Corps de l’article

Introduction

Les effets sur la santé des populations d’une exposition prolongée à un air de mauvaise qualité sont aujourd’hui bien connus : augmentation des risques de maladies respiratoires et cardiovasculaires, de certains types de cancer et, conséquemment, de la mortalité et de la morbidité (OMS, 2021). Selon l’Organisation mondiale de la Santé (OMS), 99 % de la population mondiale respire un air de mauvaise qualité, responsable de 4,2 millions de décès prématurés par an à travers le monde (OMS, 2021 et 2022). Ces chiffres alarmants masquent toutefois des disparités importantes entre les pays du Sud global et les pays du Nord global.

D’une part, les niveaux de pollution sont bien plus élevés dans les pays du Sud global : ils seraient sous les seuils recommandés par l’OMS dans uniquement 1 % des villes des pays à revenu faible ou intermédiaire contre 17 % de celles des pays à revenu élevé (OMS, 2022). En Afrique, selon une récente étude, la pollution de l’air serait responsable de 1,1 million de décès en 2019, dont 64 % seraient liés à la pollution de l’air intérieur (principalement en raison de la combustion du bois ou du charbon de bois pour la cuisson) et 36 % à l’air ambiant (Fisher et al., 2021). Le nombre de décès attribuables à l’air ambiant aurait d’ailleurs connu une augmentation de 6 % entre 2015 et 2019 (Fisher et al., 2021).

D’autre part, contrairement aux villes du Nord global, celles du Sud global disposent rarement d’un réseau de surveillance de la qualité de l’air. Cette situation est particulièrement marquée pour les villes africaines (Amegah, 2018 ; Mir Alvarez et al., 2020). En effet, l’OMS a récemment mis à jour une base de données de plus de 6000 villes dans 117 pays disposant d’un tel réseau (WHO, 2022). Or, cette base comprend uniquement 36 villes africaines dans 9 pays sur les 55 que compte l’Afrique ; la majorité de ces villes sont d’ailleurs situées en Afrique du Sud (n = 25). En Afrique de l’Ouest, seules deux villes font partie de cette base de données, soit Dakar (Sénégal) et Accra (Ghana).

Pour combler l’absence de réseau de surveillance de la qualité de l’air et ainsi l’absence de données pour les villes africaines, plusieurs chercheurs préconisent l’utilisation de capteurs de pollution de l’air à faible coût (Amegah, 2018 ; Coker et al., 2021). Notre recherche s’inscrit dans ce courant d’études utilisant des capteurs à faible coût pour mesurer la pollution de l’air dans les villes (Kumar et al., 2015), avec Abidjan (Côte d’Ivoire) comme terrain d’étude.

L’objectif est d’explorer la distribution spatiale de trois principaux polluants atmosphériques, soit le dioxyde d’azote (NO2) et les matières particulaires de diamètres inférieurs à 2,5 et 10 µm (PM2,5 et PM10). Plus spécifiquement, nous avons deux sous-objectifs : établir les caractéristiques de l’environnement (principalement routier et géographique) influençant significativement les concentrations de ces polluants et produire des cartes de prédiction des niveaux de concentration des trois polluants pour l’ensemble du réseau routier d’Abidjan. De la sorte, nous pourrons vérifier si les distributions intra-urbaines du polluant gazeux (NO2) et des matières particulaires (PM2,5 et PM10) sont similaires.

Dans la prochaine section de l’article, nous discuterons des études réalisées sur la pollution de l’air dans les villes d’Afrique de l’Ouest. Puis, nous décrirons notre méthodologie, notamment la collecte extensive de données primaires sur la pollution de l’air, les données secondaires (principalement d’OpenStreetMap) et la construction des modèles bayésiens. Enfin, les deux dernières sections seront consacrées à la présentation et à la discussion des résultats.

Retour sur les études d’Afrique de l’Ouest sur la pollution de l’air

Plusieurs études sur la pollution de l’air ont été réalisées dans les villes de l’Afrique de l’Ouest, notamment Ouagadougou au Burkina Faso (Lindén et al., 2012), Abidjan (Bahino et al., 2018 ; Gnamien et al., 2021) et Korhogo en Côte d’Ivoire (Gnamien et al., 2021), Accra (Arku et al., 2008 ; Dionisio et al., 2010a ; 2010b ; Rooney et al., 2012) et Kumassi (Uka et al., 2019) au Ghana, Conakry en Guinée (Weinstein et al., 2010), Bamako au Mali (Sidibe et al., 2022), Abeokuta (Oguntoke et al., 2019), Abuja (Blamah et al., 2022), Lagos (Olajire et al., 2011) et Warri (Efe et Efe, 2008) au Nigéria et Dakar au Sénégal (Dieme et al., 2012 ; Ba et al., 2019). Une synthèse de ces 16 études est reportée au tableau S1 en annexe.

