2)]

40
Le modle gaussien est particulirement bien adapt la modlisation de relation les rsultats obtenus avec dautres paramtres dinfluence de la
phnomnes extrmement continus, il semble donc particulirement bien adapt distribution afin de valider un modle. Pour lozone troposphrique il sagirait
la modlisation des concentrations dozone. Ce modle est donc utilis pour notamment des courbes de niveau, la couverture du sol, les vents de basse
lajustement de lensemble des variogrammes exprimentaux. altitude, etc.

Lors de la modlisation, il est galement possible de combiner linairement

plusieurs fonctions dajustement ( nested model ), par exemple lorsque les
donnes prsentent un changement brusque de pente, indiquant le passage une
nouvelle structuration des valeurs dans lespace. Ce type de modlisation na pas
trouv raison ici. Dune part la faible quantit de paires disposition fait quil
semble imprudent de faire des ajustements trop sophistiqus, et dautre part de
tels changements nont pas t observs parmi les diffrents pisodes. Il aurait
galement t possible de combiner le modle gaussien avec un effet de ppite,
mais lestimation de celle-ci (erreurs de mesures + variation micro-chelle du
phnomne) parat trop risque.

De manire plus gnrale, les superpositions de modles permettent une

modlisation plus juste. Il est cependant gnralement recommand de ne pas
surmodliser un variogramme exprimental. En effet, la signification
physique des structures corrles perdent une partie de leur sens lorsque ces Figure 5.1.31 : exemple de validation croise, cas dapplication au modle de
structures sont le rsultat de la superposition de modles. lpisode 1996

La modlisation a t ralise laide de Geostatistical Analyst (extension De manire gnrale quatre parmi les cinq modles sont jugs valides . Il sagit
ArcGIS 9 ) afin de pouvoir introduire les paramtres de VarioWin 2.2 de la des modles des pisodes 1996, 1997, 2000 et 2001. La validit est quantifie par
manire la plus complte possible dans un SIG pour linterpolation. le calcul que langle de la droite 1:1 (modle parfait) fait avec la droite de
rgression sur les nouvelles valeurs estimes (voir tableau 5.1.8).
Validation croise
Les diffrents modles sont valus laide de la dmarche de validation croise. Tableau 5.1.8 : mesure de validit des modles
Le modle dautocorrlation spatiale est construit sur la base de lensemble des modle mesure de validit
observations. Pour valider le modle, chacune des observations est retire puis 1996 18
calcule une une laide du modle estim. La nouvelle estimation est ensuite 1997 24
compare la mesure actuelle. Le rsultat devrait sapprocher le plus possible 1998 35
dune droite de pente 1:1, compte tenu du fait que le calcul de la nouvelle 2000 25
estimation se sert de tous les points prsents (ce que la procdure dinterpolation 2001 28
restreint en gnral pour nimpliquer que les paires de points spars dune
distance maximale, au-del de laquelle les mesures ne devraient plus Dans le cas prsent cette validation tient compte de paires situes plus de 50 km
sinfluencer), ainsi que du fait que linterpolation par krigeage a gnralement dcart pour calculer une autocorrlation qui devrait steindre ~20-25 km !
tendance sousestimer les valeurs importantes et surestimer les valeurs faibles, ce Malgr cette remarque, le modle dautocorrlation pour 1998 reste plus ou moins
qui implique une pente lgrement plus faible (voir figure 5.1.31). La validation incertain. Le manque de prcision de la modlisation de lpisode 1998
croise est donc un bon outil qui limine les rsultats faux, mais qui ne permet pas proviendrait ventuellement de la prsence dune ou deux valeurs provoquant des
de choisir entre deux bons modles . Il pourrait en effet tre prfrable de se variations extraordinaires (grandes ou faibles) dont il a t question au tableau
rfrer des connaissances plus pousses sur le phnomne, ainsi que mettre en 5.1.7.

41
5.1.3.3.7. Rsultats : Ce graphique signifie par exemple pour la station n1 (Lagunilla) que la
concentration journalire slectionne pour la reprsentation de lpisode
Vrification de la validit des pisodes 2001 est de 89 ppb et que cette valeur oscille approximativement de plus
A cette tape du travail la question qui se pose est celle de la pertinence de ou moins 18 ppb sur lensemble de la priode de maximum considre.
chacune des situations reprsente parmi les deux mois de maximum desquels les
pisodes ont t slectionns (rappel : un pisode est lestimation dune journe 4. normalisation des deux sries par lamplitude, ce qui permet de mieux
de mesures horaires par la mdiane). Cette dmarche est analogue celle du nuancer la correspondance :
chapitre Reprsentation prliminaire des donnes . Afin de rpondre les
pisode 2001 mdiane des carts
calculs suivants ont t appliqus aux pisodes 1996, 1997, 1998, 2000 et 2001 :
1.20

1. calcul dune matrice des carts entre mdianes journalires (des deux
mois de mesures) et mdiane journalire slectionne (celle dont les 1.00

carts la mdiane sur lensemble des 60 jours sont minimaux)

0.80

Conc. norm alise

2. observation pour quelques cas de la distribution des carts et calcul de la
mdiane des carts (la distribution prsente un grand nombre de petits 0.60

carts, les grands carts sont de manire gnrale beaucoup moins

frquents). 0.40

3. reprsentation des concentrations de la journe slectionne par rapport 0.20

la mdiane des carts, afin dvaluer quelle en est leur proportion :

0.00
pisode 2001 mdiane des carts 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

0.12 Sta tions

Figure 5.1.33 : reprsentation normalise de la validit des pisodes
9

8
10

10
0.

0.
03
1

1
10

0.
7

7
0.
09

09

0.1
0.

0.

Les carts entre les deux sries varient de 0 0.15 units.

9

09

09
8
08

7
08

08
0.

0.
0.

0.

0.
08
9

9
8

0.
07

07
07
0.

0.
4
0.
07

0.08
1

5. cumul des carts et des concentrations sur les stations et calcul de la

07
0.

07

07
concentration [ppm]

0.
0.

