Soutenance de thèse de Elliot CHEVET

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 don- nées 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 péri- odes 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 autoencodeurs 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-LSTM a significativement amélioré la précision des prévisions à long terme par rapport à l’approche univariée.

Air pollution has been a persistent issue in Marseille and its surroundings for decades, with maritime traffic increasingly recognized as a key contributor to this public health concern. The port’s proximity to the city center, combined with emissions from numerous ships at berth, including some of the world’s largest cruise ships, has raised significant concerns and sparked extensive public debate. The pollutants of interest in this work, which include particulate matter (PM10, PM2.5), nitrogen dioxide (NO2), sulfur dioxide (SO2) and ozone (O3), are responsible for respiratory diseases such as airway irritation, cardiopulmonary and lung cancers. The PhD work presented here takes place in this context, with the first objective of setting up a numerical model to assess ships contribution to atmospheric pollution in Marseille. The model used to represent the many meteorological and chemical phenomena interacting in the atmosphere is the WRF-Chem model. To ensure an accurate representation of ship emissions, real-time traffic data from port authorities are used, in contrast to models based on annualized maritime traffic data. Marseille’s unique geographical configuration, surrounded by valleys and bordered by the Mediterranean Sea, is influenced by specific phenomena that have a direct impact on air pollution in the region. A better understanding of these mechanisms constitutes a second objective of this research, as it would help to identify typical meteorological conditions that favor higher pollution levels during periods of intense maritime traffic. Providing daily atmospheric pollution forecasts is crucial for timely decision-making to mitigate the risk and informing the population directly affected by pollution. However, the computational cost of high-resolution simulations presents challenges for operational forecasting. The third objective of the PhD is addressing these chal- lenges by proposing a Machine Learning (ML) approach, supervised by numerical simulation results from the WRF-Chem model. Due to the high dimensionality of the data, traditional ML models face learning difficulties. To mitigate this, reduced- order modeling (ROM) techniques were applied to reduce data dimensions while retaining key information. Both Proper Orthogonal Decomposition (POD) and autoencoders were combined with a recurrent neural network (RNN) to predict PM2.5 concentrations. The main findings of this PhD research are: (i) ship pollution in Marseille The con- tribution of ships to air pollution in Marseille is estimated at 6 to 7% for PM2.5, 4% for PM10, and 18% for NO2; (ii) fine particles are transported inland while coarser particles remain near port areas due to gravitational settling; (iii) weak winds and sea-land breeze dynamics contribute to pollutant accumulation over the city; and (iv) the development of a multivariate POD-LSTM model significantly enhances long-term prediction accuracy compared to the univariate method.