Introduction: Les particules ultrafines (PUF) constituent la plus petite fraction de matières particulaires (MP) actuellement mesurable avec des diamètres aérodynamiques <0,1 µm. En raison de leur taille plus petite et de leur surface collective plus élevée que d’autres particules plus grossières, les PUF pourraient avoir des effets plus importants sur la santé. Objectifs: L’objectif ultime de ce projet doctoral est de développer des surfaces d’exposition aux PUF les plus valides possible pour la région de Montréal. Afin d’atteindre cet objectif ultime, nous devions répondre à trois objectifs méthodologiques intermédiaires : Premièrement, évaluer la variabilité spatiale et temporelle des PUF dans la région de Montréal. Deuxièmement, construire des modèles LUR (Land Use Regression) spécifiques à deux saisons (été, hiver) avec différentes transformations de variables et stratégies de sélection de variables. Troisièmement, dériver des surfaces d’exposition aux PUF à l’aide de prévisions de modèles LUR. Méthodes: Nous avons utilisé les données recueillies lors de campagnes de surveillance en site fixe dans la région de Montréal, où les PUF ont été mesurées en hiver (mars 2013) et en été (août-septembre 2015) sur 249 sites d’échantillonnage. Lors de chaque campagne, chacun des sites d’échantillonnage a été visité trois fois pendant trois semaines consécutives. Chaque visite d’échantillonnage comprenait une période de mesure de 20 minutes pour les PUF avec une mesure toutes les secondes. Pour le premier sous-objectif, nous avons étudié la variabilité spatiale des PUF par rapport à deux catégories géographiques différentes de sites d’échantillonnage. Nous avons étudié la variabilité temporelle des PUF à différents niveaux de temps. Pour le deuxième sous-objectif, nous avons calculé près d’une centaine de prédicteurs candidats à la construction des modèles LUR. Nous avons normalisé la distribution des prédicteurs les plus biaisés. Nous avons sélectionné les prédicteurs les plus pertinents parmi leurs variations avant de construire des modèles LUR parcimonieux spécifiques à la saison en suivant des algorithmes de sélection progressive avant et arrière. Pour le troisième sous-objectif, nous avons généré les surfaces d’exposition aux PUF correspondants aux modèles LUR basés sur la prédiction qui comprenaient trente prédicteurs (appelés « modèles complets »). Résultats et conclusions: Nous avons constaté qu’il existe une variabilité considérable des niveaux des PUF dans le temps et dans l’espace. Les niveaux de PUF en hiver étaient presque deux fois plus élevés que ceux observés en été. Les prédicteurs candidats dont la distribution est asymétrique doivent être normalisés avant la construction du modèle afin de minimiser les valeurs aberrantes des PUF qui pourraient ne pas être représentatives des PUF réelles dans la zone d’étude. Nous avons pu générer des contrastes plus fins des PUF dans les surfaces d’exposition générées à l’aide de modèles complets, qui pourraient être plus représentatifs de la distribution spatiale réelle des PUF dans la zone d’étude, par rapport aux modèles parcimonieux classiquement utilisés dans la littérature. Les surfaces d’exposition spécifiques aux saisons générées à l’aide de modèles complets pourraient contribuer à réduire les erreurs de classification non-différentielles d’exposition aux PUF dans les études épidémiologiques. / Introduction: Ultrafine Particles (UFPs) are currently the smallest measurable fraction of particulate matter (PM) with aerodynamic diameters <0.1 µm. Due to their smaller size and higher collective surface area than larger PM, UFPs are hypothesized to have stronger health effects than larger PM. Objectives: The ultimate objective of this doctoral project is to develop UFP exposure surfaces as valid as possible for the Montreal area. In order to achieve the objective, we needed to address three intermediate methodological objectives: First, to evaluate spatial and temporal variability of UFPs in the Montreal area. Second, to build season specific land use regression (LUR) models with different variable transformations and variable selection strategies. Third, to derive UFP exposure surfaces using prediction based LUR models. Methods: We used data collected during fixed-site monitoring campaigns in the Montreal area, where UFPs were measured in winter (March 2013) and in summer (August-September 2015) at 249 sampling sites. During each campaign, each of the sampling sites was visited three times during three consecutive weeks. Each sampling visit entailed a 20-minute measurement period for UFPs with a measurement every second. For our first sub-objective, we studied spatial variability of UFPs with respect to two different geographic categorizations of sampling sites. We studied the temporal variability of UFPs at different levels of time and between seasons. For our second sub-objective, we computed close to a hundred candidate predictors. We normalized the distribution of the skewed predictors. We selected the most relevant predictors among their variations before building season-specific parsimonious LUR models following forward and backward stepwise selection algorithms. For our third sub-objective, we derived UFP exposure surfaces using prediction based LUR models that included thirty candidate predictors (referred to as “Full models”). Results and Conclusions: We have identified that there is considerable variability in UFP levels with respect to time and space. UFP levels during winter were almost twice those observed during summer. Candidate predictors with skewed distribution should be normalized before model building in order to minimize UFP outliers that might not be representative of the actual UFP levels in the study area. We were able to generate finer UFP contrasts in the exposure surfaces derived from full models that might be more representative of the actual spatial distribution of UFPs in the study area, compared to parsimonious models, classically used in the literature. Season-specific UFP exposure surfaces derived using full models could help reduce non-differential exposure misclassification among the epidemiological study subjects when used for risk assessment.