Land-use regression and spatio-temporal hierarchical models for environmental processes

La modélisation de l’occupation de l’espace par la régression est une méthode très répandue et utilisée pour décrire la variabilité spatiale de différents processus environnementaux à l'aide de variables locales. Cependant, une structure spatio-temporelle complexe subsiste après l’ajustement aux variables d’occupation de l’espace.Dans cette thèse, trois modèles hiérarchiques bayésiens sont proposés pour modéliser la dispersion spatiale et spatio-temporelle des polluants et allergènes aériens au sein de villes. L’inférence bayésienne peut facilement tenir compte des interactions complexes tout en tenant compte naturellement, lors de prédictions, du niveau d’incertitude lié à l’estimation d’inconnues dans un modèle.Dans le premier projet, un modèle spatial hiérarchique est utilisé pour analyser la concentration de composés organiques volatils (COVs) à Montréal, au Canada. Les données sont constituées de mesures de concentrations de cinq COVs relevées au cours de périodes de deux semaines lors de trois campagnes de surveillance sur 130 sites urbains entre 2005 et 2006. Les cinq COVs d’intérêts sont le benzène, le décane, l’éthylbenzène, l’hexane et le triméthylbenzène. Quatre modèles différents sont considérés pour les cinq COVs. Ces modèles développent la modélisation de l’occupation de l’espace par la prise en compte de toute structure spatiale qui subsiste après l’inclusion de variables explicatives; et par leur considération de la variation inter-campagne au moyen d’une variable indicatrice ou de coefficients propres à chaque campagne de surveillance. Pour tous les COVs, les niveaux les plus élevés sont relevés au cours d'une campagne en décembre et les zones prédites avec les plus hauts niveaux correspondent à plusieurs sections de principales autoroutes.Pour les deuxième et troisième projets, nous utilisons des données quotidiennes et hebdomadaires liées à la concentration de pollen mesurée à Toronto, au Canada en 2018. Les mesures concernent la concentration de pollen d’arbre, d’herbes, de gazon et total sur 18 sites de surveillance, qui ont été relevées quotidiennement sur onze de ces sites et hebdomadairement sur les sept autres.Dans le deuxième projet, la concentration hebdomadaire de chacun des quatre types de pollen est modélisée. Au lieu de ne considérer que la période où les valeurs sont positives, c’est-à-dire d’enlever les zéros, un modèle hurdle est proposé afin de considérer les nombreuses mesures égales à zéro. Cela permet l’estimation de la probabilité que la concentration de pollen soit nulle, ce qui donne davantage d’information sur les périodes avec des concentrations positives des différents types de pollen. De plus, un modèle linéaire dynamique est utilisé pour représenter la tendance hebdomadaire de la concentration de pollen en ville.Dans le troisième projet, la concentration quotidienne du pollen total est modélisée. Plutôt que d’agréger les données à une échelle hebdomadaire, un modèle de désalignement temporel est proposé afin de considérer les différences d’échelle et afin de profiter des mesures quotidiennes. En utilisant les propriétés des modèles linéaires dynamiques et de la distribution normale multivariée, un modèle spatio-temporel qui tient compte du désalignement temporel, est proposé. Ce modèle estime des mesures à une échelle précise à des localisations où seules des mesures d’échelle plus grossières étaient relevées. De plus, ce modèle est ajusté à des données artificielles présentant différentes structures temporelles telles qu’une tendance générale et une saisonnalité.Les surfaces prédites dans ces projets aideront à façonner de futures études en santé. D’autre part, les méthodes proposées ici sont flexibles, facilement adaptables et peuvent aider à améliorer notre compréhension de processus environnementaux similaires. Tous les codes sont disponibles publiquement afin que l’implémentation de l’approche proposée dans des situations similaires puisse facilement être implémentée

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.