0.

proportion de lcart mdian cumul par rapport la valeur de

0.06
concentration cumule de la journe slectionne. Cet indice synthtique
porte peu de sens. Il permet cependant de comparer les pisodes entre
0.04
eux. Pour les sries 1996, 1998, 2000 et 2001 cette proportion est de 19
4
3

02

24%. Seul lpisode 1997 prsente une proportion dcarts de 31%. Cette
02

02
1

1
02

02

02

0.
9

9
02
8

0.

0.
01

01

01
7

7
01

0.

0.

0.
6

6
01

01

01
0.

5
01

01
0.

0.

0.
01

01
0.

0.02
valeur signifie que la reprsentation de cet pisode est relativement la
0.

0.

0.
2
0.

0.
01
0.

0.
0.

moins pertinente.
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
sta tions

Figure 5.1.32 : reprsentation de la validit des pisodes

42
Elments dinterprtation
La reprsentation spatiale du comportement de variables de pollution
atmosphrique se fait gnralement laide de modles eulriens tridimensionnels de la troposphre (notamment tempratures, vitesses et directions des vents). Les
transport-chimie. Le but de ce type de modlisation est la rsolution des quations
du transport, de la transformation chimique et de la diffusion des polluants. Le
rsultat est la reprsentation pour un intervalle de temps dfini des volutions
temporelle (pas de temps horaire) et spatiale du comportment des polluants. Cet
intervalle slectionne une succession de 24 48 heures de valeurs maximum lors
dune campagne de mesures de terrain ralise durant les mois de forte
concentration. Le choix de cet intervalle est relatif certains des objectifs
poursuivis par ce type de modlisation, savoir :
- la comprhension des diffrents processus physico-chimiques
responsables de la formation de la pollution
- la dtection dans lespace et le temps de seuils de valeurs dalarme,
permettant la mise en place de mesures durgence
- la prdiction de ces valeurs
Rotach, 2002), dont lajustement des paramtres est spcifique aux conditions
urbaines prsentes dans la ZMVM, simule les diffrents champs mtorologiques
valeurs rsultantes sont ensuite introduites dans le photochimique TAPOM. Les
paragraphes suivants prsentent donc les rsultats du modle pour le 2 mars 1997.
Dun point de vue mtorologique :
Lozone tant un polluant secondaire, et par consquent form la suite multiples
ractions chimiques, les paramtres mtorologiques (notamment les vent de
basse altitude) sont pour une grande partie responsables de la distribution des
concentrations de ce polluant. Ltude de champs de vents proches de la surface
rvle une situation complexe, fortement influence par le relief (sytmes
mcaniques) ainsi que par la couverture et la pente du sol (systmes thermiques).
Une ligne transversale Est-Ouest de convergence des vents est mise en vidence
au Sud de la valle par le modle meso chelle et confirme par des mesures de
terrain. Cette dmarcation est en partie explique par la combinaison de deux
types de vents :

1. un vent de valle typique, pntrant la valle par une ouverture dans le

Le temps est, dans ce travail, la variable qui diffrencie les rsultats de la relief au SSE, situe ~ 2500-2700 m.
modlisation photochimique des cartes interpoles gostatistiquement. Dune 2. un vent gostrophique orient NS, provoqu par la situation
part, la journe reprsente (slectione parmi les mois de forte concentration) gographique du Mexique
agrge des mesures horaires sous la forme dune mdiane, dautre part la
procdure de slection et dagrgation est ralise sur chacune des annes de Le panache de pollution devrait priori tre fortement influenc par cette
mesure disposition. Les objectifs sont galement diffrents : la cartographie situation complexe (voir figure 5.1.34). De plus, cette configuration des vents ne
dune situation reprsentative dune priode de maximum, ceci laide dune prsente pas de caractre saisonnier et devrait par consquent tre valable aussi
seule variable (la concentration en ozone), permet un suivi temporel plus grande pour les mois davril et mai.
chelle, danne en anne, afin dvaluer la chronicit des valeurs atteintes ainsi
que des surfaces touches, sous rsrve de mesures comparables dune anne
une autre.
Malgr cette diffrence importante, lutilisation des rsultats de la modlistaion
dterministe permet ici une meilleure interprtation ainsi quune sorte de
validation de la cartographie obtenue pour les diffrents pisodes, celle-ci
tant le rsultat dune analyse purement statistique.

Le comportement de la pollution atmosphrique de la ZMVM est tudi par le

Laboratoire de Pollution Atmosphrique et des Sols (LPAS) laide du modle
TAPOM (Junier M., Kirchner, F., Clappier A. et van den Bergh). Dans un
premier temps le modle meso chelle (FVM, Martilli A., Clappier A. et M. W.

43

Figure 5.1.34 : relief Valle de Mexico, triangulation de courbes de niveau
quidistantes de 100m, reprsentation des vents et de la ligne de convergence
Dun point de vue comportement des polluants:
Rappelons que lozone est un polluant secondaire dont la formation peut tre
explique par la raction suivante :
Les NOx (NO, N2O5, NO2) sont un ensemble de polluants dits primaires. Leur
prsence est provoque par mission directe. Ils sont les prcurseurs de la
formation dozone. Le secteur des transports est la principale source dmission
pour la valle de Mexico ( plus de 82% en 2000). Cependant lorsque lozone est
proximit directe des NOx, de jour on assiste une dcomposition chimique des
molcules selon la raction suivante :
NO + O3 NO2 + O2
En effet lorsque la concentration en monoxyde dazote augmente fortement, O3
est trs vite dissoci. En revanche, lorsquil est en concentration moyenne le VOC
sert de carburant dans le mcanisme suivant :
NO2 + O2 O3 + NO
NO + VOC NO2 + VOC
Le NO recycle donc le NO2.
Ces ractions mnent penser quune source importante dmissions de NOx
pourrait ventuellement expliquer lapparition de surfaces o lozone est en faible
concentration. Or les sources pour la ZMVM sont linaires et ramifies. Le rseau
routier y est trs dense. Il parat donc priori plus difficile didentifier ce type de
phnomnes sur des cartes de cette chelle (par opposition avec des sources
ponctuelles par exemple).
La concentration obtenue de dioxide dazote au 2 mars 1997 laide du modle
photochimique TAPOM est prsente la figure 5.1.35. Les coordonnes sont
dfinies localement (X=[0 ;200], Y=[0 ;280])29. Ces images permettent de
localiser les principales sources dmission ainsi que lheure et la dure du pic.
Les heures reprsentes sont donc choisies en consquence. Les deux maxima
apparaissent 10h et 20h, au centre Ouest de la valle.
29
Les reprsentations issues de modles photochimiques seront gorfrences
par la suite afin de pouvoir tre compares aux modlisations gostatistiques.
44
Figure 5.1.35 : concentrations horaires de NO2 au 2 mars 1997 pour 10 et 20
heures