On peut tirer plusieurs enseignements de ces études. Premièrement, une multitude de sources sont à l’origine de la dégradation de la qualité de l’air en Afrique de l’Ouest : la combustion de la biomasse (Weinstein et al., 2010 ; Lindén et al., 2012 ; Rooney et al., 2012), le brûlage des déchets (Rooney et al., 2012), les activités industrielles (Gnamien et al., 2021) et, surtout, la circulation routière (Efe et Efe, 2008 ; Olajire et al., 2011 ; Lindén et al., 2012 ; Gnamien et al., 2021 ; Blamah et al., 2022). Deux facteurs contribuent d’ailleurs au rôle prépondérant et accru de la circulation routière, à savoir l’urbanisation rapide avec un étalement non maîtrisé (Yiran et al., 2020) et la croissance exponentielle du parc automobile, vétuste de surcroît (Assamoi et Liousse, 2010 ; Blamah et al., 2022). L’étalement urbain s’accompagne d’ailleurs d’un réseau routier aux rues étroites et non asphaltées qui augmentent la concentration des matières particulaires par leur remise en suspension (Yiran et al., 2020).

Deuxièmement, presque toutes les études sont basées sur des collectes intensives à partir de sites fixes. Celles, rares, qui optent pour une collecte mobile ont été réalisées sur des trajets relativement courts, souvent moins de 10 kilomètres (Arku et al., 2008 ; Dionisio et al., 2010b ; Rooney et al., 2012). Treize études ont mesuré des polluants particulaires, trois uniquement des polluants gazeux (Bahino et al., 2018 ; Lindén et al., 2012 ; Oguntoke et al., 2019; Uka et al., 2019) et quatre des polluants des deux types (Arku et al., 2008; Ba et al., 2019; Blamah et al., 2022). Il en résulte deux limites importantes. D’une part, une seule étude a évalué les corrélations entre polluants gazeux et particulaires (Olajire et al., 2011). D’autre part, seulement deux ont produit des cartes de concentration de polluants pour l’ensemble d’une ville donnée : pour les polluants gazeux à Abidjan (Bahino et al., 2018) et pour les matières particulaires à Korhogo et Abidjan (Gnamien et al., 2021). De plus, ces cartes sont produites à une échelle régionale avec des méthodes d’interpolation spatiale (pondération inverse à la distance et krigeage) avec un nombre limité de sites fixes (respectivement 21, 14 et 20).

Troisièmement, ces études ont démontré d’importantes variations spatiales de la concentration des polluants. Par exemple, deux études à Accra ont trouvé des niveaux de concentration des matières particulaires (PM2,5 et PM10) plus élevés pour des sites fixes localisés dans des quartiers pauvres que dans des quartiers plus nantis (Dionisio et al., 2010a et 2010b). Selon ces auteurs, cette iniquité s’explique par le recours généralisé à la combustion de biomasse (charbon de bois entre autres) pour la cuisson et par les routes non pavées dans les quartiers pauvres.

Quatrièmement, d’importantes variations temporelles ont été observées selon la saison, le jour de la semaine et le moment de la journée. Concernant la saison, les concentrations de polluants sont significativement plus élevées durant la période de vent sec appelé « l’harmattan » à Conakry, Warri et Abidjan (Efe et Efe, 2008 ; Weinstein et al., 2010 ; Bahino et al., 2018). Ce résultat n’est pas surprenant puisque cette période de novembre à mi-février est caractérisée par l’absence de précipitations et l’apport de matières en suspension provenant du désert du Sahara. Ces deux conditions météorologiques favorisent ainsi l’augmentation des matières particulaires et l’accumulation des polluants gazeux et particulaires dans l’air, qui n’est pas « lessivé » par des pluies. Concernant le jour de la semaine, aucun consensus clair ne semble émerger puisqu’une seule étude a rapporté des différences significatives avec des concentrations de PM10 plus élevées les lundis et plus faibles les vendredis à Warri (Efe et Efe, 2008). Quant au moment de la journée, les pics de concentration de matières particulaires auraient lieu le matin et le soir (autour de 7h et de 18h) (Arku et al., 2008 ; Dionisio et al., 2010a), correspondant à la fois aux périodes de congestion routière et de cuisine avec combustion de biomasse.

Cinquièmement, peu d’études ont recours à des analyses multivariées pour déterminer les facteurs concourant à augmenter ou diminuer les concentrations des polluants (Dionisio et al., 2010b ; Rooney et al., 2012). À Accra, le type d’axes et la densité du trafic ont des effets significatifs sur les niveaux de concentration des PM2,5 et PM10. En effet, comparativement aux ruelles, les autoroutes augmenteraient respectivement de 56 % et 74 % ces deux polluants, et les routes primaires de 16 % et 17 % (Rooney et al., 2012). Aussi, en comparaison des axes sans trafic, les axes fortement congestionnés augmenteraient respectivement de 70 % et 64 % les concentrations de ces deux polluants (Dionisio et al., 2010b). Finalement, les routes non pavées, en terre meuble, augmenteraient les concentrations des PM2,5 et PM10 de 22 % et 14 % une fois contrôlé le type d’axe (Rooney et al., 2012) et de 47 % et 30 % une fois contrôlé le niveau de congestion routière (Dionisio et al., 2010b).

Méthodologie

Territoire et période d’étude

L’étude porte sur la ville d’Abidjan, capitale économique de la Côte d’Ivoire avec une population de 5,6 millions d’habitants et une superficie 2 119 km2 en 2021 selon l’Institut national de la Statistique de la Côte-d’Ivoire (INS, 2022). Pour la collecte, nous avons choisi le début du mois de décembre, inclus dans la période de l’harmattan (fin novembre à mi-février), soit, à titre de rappel, la saison sèche durant laquelle les concentrations de polluants sont les plus fortes (Efe et Efe, 2008 ; Weinstein et al., 2010 ; Bahino et al., 2018).

