OUARET Rachid (2012-2016). Thèse de Doctorat de l’Université Paris-Est Créteil, Candau Y. direction 100 %, encadrement Ionescu A. 50%. Financement CSTB.

 

Abstract

Les caractéristiques des fluctuations des concentrations de polluants dans un environnement intérieur normalement occupé dépendent fortement de plusieurs paramètres, en particulier des occupants et de leurs activités et comportement, qui altèrent de manière considérable la nature statistique de leur variabilité temporelle. Ces fluctuations sont rarement disponibles et décrites dans la littérature. La mise à disposition de mesures en continu de la concentration en formaldéhyde et en particules (de 0,35 à 20 µm de diamètre) dans l’air d’un environnement de bureau et d’une maison expérimentale sur plusieurs mois avec un pas de temps fin (entre 1 min et 1 heure) a permis d’engager une réflexion sur la nature de ces fluctuations et leur prévisibilité. L’objectif de la thèse se décline en trois axes de recherche : (i) la caractérisation des fluctuations des concentrations des polluants cible ; (ii) la mise en évidence des sources de variabilité de ces fluctuations et (iii) la prévision des concentrations de ces polluants. Le premier axe concerne la détermination des caractéristiques communes partagées par les différents polluants. Le deuxième axe porte, à l’aide des approches par séparation aveugle des sources, sur l’estimation des déterminants des sources de variabilité. Le troisième axe est consacré à la prévision des fluctuations de concentration des polluants. L’analyse des séries temporelles pour ce type de données (hautes fréquences) doit prendre en compte l’échelle de temps sur laquelle évoluent plusieurs microstructures. Plusieurs outils ont été employés : l’analyse spectrale (dépendance à long terme par la mesure fractale et la statistique R/S), la mesure de l’oméga-prédictibilité, ainsi que la décomposition des séries en composantes latentes par STL (seasonal trend decomposition using Loess), SSA (singular spectrum analysis) et SBD (spectral band decomposition).L’identification des sources de variabilité de particules a été abordée par les méthodes de séparation aveugle des sources basées sur une factorisation matricielle en profils et contributions, sous contrainte statistique d’indépendance (ACI) ou de non-négativité (NNMF ou PMF). Les factorisations ont été appliquées à la matrice constituée des séries temporelles de différentes gammes de taille des particules. Certains profils ou contributions des sources ont pu été interprétés grâce aux variables exogènes « traceurs » de certaines sources (comme le CO2 indicateur de la présence de la source occupants).Concernant la prévision des concentrations de polluants, le choix des modèles a été basé sur la structure de la série temporelle, mise en évidence lors de l’étape de caractérisation. On constate de meilleures performances de prévisions sur la série ayant subi un prétraitement statistique de décomposition STL, SSA ou SBD. Plusieurs types de modèles stochastiques (linéaires ou non linéaires) ont été appliqués ensuite à ces composantes et le résultat final de la prévision est donné par leur combinaison. La caractéristique de non-linéarité qui apparaît sous forme de changements abrupts de concentration causée en grande partie par la manipulation des ouvrants et qui se greffe sur l’évolution régulière du système dynamique mérite un traitement spécial. Un nouveau type de modèles de prévision a été développé pour répondre aux exigences de la nature des données hautes fréquences présentant ce type de non linéarité. Ce modèle associe une étape de décomposition des séries en bandes spectrales (SBD) couplée avec une étape de modélisation par des modèles autorégressifs à seuil (TAR) ou par la dynamique du chaos : FFT-(TAR/Chaos).Les résultats montrent que le prétraitement par décomposition en bandes spectrales ou STL améliore sensiblement la prévision des concentrations de formaldéhyde et des particules fines jusqu’à un horizon de 10 heures pour le formaldéhyde (pas de temps 1 minute) et de 1 à 4 jours pour les particules selon leur taille (pas de temps horaire).

2016
QAi-STA