Une volution plus dtaille de la concentration dozone au 2 mars 1997 est

prsente la figure 5.1.36. Les concentrations sont galement obtenues par
lutilisation de TAPOM. Lintervalle reprsent correspond lintervalle de
temps sur lequel les donnes ont t agrges pour ce travail (12 18 heures)

Sur la figure 5.1.36 Les concentrations maximales atteintes se situent entre 140 et
150 ppb. La zone de pic semble se former entre 13 et 14 h en (X0,Y0) = (100,120).
Le panache se dplace ensuite transversalement dEst en Ouest, selon laxe de
convergence prsent la figure 5.1.34, pour venir se plaquer contre les versants
~ NE de la vall en (X,Y) = (60,120).

Figure 5.1.36 : volution horaire des concentrations dozone au 2 mars 1997 de

12 18 hueres

45
Description des cartes
La classification des concentrations est la mme pour tous les pisodes. Elle
permet par consquent la comparaison des cartes rsultantes. La mthode retenue
dcoupe lensemble des valeurs (tous pisodes confondus) en 10 classes dont les
bornes sont dfinies par les quantiles q10% q100%. Ce choix est justifi la
suite de multiples essais par une meilleure rpartition du nombre de valeurs dans
chacune des catgories. La classification des incertitudes est galement ralise
sur lensemble des valeurs, toujours afin de pouvoir comparer les cartes entre
elles, mais elle dcoupe les pisodes par intervalles quidistants. Cette chelle de
classification parat plus approprie linterprtation des incertitudes.

La zone interpole se situe au centre-Sud de la ZMVM. Elle est reprsente la

figure 5.1.37.

Figure 5.1.37 : ZMVM, localisation de la zone interpole

46
Une vue densemble des interpolations est prsente ci-dessous :

Interpolation Erreurs Interpolation Erreurs

1996 1996 2000 2000

1997 1997 2001 2001

1998 1998

Figure 5.1.38 : vue densemble des pisodes interpols

47
Cette vision globale permet quelques observations gnrales sur les
concentrations interpoles. Premirement la variabilit spatiale interannuelle
est importante. Ensuite quelques observations systmatiques peuvent toutefois
tre mises en vidence :

1. des structures spatiales longitudinales, orientes EO, par exemple pour

1998:

Figure 5.1.39 : interpolation de lpisode 1998 et carte des incertitudes,

illustration des structures longitudinales

2. les concentrations les plus importantes sont localises au SO de la zone
interpole (Pedregal et Tlalpan), et les concentrations les plus faibles sont
au NE (Chapingo et San Augustin). Cette situation est bien illustre par
lpisode 2000. Lpisode 2001 est de ce point de vue un peu atypique.
Figure 5.1.41 : interpolation des pisodes 1997 et 2000 et carte des
incertitudes, illustration de la prsence dun double panache
Les deux stations TAX (Taxquea) et CES (Cerro de la Estrella) se
retrouvent systmatiquement dans la zone de faible concentrations.

4. pas/peu deffet de puits ni de source.

5. Quelques remarques gnrales concernant les cartes des erreurs peuvent

galement tre faites. En effet, les pisodes 1996 et 1997 prsentent une
directionnalit importante. Les incertitudes pour ces deux annes sont
galement les plus importantes puisquelles atteignent ~30-40 ppb. Les
pisodes 2000 et 2001 prsentent en revanche des erreurs maximales
relativement faibles (10 20 ppb).

Figure 5.1.40 : interpolation de lpisode 2000 et carte des incertitudes, 6. on remarque aussi quelques artefacts de linterpolation, certainements dus
illustration des zones de concentrations min et max au trop faible nombre de stations de mesure.

3. la prsence dun double panache spar dune zone circulaire de faibles

concentrations, exemple des pisodes 1997 et 2001.

48
Interprtation
Ltape dinterprtation des cartes essaie dune part dvaluer le ralisme
de ces modles gostatistiques par comparaisons avec les rsultats de modles
photochimiques, dautre part de fournir des explications visuelles
complmentaires (par superposition de couches gographiques) quant au
comportement du phnomne sur la base des observations ci-dessus.
Aussi une incertitude de plus ou moins 20% sur la concentration est admise. Il
nest donc pas recommand dinterprter au-del de cette valeur.

Dans un premier temps les structures spatiales longitudinales dEst en Ouest

sont certainement lies la ligne de convergence des vents dcrite plus haut.
Un parallle peut tre galement tre fait avec le dplacement transversal de la
zone de maximum lors de la simulation dun pisode type par le modle
TAPOM (voir figure XXX).

Ensuite, les simulations de modles photochimiques concordent gnralement
bien avec les zones de maximas (Sud-Ouest : Pedregal PED et Tlalpan
TPN) et minimas (Nord-Est : Chapingo CHA et San Augustin SAG), sauf
pour lpisode 2001 qui semble tre un peu particulir de manire gnrale.
Ces zones prsentent des estimations de limprecision faibles (~0-10 ppb)
puisquelles se trouvent proximit directe de stations de mesure.
La distribution spatiale des concentrations semble tre fortement influence par
le relief (voir figures 5.1.42 et 5.1.43), ce qui peut tre expliqu au final par le
transport des polluants. On peut observer une zone circulaire (encadrs rouges)
de faibles concentrations gnralement localise sur un haut point du relief
(200-500 m). La forte incertitude (~ 30 ppb sur des valeurs de ~ 80 ppb) sur la
partie Est de cette zone pour lpisode 1996 met toutefois en doute la
pertinence de lencadr.
Figure 5.1.43 : pisode 2000, incertitudes et carte des incertitudes, influence
du relief sur la distribution des concentrations, courbes de niveau 100 m
La zone de faibles concentrations tant plus ou moins circulaire, on pourrait
galement supposer la prsence dun pige NO qui dtruirait de manire
instantane toute lozone prsente. Pour vrifier cette hypothse une
superposition des pisodes 1996 2001 avec les cartes de la figure 5.1.35 a t
ralise. Les deux objets (pic de NO2 et zone circulaire) apparaissent spars de
plus de 30 km.
La localisation de la partie la plus importante des industries moyennes et
grandes (NNO, voir figure 5.1.44) peut vouloir dire deux choses:
- soit un dplacement de la pollution primaire en fonction du
dplacement des masses dair vers le Sud o lozone peut se former
- soit une forte mission de polluants primaires provoquant la
destruction de lozone

Une combinaison des deux hypothses est possible.