Collecte extensive de données primaires sur la pollution de l’air

En raison de l’absence, à Abidjan, d’un réseau public de surveillance de la qualité de l’air qui fournirait des données gratuites et accessibles à tous, nous avons recours à une collecte extensive de données primaires avec des vélos équipés de capteurs portatifs à faible coût. Avec une telle collecte, nous enregistrons des mesures de pollution dans une multitude de lieux dans la ville contrairement à une collecte intensive qui enregistre une multitude de mesures répétées dans des stations fixes de quelques lieux de la ville. Dans une récente revue de littérature sur la mesure de l’exposition à la pollution de l’air et au bruit, Gelb et Apparicio (2021) soulignent que cette approche extensive permet de capter « à une échelle fine les variations temporelles et spatiales de l’exposition, contrairement aux stations fixes qui tendent à sous-estimer l’exposition des individus (Cole-Hunter et al., 2012 ; Van den Bossche et al., 2015 ; Krecl et al., 2019) » (Gelb et Apparicio, 2021 : 748, traduction libre). En outre, la méthode de collecte de données de pollution extensive et mobile permet de maximiser la couverture de la ville (quartiers traversés) et la diversité des types de microenvironnements urbains à Abidjan (en termes d’environnements routiers). Reposant sur des vélos instrumentés, cette méthode a d’ailleurs été utilisée dans plusieurs villes du Sud global, notamment Mexico, Delhi et Mumbai (Apparicio et al., 2020a ; 2021 ; Gelb et Apparicio, 2022). Comparativement à ces études antérieures mesurant uniquement le dioxyde d’azote (NO2), l’originalité de notre travail est d’intégrer des polluants particulaires (PM2,5 et PM10).

La collecte a été réalisée par trois premiers auteurs de cet article durant trois demi-journées (3, 4 et 10) et trois jours (6, 7 et 9) du mois de décembre 2021 (figure 1.a), de 8 h à 18 h (figure 1.b). Le nombre de minutes est plus faible entre midi et 14 h puisqu’une pause était accordée aux participants pour manger, se reposer et recharger les batteries des différents appareils. Pour des raisons de sécurité, les cyclistes avaient comme consigne de rouler idéalement à moins de 20 km/h et de respecter les règles de circulation. De plus, comme dans les collectes réalisées par l’équipe de recherche dans d’autres villes (Delhi, Mumbai, Hô Chi Minh-Ville), pour des raisons de sécurité, chaque cycliste était jumelé à un guide local en scooter circulant derrière le cycliste. L’étude a été approuvée par le comité d’éthique en recherche de l’Institut national de la recherche scientifique (INRS, CER 19-509).

Figure 1

Données collectées selon la journée (a), l’heure (b) et le type d’axe emprunté (c)

Données collectées selon la journée (a), l’heure (b) et le type d’axe emprunté (c)

Voir la liste des figures

Concernant l’environnement routier, les cyclistes ont circulé sur des rues majeures (routes primaires, secondaires et tertiaires, 47,8 %), des rues résidentielles (46,4 %) et, plus rarement, des tronçons d’autoroutes et des voies express (2,1 %) (figure 1.c). Au total, ils ont parcouru environ 920 km (71 heures) dans la ville d’Abidjan ; les trajets sont cartographiés à la figure 2.

Les participants ont roulé avec des vélos identiques (vélos hybrides Rocky Mountain RC 10 Performance) instrumentés des appareils suivants : 1) une montre GPS au poignet (Garmin Forerunner 920 XT) pour enregistrer la localisation géographique chaque seconde, 2) un téléphone cellulaire pour suivre les trajets préalablement tracés dans Google MyMaps, 3) une caméra d’action (Garmin Virb) pour enregistrer une vidéo frontale du trajet, 4) quatre moniteurs Aeroqual (Serie 500), dont deux avec un capteur de dioxyde d’azote (NO2) et les deux autres avec un capteur de particules (PM2,5 et PM10). Le téléphone, la caméra et une tablette sur laquelle sont attachés les quatre moniteurs sont fixés au guidon. Le tableau 1 présente les caractéristiques des deux capteurs de pollution.

Figure 2

Trajets réalisés à Abidjan

Trajets réalisés à Abidjan

Voir la liste des figures

Tableau 1

Caractéristiques des capteurs de pollution Aeroqual

Caractéristiques des capteurs de pollution Aeroqual

Voir la liste des tableaux

Tous les capteurs Aeroqual étaient neufs et calibrés par le fabricant ; les capteurs de NO2 possédaient un filtre empêchant la présence éventuelle d’O3 d’interférer avec la mesure de NO2. Les participants ont conservé les mêmes instruments tout au long de la collecte.

Il est à noter que les appareils Aeroqual ont été utilisés dans plusieurs études portant sur les villes de l’Afrique de l’Ouest, surtout avec des capteurs pour des polluants gazeux – à Abuja (CO, NO2, NH3, H2S, O3) (Blamah et al., 2022) et Abeokuta au Nigéria (NO2, SO2, CO, H2S, NH3, COV) (Oguntoke et al., 2019), à Kumassi au Ghana (CO, NO2, SO2, COV) (Uka et al., 2019) – et, récemment, avec un capteur de matières particulaires (PM2,5 et PM10) à Abidjan et Korhogo en Côte d’Ivoire (Gnamien et al., 2021).

