Assimilation of mobile measurements for urban noise pollution estimation
Estimation de la pollution sonore en milieu urbain par assimilation d'observations mobiles
Résumé
Noise pollution is a major environmental health problems, and the determination of populations exposure is needed. This can be done through noise mapping. Usually, maps are simulation-based, and subject to high uncertainties. Observational data is distributed in space and time and hence conveys information that is complementary to simulation data. In this thesis, we propose data assimilation methods that allow one to merge prior noise maps issued by numerical simulation with phone-acquired (via the Ambiciti app) noise observations. We run a performance analysis that addresses the range, accuracy, precision and reproducibility of measurements. Conclusions of this evaluation lead us to the proposition of a calibration strategy that has been embedded in Ambiciti. The result of the prior map and observations merging is called an analysis, and is designed to have minimum error variance, based on the respective uncertainties of both data sources that we evaluated: spatial correlations for the prior error; measurement errors, time and location representativeness for the observations. We address the estimation problem on two different scales. The first method relies on the so-called ``best linear unbiased estimator''. It produces hourly noise maps, based on temporally averaged simulation maps and mobile phone audio data recorded at the neighborhood scale. The second method leverages the crowd-sensed Ambiciti user data available throughout the covered city. The observations set must be filtered and pre-processed, in order to only select the ones that were generated in adequate conditions. The prior simulation map is then corrected in a global fashion.
La pollution sonore en milieu urbain est un enjeu sanitaire important, et l'exposition des populations doit être estimée adéquatement. Les simulations qui permettent de générer les cartes de bruit employées à cet effet sont cependant entachées d'erreurs. L'observation de l'environnement est alors judicieuse car elle permet la récolte d'informations supplémentaires en différents points de l'espace et à différents instants. Nous proposons dans cette thèse des méthodes d'assimilation de données permettant la fusion d'une carte de bruit issue de la simulation (ébauche), et d'observations acquises via l'application mobile Ambiciti. La fiabilité des observations est évaluée dans différents contextes, et nous mettons en place une méthode d'étalonnage qui permet de réduire autant que possible le biais de mesure. La combinaison de l'ébauche et des observations résulte en un estimateur nommé analyse, dont la variance de l'erreur est minimisée grâce à une estimation préalable des erreurs suivantes : corrélations spatiales des erreurs d'ébauche; erreurs d'instrumentation, de représentativité temporelle et spatiale pour l'observation. Une méthode d'assimilation à l'échelle du quartier est développée afin de générer des cartes horaires à partir d'une carte d'ébauche de bruit moyen sur une période de la journée, et d'observations acquises par un expérimentateur à travers Ambiciti. Une seconde méthode exploite l'ensemble des données partagées anonymement par les utilisateurs d'Ambiciti. Cet ensemble est filtré et classifié, et la précédente méthode est adaptée afin de produire des cartes de bruit d'analyse à l'échelle de la ville.
Origine : Version validée par le jury (STAR)
Loading...