Figure 5.1.42 : piode 1996, interpolation et carte des incertitudes, influence

du relief sur la distribution des concentrations, courbes de niveau 100 m
49
 la forme de la mdiane poserait-elle donc un problme de dcalage
temporel ? La reprsentation dun double panache ne serait alors quune
question de dynamique dun seul panache, situation gnralement simule par
les modles photochimiques. La vrification de la prsence dune ventuelle
dynamique pourrait se faire visuellement par la cartographie des mesures
horaires de cette mme journe. Compte tenu du temps restant disposition il a
t choisi de procder une analyse quantitative un peu plus grossire. Il sagit
donc de slectionner trois groupes de stations situes dans les trois zones
tudier, savoir dans le premier panache (A), dans la zone de valeurs
minimales entre les deux panaches (B), et dans le second panache (C) :

Figure 5.1.45: localisation des groupes A, B et C

La vrification se fait en calculant pour chacune des stations lintrieur de

chaque groupe un delta dun heure lautre (de 12 18h). Tous les lments
dun groupe devraient prsenter la mme volution des valeurs de delta dans le
temps. Les rsultats escompts dans le cas o il y aurait un dcalage temporel
important devraient se prsenter tels que :

Figure 5.1.44 : localisation des grandes et moyennes industries, superposition

en transparence de lpisode 1996
.
La prsence dun double panache pose la question suivante. En admettant
quun dplacement significatif des masses dair se fasse un chelle horaire
(ou moindre) les concentrations dans lespace de la valle seraient certainement
conduites suivre la mme allure. Lagrgation dune journe de mesure sous
50
 80

C 60
Groupe A
40

20

delta [ppb]
0
1 2 3 4 5 6
-20

-40

-60

12h 18h -80

C heure [h]
Groupe B Figure 5.1.47 : station PLA, extraite du groupe A, volution du delta en
fonction de lintervalle horaire
60

40

20

0
1 2 3 4 5 6

-20

-40
C
Groupe C -60

-80

Figure 5.1.48: station CES, extraite du groupe B, volution du delta en

fonction de lintervalle horaire
60

40

20

0
1 2 3 4 5 6

Figure 5.1.46 : rsultats escompts dans le cas de lexistence dune dynamique

-20
temporelle sous-jascente aux pisodes reprsents
-40

Les rsultats les plus caractristiques pour les deux premiers groupes se
prsentent aux figures 5.1.47 5.1.49. Les courbes pour les groupes A et C -60

ressemblent un peu aux rsultats escompts. Pour le groupe B la relation est

-80
moins vidente. Cette analyse ne permet pas rellement de conclure. Elle
Figure 5.1.49 : station PED, extraite du groupe C, volution du delta en
renforce cependant plus ou moins une hypothse de dcalage temporel et incite
fonction de lintervalle horaire
aller chercher plus avant.

51
5.2. Contexte environnemental 5.2.1.1. Description du modle

Lobjet de ce chapitre est la prise en compte des rsultats prcdents dans un
contexte environnemental plus gnral. Le but de la dmarche tant de runir
lensemble des facteurs et enjeux impliqus par le danger dozone , afin de
pouvoir en mesurer les consquences.
Les rsultats prcdents mettent galement en vidence la difficult que la
modlisation gostatistique peut avoir expliquer le comportemement de
lozone troposphrique. En effet, sans connaissances pralables (littrature
scientifique, reprsentations issues des modles transport-chimie, etc.) il
naurait pas t possible dvaluer la vraisemblance des cartes obtenues
autrement que gostatistiquement , ce qui nest pas envisageable compte
tenu de la complexit du comportement de ce phnomne. Rappelons encore
que lozone est un polluant secondaire, dont la concentration est fortement
dpendante dun point de vue spatial et temporel des mcanismes physico-
chimiques de formation, ainsi que des conditions atmosphriques (notamment
mouvements de masses dair). Cette complexit explique pourquoi il nest pas
question dans ce travail dutiliser la modlisation gostatistique des fins
prdictionnelles.
Le but est pour lutilisateur (le dcideur) de mesurer le risque dozone sur
les diffrents objets exposs (population, surfaces agricoles, surfaces vertes,
etc.), compte tenu des diffrents facteurs dinfluence (missions, relief, zones
habitables, etc.), et donc de prendre des mesures concrtes lorsquelles sont
possibles. Il dfinit lorientation donne au modle.
Le modle prsent ci-dessous est ralis laide du logiciel Perceptory. Le
langage formel utilis est UML.
Ce modle ne tient compte que des donnes disponibles collectes sur place, et
nest par consquent pas complet. Quelques attributs supplmentaires ont
toutefois t imagins dans loptique du modle. Les gnralisations non
exhaustives sont notes .

Lide ici est dinsrer les pisodes de danger dozone dans un modle
spatial descriptif de la ZMVM. Le but de ce modle serait la gestion du risque
li la pollution atmosphrique par lozone troposphrique.

5.2.1 Modlisation conceptuelle

La modlisation conceptuelle est une description conceptuelle des structures de
donnes relatives une application. Lapplication dans ce cas prcis est la
gestion du risque environnemental li la pollution de lair par lozone
troposphrique dans la ZMVM.

La conception dun outil daide la dcision passe invitablement par une

modlisation conceptuelle de la base de donnes spatiale projete. En effet, le
nombre trop important des lments lis au risque de pollution par lozone ainsi
que la complexit des interdpendances entre ces lments justifie cette tape.
Elle permet donc daborder ainsi que de dcrire formellement les besoins de
lutilisateur.