Données secondaires

Puisque l’un des objectifs de l’étude consiste à déterminer les caractéristiques de l’environnement routier influençant significativement les concentrations de trois polluants (NO2, PM2,5 et PM10), il convient de prendre en compte les différents types d’axes routiers. Ainsi, à l’instar de travaux antérieurs (Apparicio et al., 2020a et 2020b ; Gelb et Apparicio, 2020 et 2022), nous utilisons le réseau OpenStreetMap (OSM) pour récupérer le type de rue empruntée chaque seconde par les participants (autoroute, voie express, route primaire, secondaire, tertiaire, de service, non classifiée et résidentielle) (figure S1 en annexe). Le recours au réseau OSM se justifie par le fait qu’il est pratique, fiable et simple d’utilisation. En raison de l’absence de données de circulation en temps réel et d’un réseau routier local bien structuré, la classification universelle du réseau OSM constitue une excellente option. À partir des images satellites à haute résolution de Google Maps, nous avons aussi complété un champ relatif au revêtement de la chaussée (asphaltée ou non) pour l’ensemble des tronçons du territoire d’étude (figure S2 en annexe). Il en ressort que 40 % des tronçons sont asphaltés et 60 % sont en terre battue ou en sable. Parmi l’ensemble des tronçons, 75,5 % sont des rues résidentielles, 23,9 % des rues de desserte (services) et 0,6 % des rues non classifiées.

Quant aux données sur les conditions météorologiques (température, humidité, vitesse du vent et pression atmosphérique) lors de la collecte, elles sont extraites avec une résolution temporelle de 30 minutes pour la station de l’aéroport. Finalement, chaque parcours est découpé en segments de 60 secondes (n = 4212), soit la résolution temporelle des appareils Aeroqual 1.

Analyses statistiques

Trois types d’analyses statistiques ont été réalisées dans le logiciel R (version 4.1.2) (R Core Team, 2021). Premièrement, des statistiques univariées sont utilisées pour décrire les niveaux de concentration des polluants mesurés (NO2, PM2,5 et PM10). Deuxièmement, une matrice de corrélation de Pearson est calculée entre les trois polluants afin de vérifier si les trois ont globalement des distributions similaires à travers la ville. Troisièmement, des modèles bayésiens sont construits à l’aide du Package brms de R (Bürkner, 2018), soit un modèle pour chacun des trois polluants (variables dépendantes). Cet exercice répond aux deux sous-objectifs de l’étude. D’une part, il permet de déterminer les facteurs influençant significativement la concentration des polluants. D’autre part, s’ils sont performants, les modèles seront utilisés pour prédire les niveaux de concentration sur l’ensemble des tronçons routiers d’Abidjan. Cette approche pour produire des cartes d’exposition potentielle à une échelle fine a d’ailleurs été proposée récemment par Gelb et Apparicio (2022) pour sept villes, dont deux du Sud global (Delhi et Mumbai).

Pour la construction de nos modèles, nous nous sommes inspirés de récents travaux sur la modélisation des pollutions atmosphériques et sonores dont les collectes de données ont été réalisées avec les mêmes appareils (Apparicio et al. 2020b et 2021 ; Gelb et Apparicio, 2020 et 2022). Concrètement, nous avons utilisé des modèles bayésiens additifs généralisés avec un terme autorégressif (GAMAR) et une distribution t pour les trois variables dépendantes (NO2, PM2,5 et PM10). Ces modèles bayésiens sont ajustés avec quatre chaînes de Markov et 5 000 itérations chacune. Les observations correspondent aux 4 212 segments d’une minute des trajets. Plusieurs variables indépendantes sont introduites dans les modèles : certaines de contrôle, d’autres, explicatives, de manière soit linéaire, soit non linéaire (spline).

Concernant les variables de contrôle, il est largement admis que les niveaux de concentration varient en fonction des conditions météorologiques, du jour de la semaine et du moment de la journée. Aussi, deux segments de 60 secondes successifs ont bien plus de chances d’avoir des niveaux de concentration de polluants similaires que des segments tirés au hasard, ce qui renvoie au problème de pseudo-réplication (Gelb et Apparicio, 2021). Finalement, en raison du degré de précision des capteurs Aeroqual, il est possible que les niveaux de pollution varient systématiquement en fonction des participants, toutes choses étant égales par ailleurs (Apparicio et al., 2020b). Par conséquent, nous avons introduit dans les modèles : l’humidité (%) et la vitesse du vent (km/h) comme des effets linéaires continus, le jour de la semaine et l’identifiant du participant comme des effets linéaires catégoriels, le nombre de minutes écoulées depuis 8 h comme un effet non linéaire (spline univariée) et un terme autorégressif (AR = 3).

Concernant les variables explicatives, les niveaux de pollution fluctuent généralement selon plusieurs caractéristiques de l’environnement routier traversé par les cyclistes. Premièrement, les proportions du temps passé sur les différents types de routes (autoroute ou voie express, route principale, route secondaire, route tertiaire, route de service et route non classifiée, avec la rue résidentielle comme catégorie de référence) sont introduites comme des effets linéaires ; la somme des valeurs des types de routes incluant la catégorie de rue résidentielle est toujours égale à un.

