La circulation routière est une source majeure de pollution atmosphérique dans les zones urbaines. Les décideurs insistent pour qu’on leur propose de nouvelles solutions, y compris de nouvelles stratégies de management qui pourraient directement faire baisser les émissions de polluants. Pour évaluer les performances de ces stratégies, le calcul des émissions de pollution devrait tenir compte de la dynamique spatiale et temporelle du trafic. L’utilisation de capteurs traditionnels sur route (par exemple, capteurs inductifs ou boucles de comptage) pour collecter des données en temps réel est nécessaire mais pas suffisante en raison de leur coût de mise en oeuvre très élevé. Le fait que de telles technologies, pour des raisons pratiques, ne fournissent que des informations locales est un inconvénient. Certaines méthodes devraient ensuite être appliquées pour étendre cette information locale à une grande échelle. Ces méthodes souffrent actuellement des limites suivantes : (i) la relation entre les données manquantes et la précision de l’estimation ne peut être facilement déterminée et (ii) les calculs à grande échelle sont énormément coûteux, principalement lorsque les phénomènes de congestion sont considérés. Compte tenu d’une simulation microscopique du trafic couplée à un modèle d’émission, une approche innovante de ce problème est mise en oeuvre. Elle consiste à appliquer des techniques de sélection statistique qui permettent d’identifier les emplacements les plus pertinents pour estimer les émissions des véhicules du réseau à différentes échelles spatiales et temporelles. Ce travail explore l’utilisation de méthodes statistiques intelligentes et naïves, comme outil pour sélectionner l’information la plus pertinente sur le trafic et les émissions sur un réseau afin de déterminer les valeurs totales à plusieurs échelles. Ce travail met également en évidence quelques précautions à prendre en compte quand on calcul les émissions à large échelle à partir des données trafic et d’un modèle d’émission. L’utilisation des facteurs d’émission COPERT IV à différentes échelles spatio-temporelles induit un biais en fonction des conditions de circulation par rapport à l’échelle d’origine (cycles de conduite). Ce biais observé sur nos simulations a été quantifié en fonction des indicateurs de trafic (vitesse moyenne). Il a également été démontré qu’il avait une double origine : la convexité des fonctions d’émission et la covariance des variables de trafic. / Road traffic is a major source of air pollution in urban areas. Policy makers are pushing for different solutions including new traffic management strategies that can directly lower pollutants emissions. To assess the performances of such strategies, the calculation of pollution emission should consider spatial and temporal dynamic of the traffic. The use of traditional on-road sensors (e.g. inductive sensors) for collecting real-time data is necessary but not sufficient because of their expensive cost of implementation. It is also a disadvantage that such technologies, for practical reasons, only provide local information. Some methods should then be applied to expand this local information to large spatial extent. These methods currently suffer from the following limitations: (i) the relationship between missing data and the estimation accuracy, both cannot be easily determined and (ii) the calculations on large area is computationally expensive in particular when time evolution is considered. Given a dynamic traffic simulation coupled with an emission model, a novel approach to this problem is taken by applying selection techniques that can identify the most relevant locations to estimate the network vehicle emissions in various spatial and temporal scales. This work explores the use of different statistical methods both naïve and smart, as tools for selecting the most relevant traffic and emission information on a network to determine the total values at any scale. This work also highlights some cautions when such traffic-emission coupled method is used to quantify emissions due the traffic. Using the COPERT IV emission functions at various spatial-temporal scales induces a bias depending on traffic conditions, in comparison to the original scale (driving cycles). This bias observed in our simulations, has been quantified in function of traffic indicators (mean speed). It also has been demonstrated to have a double origin: the emission functions’ convexity and the traffic variables covariance.

Le Transport A la Demande (TAD) est un système de transport qui propose un usage collectif des véhicules automobiles, par opposition à l'usage des véhicules personnels (VP). Situé entre le fonctionnement des taxis et celui des transports en commun classiques, il propose un service à la fois flexible dans le temps et dans l'espace à la manière des taxis, favorisant le partage des véhicules, comme les transports en commun. Il est ainsi présenté comme une réponse pour une mobilité durable. Dans les esprits, les TAD sont souvent associés à une réduction des émissions de polluants et sont mis en place principalement dans des territoires ruraux. Pourtant, le simple regroupement effectué par les TAD suffit-il pour que la mise en place des TAD soit profitable à l'environnement ? Dans ce travail de recherche de doctorat, un outil d'évaluation de l'impact environnemental d'un système de Transports À la Demande (TAD) destiné aux collectivités territoriales a été mis au point. Pour que choix soit durable, au sens du développement durable, le service doit être le plus adapté au contexte local en minimisant les émissions de substances dans l'atmosphère proche tout en conservant une qualité de service suffisante pour concurrencer l'usage du véhicule personnel. Un paramètre, directement impliqué dans les émissions de polluant, est souvent négligé dans les approches : le réseau routier. On cherche donc à identifier des lois et des seuils relatifs aux émissions de polluants produites par le fonctionnement d'un TAD : dans quelle mesure le réseau routier influe-t-il sur les performances environnementales des TAD ou sur la capacité de regroupement des clients dans les véhicules ? Selon quelles caractéristiques de service (fenêtres de temps autorisées) ? Plus globalement, est-ce que l'optimisation d'un même type de TAD est équivalente d'un réseau routier à un autre, du point de vue des émissions de polluants ? Aucun outil intégré permettant d'effectuer cette tâche n'étant disponible, nous avons mis au point une chaîne de traitement géomatique permettant d'estimer les quantités de polluants émises sur les tronçons de route dans le cadre du fonctionnement particulier des TAD et de les cartographier pour analyser leur répartition spatiale. Cet outil associe un SIG à un modèle d'émission que nous avons adapté à notre problématique (GREEN-DRT). Il est ressorti des différents scénarios simulés que les TAD ne sont pas systématiquement une solution pertinente dans un objectif de réduction globale des émissions de polluants sur un territoire donné. Le constat de la faible pertinence environnementale de ce mode de transport sur les territoires les moins denses (type zones rurales) a été fait, pourtant, ce sont sur ces territoires que les TAD sont développés en France. À défaut d'engendrer une réduction des émissions, ils ont souvent un rôle social important en se positionnant non pas comme une alternative à la voiture personnelle, mais en permettant à des populations captives de se déplacer. Il s'agit de ce cas de minimiser les émissions de polluants provoquées par le fonctionnement du service.