52
 5.2.1.2. Schma conceptuel

Figure 5.2.1 : schma conceptuel

53

5.2.1.3. Description des objets du modle
Les gnralisations sont en gras soulign, les classes dentit sont en gras, les
attributs sont en italique, les attributs imagins sont en italique suivis de (i)
et lidentifiant en italique soulign. Les relations sont en gras et sont suivies du
symbole () .
Danger_O3 et Objets_exposes sont les classes dentits les plus
importantes du modle.
Chaque tuple est identifi par un Episode_O3. Le second attribut
est Conc_max_O3 , la concentration maximale atteinte pour un
pisode.
Objets_exposes est le deuxime lment central du modle. Il est
une gnralisation des diffrents objets ci-dessous. La liste est
non eshaustive. Une contrainte {inclusive} sapplique cette
gnralisation, ce qui signifie que Danger_O3 peut affecter
plusieurs Objets_exposes la fois.
Surfaces_agricoles : les surfaces agricoles sont affectes par une diminution
du rendement des cultures, notamment par laction oxydante de lozone sur les
feuilles des plantes, ne pouvant par consquent raliser une photosynthse que
partielle. Lidentifiant est Num_SA, un numro de parcelle . Les autres
attributs sont type_culture, cest--dire cultures annuelles ou pluviale par
exemple, propritaire_SA (i), une valeur caractrisant la sensibilit de la
culture lozone et sensibilit_SA (i). En effet, lozone est le polluant
atmosphrique de loin le plus nocif par son action directe sur la vgtation
(BUWAL, 1999). Pour les espces sensibles, une brve exposition de fortes
concentrations suffit pour provoquer des altrations visibles des feuilles, tout
particulirement chez les lgumineuses (soja, haricot, etc.). Les pollutions
persistantes comme cest le cas pour la ZMVM provoquent des troubles
chroniques, une croissance diminue, une production rduite de substances de
rserve ainsi quune vulnrabilit accrue aux maladies. Les baisses de
rendements agricoles occasionnes peuvent atteindre jusqu ~15% selon les
cultures, la rgion et lanne. Il est important de dire que ces surfaces sont
cependant localises pour la pluspart au Sud de la valle, et que le rseau de
mesures ne permet actuellement pas dinterpoler de manire fiable la
concentration dozone sur les surfaces les plus loignes du centre.
Surfaces_vertes : les surfaces vertes sont gnralement des jardins publics,
parcs, bandes de vgtation urbaine, etc. (type_SV). Elles sont identifies par
Num_SV. Les autres attributs permettent la dnomination et la localisation
(Nom_SV, Adresse_SV), o encore de sinformer sur le Responsable ou encore
ltat dEquipement de la surface.
Population : cette classe est un peu complexe au sens o la population est
dfinie par AGEB (Area Geostadstica Bsica), do lidentifiant Num_AGEB.
Ces units gostatistiques font partie de lensemble des dmarcations
gostatiques nationales. Elles ont t dfinies lors du dernier recensement de la
populaion en 2000 par lInstitut National de Statistique, Gographie et
Informatique (INEGI). Chaque AGEB contient 1 50 pts de maisons ou
autres btiments ainsi quune population gale ou suprieure 2'500 hab. La
dlimitaion est fonction des rues, avenues ou autre objet clairement dfini dans
le territoire. Les autres attributs sont Surf_AGEB et Nb_hab, ce qui donne au
final une densit de population par AGEB.
Population est une classe importante. Elle est lobjet expos qui a le plus
dinfluence sur les missions de Polluants primaires, par lintermdiaire de
lutilisation des Transports ainsi que par la consommation () de produits
industriels. Il sagit galement dun objet dont la situation gographique, par
lintermdiaire de Delimitation_territoriale, pourrait ventuellement tre
contrle.
Delimitations territoriales : cette classe est identifie par
Num_DT. Les attributs sont Nom_DT, Surf_DT, Prim_DT,
Type_DT et IDH_DT. Type_DT peut prendre les valeurs
Municipalit ou Dlgation . En effet, lorsque la zone est
lintrieur du Distrito Federal les dlimitations territoriales forment des
dlgations. Hors du DF, dans lEtat de Mexico, les dlimitations forment des
municipalits. On pourrait galement imaginer dans la base de donnes un
dcoupage des zones en fonction de loccupation du sol (zones habitables,
zones commerciales, zones industrielles, zone de services, etc.). Une sorte de
plan daffectation existe en ralit, mais est trop rcent pour tre mis en
pratique. La croissance fulgurante de la ville est galement un facteur qui
empche lapplication de ce type de loi.
Transports : le secteur des transports, notamment la circulation
routire, est la principale source dmission des prcurseurs de
lozone. Les attributs relatifs aux sous-classes de Transports
pourraient entre autres permettre une estimation des missions.
Cette superclasse gnralise de manire {inclusive} mais non exhaustive le
Reseau routier et le Reseau mtropolitain. En effet, ces deux classes dobjets
peuvent soit emettre () des NOx, soit etre utilise () par la population.
Cette super-classe pourrait galement tenir compte de laroport qui est une
source importante dmissions, mais pour lequel les donnes ne sont pas
disponibles.
54

Reseau routier : lidentifiant est Num_tronon, les autres attributs sont
Type_voie (voie principale ou secondaire ), Longueur_tronon,
Capacit_tronon (i) et Flux_tronon (i). Capacit serait le nombre de
vhicules que linfrastructure pourrait supporter, et Affluence serait un fllux
journalier de vhicules.
Reseau metropolitain : lidentifiant est Num_ligne, les attributs sont
Nom_ligne, Longueur_ligne, Capacit_ligne, Affluence_ligne et Parcours.
Capacit_ligne et Affluence_ligne sont dans le mme esprit que pour le Reseau
routier.
Relief : le relief a ici une forte influence sur le dplacement des
masses dair proches du sol et par consquent de lozone. Les
attributs sont Num_courbe et altitude.
Plans deau : les plans deau ont galement une influence dur
le dplacement des masses dair. Cette influence est fonction de
la dimension du plan deau. Les attributs sont Num_PE,
Nom_PE, Surf_PE et Prim_PE.