Nous émettons l’hypothèse que les concentrations de polluants sont plus élevées sur les autoroutes ou voies express, les routes primaires, secondaires et tertiaires que sur les rues résidentielles. Puis, deux hypothèses justifient l’introduction de la proportion du temps passé sur une rue non asphaltée (terre ou sable) dans les modèles. D’un côté, cette proportion pourrait faire augmenter les concentrations des matières particulaires (PM2,5 et PM10), mais n’avoir aucun effet significatif sur la concentration du polluant gazeux (NO2). En effet, la circulation routière sur les routes de terre et de sable soulève des quantités importantes de poussières qui augmentent généralement avec le volume et la vitesse des véhicules. De l’autre côté, elle pourrait faire diminuer les concentrations des trois polluants puisque la circulation routière est beaucoup plus limitée sur les routes non asphaltées. Troisièmement, pour chaque segment, nous avons compté le nombre de feux de circulation présents (extraits des données OSM). Plus ce nombre est élevé, plus le trafic routier risque d’être important et, conséquemment, les concentrations des trois polluants élevées aussi. Quatrièmement, une vitesse plus élevée du cycliste peut refléter une circulation dans un trafic moins dense, s’accompagnant de concentrations plus faibles. Cinquièmement, la proximité d’un axe majeur (autoroute, voie express, route primaire ou secondaire), mesurée avec la distance euclidienne et introduite sous forme d’une spline (effet non linéaire), risque d’être associée à une augmentation des concentrations de polluants. Sixièmement, la position géographique est introduite sous forme d’une spline bivariée construite avec les coordonnées géographiques des centroïdes des segments. Toutes choses étant égales par ailleurs, la localisation géographique a certainement un effet significatif sur les niveaux de concentration (Apparicio et al., 2020b ; Gelb et Apparicio, 2022).

Résultats

Statistiques descriptives

Durant la collecte, les conditions météorologiques étaient les suivantes : aucune précipitation, une température moyenne de 30°C (écart-type = 1,0°C ; premier et troisième quartile = 30-31°C), une humidité moyenne de 77,1 % (é.t. = 5,1 % ; Q1-Q3 = 75-79 %), une vitesse du vent moyenne de 11 km/h (é.-t. = 4,5 km/h ; Q1-Q3 - 7-15 km/h), une pression atmosphérique moyenne de 1008 hPa (é.-t. = 1,5 hPa ; Q1-Q3 = 1007,7-1009,7 hPa). En raison de leurs très faibles variabilités, la température et la pression atmosphérique ne sont pas introduites dans les modèles bayésiens. De plus, la température a une très forte corrélation avec l’humidité (r = 0,90), ce qui aurait généré de la multicolinéarité excessive dans les modèles.

À titre de rappel, chaque participant était équipé de deux paires d’appareils Aeroqual : l’une mesurant le NO2, l’autre les matières particulaires (PM2,5 et PM10). Les corrélations des capteurs deux à deux pour chaque participant ainsi que des graphiques en ligne sont reportés en annexe (figure S3). D’une part, les corrélations sont très fortes (entre 0,82 et 0,97, p < 0,001). D’autre part, la juxtaposition des courbes des capteurs deux à deux est relativement bonne, indiquant que les capteurs ont enregistré des niveaux de concentration similaires. Par conséquent, pour chaque segment, nous avons calculé la valeur moyenne des deux capteurs puisque l’un ou l’autre peut systématiquement surestimer ou sous-estimer légèrement la concentration du polluant mesuré (NO2, PM2,5 ou PM10). Les analyses statistiques subséquentes (statistiques descriptives, corrélation entre les trois polluants et modèles GAM) sont donc réalisées à partir de ces valeurs moyennes des capteurs deux à deux par participant.

Durant la période de collecte, les niveaux des polluants enregistrés à Abidjan présentent des moyennes de 91,4 µg/m3 pour le NO2, de 23,3 et 90,6 µg/m3 pour respectivement les PM2,5 et PM10 (tableau 2). Ces valeurs sont largement supérieures aux valeurs moyennes sur 24 heures recommandées par l’Organisation mondiale de la Santé, soit respectivement de 25 μg/m3, 15 μg/m3 et 45 μg/m3 pour le NO2, le PM2,5 et le PM10 (WHO, 2021). Il convient toutefois de faire preuve de prudence lors de la comparaison des résultats, puisque nos données ont été collectées sur une courte période (cinq jours) et non sur 24 h.

Tableau 2

Statistiques descriptives pour les polluants atmosphériques (n = 4212)

Statistiques descriptives pour les polluants atmosphériques (n = 4212)

Voir la liste des tableaux

Les valeurs des corrélations de Pearson calculées entre les trois polluants sont toutes significatives (p < 0,001). Sans surprise, elles sont très fortement positives entre les deux polluants particulaires (0,70 entre PM2,5 et PM10). Ce résultat corrobore ceux d’Arku et al. (2008) qui rapportaient des corrélations de 0,60 à 0,89 pour quatre sites fixes à Accra. Ces valeurs sont toutefois bien plus faibles entre ces deux polluants et le NO2 (respectivement 0,27 et 0,20). Olajire et al. (2011) avaient d’ailleurs trouvé une corrélation plus élevée (0,46) entre le NO2 et le PM10 sur neuf sites fixes à Abuja.

