La plupart des épisodes de pollution atmosphérique intense apparaissent lors des situations des vents faibles. Les modèles de pollution atmosphérique surestiment ou sous-estiment les concentrations dans ces conditions, en fonction des modèles des écarts-types (σi avec i=x,y,z) de dispersion auxquels ils sont associés. Ceci a été mis en évidence dans la première partie de cette thèse où on a évalué l’efficacité de 5 modèles de dispersion associés à 6 modèles des écarts-types, en se servant de 5 bases des données internationales. Dans la deuxième partie, nous avons développé deux modèles écarts-types de dispersion (S_LMEE_Ond et S_LMEE_Taylor) à partir de bases de données expérimentales appropriées. On a montré ainsi que pour les vents faibles, la vitesse instantanée du vent est non-stationnaire et qu’elle est caractérisée par des fluctuations rapides (aléatoires ou turbulentes) et des fluctuations lentes (organisées). Les fluctuations turbulentes favorisent le mélange des particules à l’intérieur du panache et les fluctuations lentes entrainent leur transport horizontal. Les modèles des écarts-types développés dans cette thèse semblent mieux appropriés pour étudier la dispersion des particules par faibles vents. Le modèle S_LMEE_Taylor est fonction du module moyen de la vitesse du vent (V) et des écarts-types des fluctuations organisées (σu et σv). Des modèles ARX multivariables et autorégressifs ont été développés dans un environnement MATLAB pour la prédiction de ces paramètres avec un horizon de 10 mn et 30 min. / The most intense air pollution episodes occur in situations of low winds. The air pollution models overestimate or underestimate the levels in these conditions, according to models of standard deviations (σi with i = x, y, z) dispersion which they are associated. This was highlighted in the irst part of this thesis where we evaluated the efficacy of five models of dispersal patterns associated with six standard deviations, using five international databases. In the second part, we have developed two models of dispersal standard deviations (S_LMEE_Ond and S_LMEE_Taylor) from experimental databases appropriate. It has been shown and for light winds, the wind speed is non-stationary and ischaracterized by rapid fluctuations (random or turbulent) and slow fluctuations (organized). Turbulent fluctuations promote mixing of particles within the plume and slow fluctuations leading to their horizontal transport. Models of deviations developed in this thesis seem more appropriate to study the dispersion of particles by low winds. The model is based on the module S_LMEE_Taylor average wind speed (V) and standard deviations of fluctuations organized (σu and σv). ARX models and multivariate autoregressive have been developed in MATLAB to predict these parameters with a 10 min and 30 min.

Abstract Brain activity fluctuations occur in multiple spatial and temporal scales. Functional magnetic resonance imaging (fMRI) has shown that infra slow fluctuations (ISF) of blood oxygen level-dependent signal (BOLD) are organized into well-defined areas called resting state networks (RSN). ISFs have also been detected in full-band EEG (fbEEG) data and in recent years, many have combined these two modalities to enable more accurate measurements of brain fluctuations. In simultaneous EEG-fMRI measurements the ISFs of BOLD signal have been found to be correlated with amplitude envelopes of faster electrophysiological data, suggesting the same underlying neuronal dynamics. Also direct correlations have been found in task related studies but not previously in resting state studies. Understanding the relation between EEG and BOLD signal in resting state might prove beneficial in the research of baseline activity fluctuations of the brain. Functional connectivity (FC) of the RSNs has been found to vary in different tasks and in some diseases, but also in resting state in healthy people. Despite numerous studies, no clear cause for these variations has yet been found. To research these open questions we performed simultaneous fbEEG-fMRI studies. The measurements from both modalities were analyzed with independent component analysis to improve the comparability of these results. Correlation analysis revealed that the EEG ISFs correlate with BOLD signal both temporally and spatially. These correlations showed spatiotemporal variability that was related to the strength of RSN functional connectivity. These results indicate that the ISFs of EEG and BOLD reflect a common source of fluctuations. The understanding of the correlations between ISFs in EEG and fMRI BOLD signals gives basic information of brain dynamics and of the variables that affect it. A better understanding of the background of brain activity helps in the development of more effective treatments for various neurological diseases as the knowledge of the mechanisms behind them grows. The ability to measure RSN activity with EEG more accurately can help in the development of new methods for early diagnosis of diseases. / Tiivistelmä Aivojen toiminta vaihtelee monissa avaruudellisissa ja ajallisissa mittakaavoissa. Toiminnallisissa magneettikuvauksissa (TMK) on havaittu, että veren happipitoisuudesta riippuvan (engl. BOLD) signaalin erittäin hitaat vaihtelut ovat järjestäytyneet hyvin määriteltyihin alueisiin, joita kutsutaan lepotilahermoverkostoiksi. Erittäin hitaita vaihteluita on havaittu myös täysikaistaisesta aivosähkökäyrästä (fbEEG). Viime vuosina nämä kaksi menetelmää on usein yhdistetty tarkemman mittaustuloksen aikaansaamiseksi. Samanaikaisissa EEG-TMK-mittauksissa BOLD signaalin erittäin hitaiden vaihteluiden on huomattu korreloivan nopeampien elektrofysiologisten värähtelyjen amplitudien verhokäyrien kanssa, mikä viittaa samaan perustana olevaan neuraaliseen dynamiikkaan. Myös suoria korrelaatioita on löydetty tehtäviin liittyvissä tutkimuksissa, mutta ei aiemmin lepotilatutkimuksissa. Lepotilan EEG:n ja BOLD-signaalin suhteen ymmärrys voi osoittautua hyödylliseksi aivojen perustilan aktiivisuuden vaihteluiden tutkimisessa. Hermoverkostojen toiminnallisen liittyvyyden on todettu huojuvan tietyissä tehtävissä ja joissain sairauksissa, mutta myös lepotilassa terveillä henkilöillä. Runsaasta tutkimuksesta huolimatta ei liittyvyyden huojunnalle ole vielä löytynyt selkeää aiheuttajaa. Näiden avoimien kysymysten tutkimiseksi suoritimme yhdenaikaisia fbEEG-TMK-mittauksia. Kummankin modaliteetin mittaustuloksia analysoitiin itsenäisten komponenttien analyysillä tulosten vertailtavuuden parantamiseksi. Korrelaatioanalyysit osoittivat, että EEG:n erittäin hitaat vaihtelut korreloivat ajallisesti ja avaruudellisesti TMK:n BOLD-signaalin kanssa. Näissä korrelaatioissa esiintyi sekä paikkaan että aikaan liittyvää huojuntaa, joka oli yhteydessä lepotilahermoverkostojen toiminnallisen liittyvyyden vahvuuteen. Nämä tulokset viittaavat siihen, että samat tekijät tuottavat EEG:n ja TMK:n BOLD-signaalien hitaat vaihtelut. EEG:n ja TMK:n signaalien erittäin hitaiden vaihteluiden välisen korrelaation ymmärtäminen antaa perustason tietoa aivojen toiminnan dynamiikasta sekä siihen vaikuttavista tekijöistä. Parempi ymmärrys aivotoiminnan taustoista auttaa kehittämään tehokkaampia hoitoja neurologisiin sairauksiin, kun tieto mekanismeista niiden takana tarkentuu. Mahdollisuus mitata lepotilahermoverkostojen toimintaa EEG:llä aiempaa tarkemmin voi auttaa kehittämään uusia menetelmiä sairauksien varhaiseen diagnostiikkaan.