Industries : le secteur industriel est la principale source

dmission des VOC. Une grande partie des industries (moyennes
et grandes) sont rpertories, cependant la croissance dmesure
de la ville fait quune grande partie encore de petites industries ne
sont pas recenses. Les attributs sont Num_ind, Tutelle, Propritaire_ind,
Adresse_ind, Type_mission et Flux_VOC.

NOx : les NOx sont principalement mis (est emis par ()) par le secteur des
transports. Ils font partie de la super-classe {inclusive} Polluant_primaire.
Lobjet est de type surfacique. Les tuples sont identifis par un Episode_NOx.
Conc_max_NOx est la concentration maximale atteinte au cours dun pisode.

VOC: les VOC sont principalement produits par le secteur industriel. La classe
possde le mme type dattributs que les NOx. Un seul les distingue :
Type_VOC. Il existe en effet un grand nombre de VOC diffrents impliqus
dans la formation dozone. Cette classe fait galement partie de la super-classe
{inclusive} Polluant_primaire.

Polluant_primaire : les polluants primaires NOx et VOC sont

prcurseur de () Danger_O3. Polluant primaire regroupe des
objets surfaciques identifis

Facteurs_morphologiques_dinfluence : les facteurs dinfluence devraient

tre atemporels , contrairement aux paramtres mtorologiques par
exemple. En effet, les paramtres mtorologiques disposition (temprature
et humidit relative) voluent sur une mme chelle de temps que lozone. Or
lintgration de la variable temps tant dj complexe pour lozone, il nest pas
envisag dans ce travail de procder de la mme faon pour la temprature et
lhumidit relative. Cette gnralisation est {inclusive} et non exhaustive.

55
5.2.1. Base de donnes gographique 5.2.2. Reprsentations cartographiques
La base de donnes gographique correspondante a t implmente Les quelques reprsentations suivantes illlustrent certains des aspects du
manuellement dans ArcGIS 9. Quelques modifications ont t ralises afin modle conceptuel, notamment lexposition et les missions.
de pouvoir bnficier directement de la structure des couches disposition. Par
exemple Reseau_routier sest scind en Reseau_routier_princ et
Reseau_routier_sec, tous deux ayant les mmes attributs. Il en est de mme
pour Delimitation_territoriale.

Figure 5.2.2 : base de donnes gographiques

Cette base de donnes est utilise pour illuster quelques uns des aspects du
modle descriptif construit. Une image satellitaire Landsat 7 ETM est dans ce
cas un outil disposition pour lanalyse visuelle.

Figure 5.2.3 : densit de population par AGEB pour la ZMVM

56
Figure 5.2.4 : indice de sensibilit des cultures lozone des surfaces agricoles Figure 5.2.5 : surfaces vertes urbaines de la ZMVM
de la ZMVM
57
Figure 5.2.6 : principales sources dmissions industrielles (grandes et Figure 5.2.7 : rseau routier principal de la ZMVM
moyennes)
58
6. Synthse des principaux rsultats et
conclusions
Lintrt des principaux rsultats de ce travail peut tre considr deux
niveaux, le premier tant relatif au caractre exploratoire de ltude, le second
tant de nature plus qualitative, savoir comment intgrer de faon structure
un danger dozone un contexte environnemental comme celui de la
ZMVM.
Dun point de vue exploratoire, outre lobtention dpisodes priori
temporellement cohrents et comparables, les diffrents traitements effectus
ont permis de lobservation des comportements suivants:
- les valeurs de minimum et de maximum se retrouvent
systmatiquement aux mmes endroits : Chapingo et San Agustin pour
les valeurs de minimum et Pedregal et Plateros pour le valeurs de pics.
- La variabilit interannuelle entre les mesures et les situations de
pollution reprsentes est importante.
- Il existe ici une relation vidente entre lamplitude des valeurs
mesures et la variabilit des mesures au mme point
- Des stations plus particulirement impliques dans lexplication du
phnomne ont t identifies la suite dune analyse en composantes
principales
- Certains rsultats redondants mnent penser que lensemble des
traitements est cohrent.
Notons encore que lidentification dpisodes de pollution est un rsultat
important puisquil permet un suivi graphique dans le temps de lvolution des
conditions atmosphriques. En effet, l volution historique des
concentrations a jusqualors t loutil de gestion dont le gouvernement
disposait. Il sagissait plus prcisment du calcul du pourcentage de jours
durant lesquels la norme est dpasse.
Dun point de vue plus spcifique de lexploration spatiale des donnes, la
validit des modles semble vrifie. Lpisode 1998 est cependant un peu
marginal, et le faible nombre de paires de mesures fait partie des points faibles
de cette analyse variographique.
En ce qui concerne la comparaison des deux types de modlisation (transport-
chimie et gostatistique), certains des comportements reprsents apparaissent
similaires. On dnote galement pour les deux types de modles limportance
joue par le relief, par son action indirecte sur le mouvement des masses dair.
Cependant linterprtation des rsultats a mis en vidence la difficult qui
existe intgrer la composante temporelle au problme de la spatialisation de
lozone par les mthodes gostatistiques. Lexistence dune ventuelle
dynamique temporelle sous-jascente aux pisodes identifis aurait comme effet
de remettre en question lidentification de ces pisodes.
Le second niveau de considration des rsultats est leur intgration dans un
contexte environnemental qui est celui de la ZMVM. Le modle conceptuel
imagin fait preuve au premier abord dun certain manque de ralisme.
Lintrt du modle rside cependant moins dans son contenu en termes
dattributs et de prcision des relations que dans la structure du modle. En
effet, celui-ci prsente de manire structure les principaux objets dont il est
faut tenir compte pour le suivi du danger dozone. Il pourrait en effet tre
possible de procder au mme type de dmarche pour la gestion du danger li
aux missions de particules par exemple.
7. Remerciements
Au terme de cette tude je remercie MM. Rgis Caloz et Alain Clappier pour
leur attention et le suivi de mon travail.
Je remercie galement MM. Emmanuel Gaillard (Ecole des Mines de St-
Etienne), Clive Mller (Laboratoire de Pollution Atmosphrique et des Sols) et
les collaborateurs du Laboratoires des Systmes dInformation Gographique,
dont lassistance est irrprochable.
Je dsire aussi remercier tout particulirement Mme. Beatriz Cardenas, M.
Salvador Blanco et Mlle Magdalena Sanchez pour leur accueil et leur aide
Mexico.
59
8. Rfrences bibliographiques PANNATIER Y., VARIOWIN, Software for Spatial Data Analysis in 2D ,
Springer, s.l., 1996