Modèles bayésiens

Qualité d’ajustement des modèles

Afin d’évaluer la performance des modèles, pour chacun des trois polluants, nous avons réalisé un premier modèle avec uniquement les variables explicatives (types de rues, route non asphaltée, vitesse du cycliste, feu de circulation, spline spatiale) et un second incluant aussi les variables de contrôle (jour de la semaine, vitesse du vent, humidité, participant, spline temporelle, terme autorégressif). L’analyse des valeurs des coefficients de détermination R2 et du critère WAI (tableau 3) permet de formuler deux constats intéressants.

Premièrement, pour les modèles complets, les valeurs des R2 bayésiens sont bien plus élevées pour le NO2 que pour les PM2,5 et PM10 (0,696 contre 0,451 et 0,425). Deuxièmement, les variables explicatives jouent un rôle important puisque les valeurs des R2 bayésiens sont toutes non négligeables pour les modèles sans les variables de contrôle (respectivement 0,230, 0,182 et 0,111 pour le NO2, le PM2,5 et le PM10). Ces résultats démontrent que les microenvironnements (routiers et localisations géographiques) ont des effets significatifs sur les niveaux de pollution mesurés.

Tableau 3

Qualité d’ajustement des modèles bayésiens

Qualité d’ajustement des modèles bayésiens

a Contrairement aux modèles inférentiels, les modèles bayésiens n’ont pas de valeur de p. Tant pour les coefficients de régression que pour le R2, il est possible d’évaluer l’intervalle de confiance de ces paramètres à 95 % à partir des distributions de probabilité. b WAIC : Watanae-Akaike Information Criterion est un critère d’information qui permet de comparer plusieurs modèles ; plus sa valeur est faible, plus le modèle est performant.

Voir la liste des tableaux

Analyse des variables de contrôle

Au tableau 4, nous présentons les résultats des trois modèles bayésiens. Les coefficients de régression de la vitesse du vent sont négatifs, indiquant que celle-ci contribue à la dispersion des trois polluants. Le coefficient n’est toutefois pas significatif au seuil de 5 % pour le NO2, contrairement aux deux autres polluants. L’effet de l’humidité est plus contrasté : non significatif pour le PM2,5, négatif et significatif pour le PM10 et étonnamment positif et significatif pour le NO2.

L’effet du jour de la semaine est significatif puisque certaines journées sont marquées par des concentrations plus faibles ou plus fortes, toutes choses étant égales par ailleurs. Il n’est pas nécessaire d’analyser en détail ces coefficients puisque les différences entre les journées ne s’appliquent qu’à la période de collecte et ne peuvent être généralisées à l’ensemble de l’année. Aussi, peu de coefficients sont significatifs pour les participants alors que l’effet du moment de la journée est très important pour le dioxyde d’azote et beaucoup moins pour les PM2,5 et PM10 (figure S4 en annexe dans le matériel supplémentaire).

Quoi qu’il en soit, l’introduction de l’ensemble des variables de contrôle dans les modèles permet d’obtenir des coefficients non biaisés pour les variables explicatives.

Analyse des variables explicatives

D’emblée, l’effet du type d’axe sur les niveaux de polluants enregistrés est extrêmement important. Comparativement à une rue résidentielle, circuler durant une minute sur une autoroute ou une voie express, une route primaire, une route secondaire ou une route tertiaire fait augmenter significativement l’exposition au NO2 (respectivement 20,13, 14,91, 13,10 et 14,65 µg/m3), mais aussi au PM2,5 (respectivement 4,10, 3,25, 2,31 et 2,30 µg/m3) et au PM10 (respectivement 10,92, 5,71, 6,03 et 4,42 µg/m3).

Les routes non asphaltées (terre ou sable) sont associées significativement à une diminution des trois polluants (respectivement -3,47, -1,26 et -4,53 pour le NO2, le PM2,5 et le PM10). Plusieurs raisons pourraient expliquer ce résultat contre-intuitif. D’une part, cela pourrait s’expliquer par des volumes de circulation et une vitesse des véhicules beaucoup plus limités sur ces tronçons. D’autre part, les rues majeures asphaltées avec plus de trafic (primaires, secondaires, tertiaires) ont très souvent des bas-côtés non asphaltés sur lesquels s’arrêtent fréquemment des bus qui soulèvent ainsi beaucoup de poussières.

La vitesse du cycliste, que nous avions associée hypothétiquement à des niveaux de trafic routier plus faibles, fait bien diminuer l’exposition aux trois polluants, alors que le nombre de feux de circulation n’est pas significatif.

Concernant les effets non linéaires des variables explicatives, celui de la distance jusqu’à l’axe majeur le plus proche est particulièrement important pour le dioxyde d’azote, contrairement aux deux autres polluants (figure S5 en annexe). En revanche, la localisation géographique a un effet très important sur les trois polluants, signalant que, toutes choses étant égales par ailleurs, les mesures collectées sont bien plus élevées dans certains secteurs de la ville que d’autres (figures S6 à S8 en annexe).

