Modélisation de la pollution atmosphérique due au trafic maritime à Marseille

La pollution de l’air est un enjeu persistant à Marseille et dans ses environs depuis des décennies, le trafic maritime étant de plus en plus reconnu comme l’un des principaux responsables de ce problème de santé publique. La proximité du port avec le centre-ville, associée aux émissions des nombreux navires à quai, y compris certains des plus grands navires de croisière du monde, a suscité de vives inquiétudes et un grand débat public. Les principaux polluants, à savoir les particules fines (PM10, PM2.5), le dioxyde d’azote (NO2), le dioxyde de soufre (SO2) et l’ozone(O3), sont à l’origine de diverses pathologies, notamment l’irritation des voies respiratoires, les maladies cardiopulmonaires et le cancer du poumon. Le travail de thèse présenté ici s’inscrit alors dans ce contexte, avec pour premier objectif la mise en place d’un modèle numérique permettant d’évaluer la contribution des navires à la pollution atmosphérique à Marseille. Le modèle utilisé pour représenter les nombreux phénomènes météorologiques et chimiques en interaction dans l’atmosphère est le modèle WRF-Chem. Afin d’assurer une représentation précise des émissions des navires, des données de trafic en temps réel provenant des autorités portuaires sont utilisées, contrairement aux modèles basés sur des données de trafic maritime annualisées. La configuration géographique unique de Marseille, entourée de vallées et bordée par la mer Méditerranée, est influencée par des phénomènes météorologiques spécifiques qui ont un impact direct sur la pollution de l’air dans la région. Une meilleure compréhension de ces mécanismes constitue le deuxième objectif de cette recherche, qui permettrait d’identifier les conditions météorologiques typiques favorisant des épisodes de forte pollution pendant les périodes de trafic maritime intense. Fournir des prévisions quotidiennes sur la pollution atmosphérique est essentiel pour prendre des décisions au moment opportun afin de limiter les risques et informer la population directement touchée par la pollution. Cependant, le coût de calcul des simulations à haute résolution représente un défi pour les prévisions opérationnelles. Le troisième objectif du doctorat est de proposer une approche utilisant des modèles de Machine Learning (ML), supervisées par les résultats des simulations numériques du modèle WRF-Chem. En raison des grandes dimensions des données à traiter, les modèles classiques de ML sont peu efficaces. Des techniques de modélisation d’ordre réduit (ROM) ont donc été employées pour réduire les dimensions des données tout en conservant les informations essentielles. Les techniques de décomposition orthogonale propre (POD) et les auto encodeurs ont été combinées à un réseau neuronal récurrent (RNN) pour prédire les concentrations de PM2.5. Les principaux résultats de cette recherche doctorale sont : (I) La contribution des navires à la pollution de l’air à Marseille a été estimée entre 6 et 7% pour les PM2.5,4% pour les PM10 et 18% pour le NO2; (II) les particules fines sont transportées vers l’intérieur des terres, tandis que les particules plus grossières restent à proximité des zones portuaires en raison de la sédimentation gravitationnelle; (III) les vents faibles et la dynamique de la brise de mer favorisent l’accumulation des polluants au-dessus de la ville; et (IV) le développement d’un modèle multivarié POD-LSTMa significativement amélioré la précision des prévisions à long terme par rapport à l’approche univariée