ROULET Y-A., Validation and Application of an Urban Turbulence

CALOZ R., Analyse spatiale, cours en Section des Sciences et Ingnierie de Parametrisation Scheme for Mesoscale Atmospheric Models, Thse,
lEnvironnement, EPFL, Lausanne, 2003 Environnement Naturel, Architectural et Construit, EPFL, Lausanne, 2004

DE ICAZA DEL RIO G., Formation and Transformation Mechanisms of
Particulate Matter Under Ten Micrometers (PM10) and Ozone (O3) in the
Mexico City Metropolitan Area and the Greater Manchester Area, These,
Secretara de Medio Ambiente y Recursos Naturales (SEMARNAT), Instituto
Nacional de Ecologa (INE), Mexico DF, 1999
JUNIER M., KIRCHNER F., CLAPPIER A. et VAN den BERGH H., The
chemical mechanism generation program CHEMATA, part II: Comparison of
four chemical mechanism in a three-dimensional mesoscale simulation,
Atmos. Environ. 39, 1161-1171, 2004
WACKERNAGEL H., Multivariate Geostatistics, Springer, s.l., 1998
WARD P., Mexico City , John Wiley and Sons, New York, 1998
s.a., Inventario de Emisiones a la Atmsfera, Zona Metropolitana de la Valle
de Mxico , Secretara del Medio Ambiente (SMA), Mexico DF, 2000
s.a., Primer Informe Sobre la Calidad del Aire en Ciudades Mexicanas
1996 , Centro Nacional de Investigacin y Capacitacin Ambiental - Instituto
Nacional de Ecologa, Mexico DF, 1996

GARCIA-COLIN SCHERER L. & RUBEN VARELA HAM J.,
Contaminacon Atmosfrica IV, El Colegio Nacional, Mexico DF, 2003
KANEVSKI M. & MAIGNAN M., Analysis and Modelling of Spatial
Environmental Data, Presses Polytechniques Universitaires Romandes,
Lausanne, 2004
s.a., Tercer Informe Sobre la Calidad del Aire en Ciudades Mexicanas
1998 , Centro Nacional de Investigacin y Capacitacin Ambiental - Instituto
Nacional de Ecologa, Mexico DF, 1998
Autres liens :

LEBART L. et al., Statistique exploratoire multidimensionnelle , Dunod, http://www.ine.gob.mx

Paris, 2000 http://sinaica.ine.gob.mx
http://www.sma.df.gob.mx/simat/
Martilli, A., A. Clappier, and, M. W. Rotach, An urban surfaces exchange http://www.inegi.gob.mx
parameterisation for mesoscale models, Boundary Layer Meteorol., 104, 261- http://sc.inegi.gob.mx/simbad/
304, 2002 http://www.df.gob.mx
http://www.semarnat.gob.mx
MOLINA L. & M. et al, Air Quality in the Mexico Megacity : An integrated http://148.243.232.103/imecaweb/
Assessement , Alliance For Global Sustainability Bookseries, Vol.2, Kluwer http://www.centrogeo.org.mx/Index.htm
Academic Publishers, The Netherlands, 2002 http://www.salud.gob.mx/
http://www.umwelt-schweiz.ch/buwal/fr/medien/umwelt/1999_2/unterseite5/,
MORGENTHALER S., Introduction la statistique , Presses Le smog estival na pas fini de nous pomper lair
Polytechniques Universitaires Romandes, Lausanne, 2001 http://www.ine.gob.mx, Normas Oficiales Mexicanas en Matiera de Medio
Ambiente y Ecologia
MOLINA M.J., MOLINA L.T., SOSA G., GASCA J. et WEST J., Analysis et http://sirs.scg.ulaval.ca/perceptory/
Diagnostico del Inventorio de Emisiones de la Zona Metropolitana del Valle de
Mexico , MIT Integrated Program on Urban, Regional and Global Air
Pollution Report No.5, Cambridge MA, 2000
60
 Figure 5.1.9 : extrait pour les annes 1996 et 2002 de la distribution de la
Index des figures mdiane journalire pour les mois davril et mai
Figure 5.1.10 : procdure didentification des pisodes
Figure 5.1.11 : variance explique en fonction du nombre de composantes
Figure 3.1: reprsentation de la Zone Mtropolitaine de la Valle de principales
Mexico Figure 5.1.12: Interprtation probabiliste de la variable rgionalise
Figure 3.2 : volution des concentrations en Pb, SO2, ozone et NOx, (Wackernagel, 1998)
Molina et al. 2002 Figure 5.1.13 : typologie des modes dchantillonnage, cours Analyse
Figure 3.3: mcanisme simplifi de la formation dozone spatiale, R. Caloz, SSIE 2003
Figure 3.4: isopltes dozone en fonction des missions de Figure 5.1.14 : dlimitation dun polygone rapporch pour le calcul de la
NOx et VOC, illustration de la non linarit de la statistique R
raction Figure 5.1.15 : interpolation par pondraion inverse la ditance des
Figure 3.5: missions par type de source, extrait de Inventario de episodes 1996 2001, superposition en transparence de la
Emissiones a la Atmosfra, Zona Metropolitana del Valle de mdiane calcule et de la journe la plus reprsentative de la
Mxico, 2000 priode de maximum
Figure 3.6 : rpartition des missions par type de source Figure 5.1.16 : interpolation par pondration inverse la distance des
Figure 3.7: pesero de la ZMVM episodes 1996 2001, reprsentation des journes les plus
Figure 3.8 : distribution des installations industrielles, commerciales et reprsentatives de la priode de maximum (pisode
services identifis)
Figure 3.9 : ministres et sous sectrtariats de lEnvironnement Figure 5.1.17 : vrification de la stationarit intrinsque pour lpisode 1996
Figure 3.10 : structure et fonctionnement INE Figure 5.1.18 : vrification de lemplacement des stations
Figure 3.11 : distribution spatiale des stations de mesure de RAMA Figure 5.1.19 : direction de recherche, tolrance angulaire et largeur de
bande, Pannatier, 1996
Figure 4.1: extrait de la srie horaire de concentrations pour 1996, Figure 5.1.20 : nue variographique pour les pisodes 1996 et 2000
http://www.sma.df.gob.mx/simat/ Figure 5.1.20 : localisation des stations concernes par des variations
Figure 4.2 : emplacement des stations mtorologiques importantes de (h)
Figure 5.1.22 : nue variographique pour lpisode 1999
Figure 5.1.1: extrait de srie horaire de concentrations pour 1996, Figure 5.1.23 : histogrammes de la nue variographique pour 1996 (a) lag
Figure 5.1.2: cumul par station des concentrations pour lensemble des spacing = 500 m, (b) lag spacing = 3000
sries horaires (1996-2002) Figure 5.1.24: exemple de variogramme surfacique
Figure 5.1.25 : illustration dun mauvais choix du lag spacing
Figure 5.1.3 : extrait de la distribution des concentrations de 1996 2002 Figure 5.1.26 : variogramme surfacique trou : pisode 1999 avec les
pour les jours slectionns 321, 320 et 306 concentrations de XAL, CES, BJU, PLA et PED supprimes
Figure 5.1.4 : extrait pour les annes 1998, 2000 et 2001 de lvolution Figure 5.1.27 : variogrammes surfaciques (a) 1996, (b) 1997, (c) 1998, (d)
annuelle de la mdiane. 2000, (e) 2001
Figure 5.1.5 : extrait pour les stations SAG (4), TLA (6) et XAL (7) de Figure 5.1.29 : h-scatterplot pour les intervalles 1, 2 et 3 du variogramme
lvolution interannuelle du maximum directionnel 140 pour lpisode 1996
Figure 5.1.6 : prsence de valeurs nulles, extrait de la srie annuelle 2002 Figure 5.1.30 : reprage de la station Lagunilla
Figure 5.1.7 : volution annuelle de la mdiane pour 1997, distinction entre Figure 5.1.31 : exemple de validation croise, cas dapplication au modle
les stations de lpisode 1996
Figure 5.1.8 : illustration du concept de simultanit (sminaire Figure 5.1.32 : reprsentation de la validit des pisodes
interdisciplinaire Interpolation de mesures de qualit de Figure 5.1.33 : reprsentation normalise de la validit des pisodes
lair sur la ville de Mexico , Elena Andrey, juin 2004)