Tableau 4

Résultats des modèles bayésiens

Résultats des modèles bayésiens

Tous les paramètres ont une valeur de Rhat égale à 1, indiquant une très bonne convergence des modèles et une bonne juxtaposition des quatre chaînes. Les valeurs des coefficients en gras sont significatives au seuil de 5 %.

Réf : catégorie de référence.

a Coef. et IC 95 % : coefficient de régression et intervalle de confiance à 95 %.

b L’humidité a été centrée sur sa moyenne (77,1 %) afin de ne pas affecter la valeur de la constante.

1 Variable de contrôle, 2 variable explicative.

Voir la liste des tableaux

Production et analyse des cartes d’exposition aux différents polluants

À partir des équations des trois modèles bayésiens, nous pouvons prédire spatialement les niveaux d’exposition aux NO2, PM2,5 et PM10 pour les tronçons routiers de l’ensemble du territoire d’étude. En effet, pour chaque tronçon, nous connaissons les valeurs des variables explicatives des modèles : le type d’axe (autoroute ou voie express, route primaire, etc.), la distance euclidienne à une route majeure, le nombre de feux de circulation situés dans une zone tampon de 20 mètres, le revêtement (asphalté ou non) et les coordonnées géographiques. Quant aux valeurs des variables de contrôle, elles ont été fixées constantes comme suit : le lundi 6 décembre (journée de référence), 90 pour le nombre de minutes écoulées depuis 8 h (soit 9 h 30), une vitesse du vent à 10 km/h, une humidité à 77,1 % (soit la valeur moyenne durant la collecte) et une vitesse du cycliste à 10 km/h.

Les cartes d’exposition aux trois polluants sont présentées aux figures 3 à 5, avec une discrétisation en 5 classes selon les quintiles afin de faciliter la comparaison des cartes entre elles (Béguin et Pumain, 2017 : 103).

Figure 3

Carte de prédiction de l’exposition au NO2 (µg/m3) pour le réseau routier de la ville d’Abidjan

Carte de prédiction de l’exposition au NO2 (µg/m3) pour le réseau routier de la ville d’Abidjan

Voir la liste des figures

Les valeurs prédites de la carte d’exposition au NO2 varient de 32,9 à 116,0 avec une moyenne de 77,0 µg m3 (figure 3). Les niveaux plus élevés s’observent sur les grands axes (traits épais rouges). La carte révèle aussi des variations spatiales importantes : les valeurs les plus élevées sont localisées dans les communes centrales et méridionales (Adjamé, Plateau, Cocody, Treichville, Marcory et Biétry) et les plus faibles dans les communes périphériques (Yopougon, Abobo, Anoumabo, Riviera 5 et Riviera Palmeraie), surtout dans les rues résidentielles. Ainsi, la distribution spatiale du dioxyde d’azote est très reliée à la circulation routière, c’est-à-dire sur les grands axes et dans les secteurs du centre et du sud où la congestion routière est importante.

Les cartes d’exposition potentielle aux deux polluants particulaires sont très semblables (figures 4 et 5), sauf pour les communes Koumassi, Anoumabo et Yopougon avec de faibles valeurs pour le PM2,5, mais fortes pour le PM10. Pour les deux cartes, les valeurs prédites du PM2,5 varient de 12,1 à 30,8 pour le PM2,5 et de 29,6 à 93,0 pour le PM10 avec des moyennes de respectivement 18,2 et 55,0 µg/m3. Les secteurs de la ville avec les prédictions les plus élevées de PM2,5 et PM10 (supérieures à 18 et 57 µg/m3) sont situés dans les communes socialement défavorisées d’Adjamé, Yopougon et Abobo avec une forte densité populationnelle et des rues résidentielles en terre ou en sable, source majeure de poussière ambiante. À l’inverse, les communes aisées de Cocody, Plateau et Treichville affichent les valeurs de prédiction les plus faibles (16 et 45 µg/m3), très souvent inférieures aux seuils recommandés par l’OMS.

Figure 4

Carte de prédiction de l’exposition au PM2,5 (µg/m3) pour le réseau routier de la ville d’Abidjan

Carte de prédiction de l’exposition au PM2,5 (µg/m3) pour le réseau routier de la ville d’Abidjan

Voir la liste des figures

En résumé, les prédictions de trois modèles pour l’ensemble de la ville révèlent une géographie du dioxyde d’azote bien différente de celles des matières particulaires.

Discussion

Limites de l’étude

Bien que le volume de données collectées sur les polluants atmosphériques soit considérable (71 heures et 920 kilomètres dans les rues d’Abidjan), comme toute recherche, ce travail présente plusieurs limites.

Premièrement, les données ont été collectées durant une période limitée, soit du 3 au 9 décembre 2021 entre 8 h et 18 h. Ainsi, elles ne fournissent aucune information sur les niveaux de pollution la nuit et ne permettent pas d’analyser la distribution temporelle des polluants tout au long de l’année. Pour un tel objectif, les données issues de stations fixes sont plus adaptées. Néanmoins, nous avons soigneusement choisi une période d’étude représentative d’une semaine typique de l’harmattan, et les résultats sur les effets des variables explicatives sur l’exposition aux polluants restent valables. Il conviendrait toutefois de refaire cette collecte à d’autres périodes de l’année.