61
Figure 5.1.34 : relief Valle de Mexico, triangulation de courbes de niveau
quidistantes de 100m, reprsentation des vents et de la ligne Index des tableaux
de convergence
Figure 5.1.35 : concentrations horaires de NO2 au 2 mars 1997 pour 10 et Tableau 3.1 : croissance conomique mexicaine, INEGI 1999
20 heures Tableau 3.2 : normes mexicaines officielles de qualit de lair (Secretara
Figure 5.1.36 : volution horaire des concentrations dozone au 2 mars 1997 de Salud, 1994)
de 12 18 hueres Tableau 4.1 : numration des stations de mesure
Figure 5.1.37 : ZMVM, localisation de la zone interpole Tableau 5.1.1 : Proportions de NaN dans les sries annuelles originales
Figure 5.1.38 : vue densemble des pisodes interpols Tableau 5.1.2 : classification des stations en fonction de lamplitude du pic
Figure 5.1.39 : interpolation de lpisode 1998 et carte des incertitudes, 15h
illustration des structures longitudinales Tableau 5.1.3 : principales corrlations
Figure 5.1.40 : interpolation de lpisode 2000 et carte des incertitudes, Tableau 5.1.4 : description de la matrice V des vecteurs propres
illustration des zones de concentrations min et max Tableau 5.1.5 : part de variance explique par chacune des variables pour la
Figure 5.1.41 : interpolation des pisodes 1997 et 2000 et carte des composante n1
incertitudes, illustration de la prsence dun double panache Tableau 5.1.6 : dlimitation de lespace gographique des stations
Figure 5.1.42 : piode 1996, interpolation et carte des incertitudes, influence Tableau 5.1.7 : valeurs limites pour les diffrents pisodes
du relief sur la distribution des concentrations, courbes de Tableau 5.1.8 : mesure de validit des modles
niveau 100 m
Figure 5.1.43 : pisode 2000, incertitudes et carte des incertitudes, influence
du relief sur la distribution des concentrations, courbes de Annexes
niveau 100 m
Figure 5.1.44 : localisation des grandes et moyennes industries,
superposition en transparence de lpisode 1996 Annexe 1 : classification de donnes de concentration en ozone par la
Figure 5.1.45: localisation des groupes A, B et C mthode mixte
Figure 5.1.46 : rsultats escompts dans le cas de lexistence dune Annexe 2 : scriptes et fonctions de lanalyse exploratoire de donnes
dynamique temporelle sous-jascente aux pisodes Annexe 3: distribution des concentrations de 1996 2002 pour 30 jours
reprsents slectionns au hasard
Figure 5.1.47 : station PLA, extraite du groupe A, volution du delta en Annexe 4: volution annuelle de la mdiane journalire de 1996 2002
fonction de lintervalle horaire Annexe 5: volution de la mdiane journalire des concentrations de
Figure 5.1.48: station CES, extraite du groupe B, volution du delta en 1996 2002
fonction de lintervalle horaire Annexe 6: distribution des concentrations de 1996 2002 pour 30 jours
Figure 5.1.49 : station PED, extraite du groupe C, volution du delta en slectionns au hasard sur les mois davril-mai
fonction de lintervalle horaire Annexe 7: variance explique en fonction du nombre de composantes
principales pour lpisode 1996
Figure 5.2.1 : schma conceptuel Annexe 8: variance explique en fonction des variables pour la
Figure 5.2.2 : reprsentation de la base de donnes gographiques premire composante
Figure 5.2.3 : densit de population par AGEB pour la ZMVM Annexe 9: nues variographiques pour les pisodes 1996 2001
Figure 5.2.4 : indice de sensibilit des cultures lozone des surfaces
agricoles de la ZMVM
Figure 5.2.5 : surfaces vertes urbaines de la ZMVM
Figure 5.2.6 : principales sources dmissions industrielles (grandes et
moyennes)
Figure 5.2.7 : rseau routier principal de la ZMVM

62