Figure 5

Carte de prédiction de l’exposition au PM10 (µg/m3) pour le réseau routier de la ville d’Abidjan

Carte de prédiction de l’exposition au PM10 (µg/m3) pour le réseau routier de la ville d’Abidjan

Voir la liste des figures

Deuxièmement, bien que le recours aux données d’OSM se soit avéré efficace pour modéliser les trois polluants, nous avons omis d’autres variables explicatives relatives au trafic en temps réel (Zuurbier et al., 2019 ; Apparicio et al., 2020a), à la végétation (Chen et al., 2016 ; Klingberg et al., 2017) et aux bâtiments (canyons de rue) (Hoek et al., 2008 ; Taseiko et al., 2009 ; Gelb et Apparicio, 2020) ainsi qu’aux zones industrielles qui pourraient toutes affecter de manière significative les niveaux des polluants. Ces données spatiales secondaires ne sont malheureusement pas disponibles pour Abidjan, comme pour de nombreuses villes du Sud global.

Troisièmement, du fait de l’absence d’un réseau public de surveillance de la qualité de l’air à Abidjan, nous n’avons pas utilisé de données issues de stations fixes. L’accès à de telles données aurait permis d’introduire des données sur la pollution d’arrière-plan dans les modèles bayésiens, mais aussi de calibrer les appareils mobiles Aeroqual. Concernant ce dernier point, trois éléments viennent « atténuer » l’imprécision des capteurs mobiles comparativement à des stations fixes : 1) les capteurs de pollution ont été calibrés chez le fournisseur avant la collecte, 2) pour chaque polluant et chaque participant, deux appareils ont été utilisés ; 3) la variabilité systématique des capteurs a été contrôlée avec l’ajout de l’effet du participant dans les modèles.

Comparaison des résultats avec des travaux antérieurs sur la pollution atmosphérique dans les villes africaines

Les résultats de modèles bayésiens ont démontré le rôle très important de l’environnement routier sur les niveaux de concentration des polluants. En effet, quel que soit le polluant considéré (NO2, PM2,5 et PM10), les niveaux sont systématiquement plus élevés sur les autoroutes, les routes primaires, secondaires et tertiaires que sur une rue résidentielle, toutes choses étant égales par ailleurs. Ces résultats corroborent ceux de Rooney et al. (2012) à Accra pour les matières particulaires, bien que les méthodes de collecte (mobile vs fixe) et les constructions des modèles de régression diffèrent.

L’une des contributions de cette étude est la production de cartes d’exposition potentielle pour les trois polluants pour l’ensemble de la ville d’Abidjan, à partir d’une collecte de données extensive et de la construction de modèles de régression généralisés additifs. Ce travail s’inscrit ainsi dans le courant des études sur la pollution de l’air avec des land use regression (LUR) (Hoek et al., 2008). Rappelons que nous avions répertorié uniquement deux études produisant des cartes de concentration des polluants dans les villes d’Afrique de l’Ouest, toutes deux à Abidjan (Bahino et al., 2018 ; Gnamien et al., 2021). Toutefois, ces deux études et la nôtre s’inscrivent dans des paradigmes bien différents : 1) la production de cartes de pollution de l’air à une échelle régionale basée sur des données issues d’un petit nombre de stations fixes et des méthodes d’interpolation spatiale (pondération inverse à la distance et krigeage), 2) la production de cartes à une échelle fine (au niveau des tronçons routiers) avec une méthode de collecte extensive et une approche de type LUR. Malgré tout, la comparaison des cartes révèle plusieurs similitudes. Premièrement, concernant la distribution spatiale du NO2 à Abidjan, nous avons aussi trouvé les valeurs les plus élevées dans les communes centrales et méridionales (Bahino et al., 2018). Deuxièmement, ces mêmes communes présentent aussi globalement des valeurs de matières particulaires plus faibles (Gnamien et al., 2021).

En résumé, une approche extensive et mobile avec des capteurs à faible coût mériterait d’être réalisée plusieurs fois par année dans des villes d’Afrique de l’Ouest. À la suite de cette étude, plusieurs pistes d’amélioration sont alors possibles : 1) calibrer les appareils à des capteurs fixes, 2) combiner des données de capteurs fixes et mobiles, 3) fixer des appareils de mesure sur d’autres modes de transport (notamment des bus) et 4) recourir à d’autres modèles de prédiction d’apprentissage automatique comme XGBoost (Wong et al., 2021).

Conclusion

La collecte mobile extensive réalisée avec des vélos munis de plusieurs capteurs de pollution de l’air à faible coût a révélé des niveaux élevés de dioxyde d’azote et de particules à Abidjan. Les valeurs moyennes des concentrations du NO2, des PM2,5 et des PM10 sont respectivement de 91,4 µg/m3, 23,3 µg/m3 et 90,6 µg/m3 pendant la période de collecte. Les résultats des modèles bayésiens ont montré les effets importants des types d’axes routiers et de la localisation géographique sur les niveaux de ces trois polluants. En outre, les prédictions de ces modèles bayésiens ont permis la production de cartes d’exposition à ces trois polluants pour l’ensemble du réseau routier d’Abidjan. Or, ces cartes révèlent des distributions spatiales différentes d’un polluant à l’autre.