Estimation statistique de données manquantes en inventaire du cycle de vie

Un problème rencontré par de nombreuses méthodes d'évaluations d'impacts sur l'environnement est le manque de données fiables. L'analyse du cycle de vie (ACV), un outil d'évaluation des impacts pour produits, procédés et services sur l'ensemble de la chaîne de production, consommation et élimination, ne fait pas exception. Les raisons expliquant le manque de données sont multiples, la collecte peut être physiquement, économiquement ou légalement infaisable. Plus important encore sont l'absence de données et les incertitudes qui découlent de connaissances insuffisantes sur le fonctionnement ou l'état d'un système, d'une technologie émergente à l'évolution du climat. En ACV, l'inventaire du cycle de vie est une étape particulièrement gourmande en données puisqu'il s'agit de quantifier les flux d'énergie et de matériaux traversant les frontières d'un système, incluant les émissions. Différentes sources de données empiriques et génériques sont utilisées lorsque disponibles. Les bases de données d'inventaire et références bibliographiques, si elles ne sont pas nécessairement représentatives du contexte à l'étude, sont souvent ajustées en fonction de la situation géographique ou des technologies en vigueur. En parallèle, quelques approches existent pour estimer les données lorsque celles-ci ne sont pas disponibles, dont la contribution principale de cette thèse. L'objectif de ce travail de recherche est d'améliorer la qualité des données d'inventaire en proposant une méthode d'estimation des données manquantes et des incertitudes correspondantes. Contrairement aux bilans de masse et d'énergie pour un procédé donné, l'approche développée ici consiste à modéliser les processus à l'aide d'estimateurs statistiques dont les propriétés sont adaptées aux échantillons de petites tailles et aux données très variables. L'hypothèse de recherche est la suivante: un estimateur nommé krigeage permet d'intégrer l'estimation de données manquantes et de leurs incertitudes de façon plus fiables qu'avec d'autres techniques linéaires. Emprunté à la géostatistique, il présente les avantages d'être flexible sur les modèles de relation entre variables dépendantes et indépendantes et d'être un estimateur exact, sans erreur statistique lorsque les données observées sont estimées, toute l'information est donc conservée. Une interprétation des paramètres du krigeage spécifique aux problèmes d'incertitude des vi données, présente d'autres avantages. Qu'elles proviennent de sources diverses ou qu'il faille recourir à toutes les données disponibles, aussi peu nombreuses soient elles, leurs variations deviennent importantes. La résolution des équations du krigeage est ainsi modifiée pour permettre d'incorporer une incertitude spécifique à chaque observation. La procédure se base sur les caractéristiques techniques, variables indépendantes, des processus étudiés pour estimer leurs besoins en énergie et matériaux et leurs émissions sur l'ensemble du cycle de vie. En comparaison avec d'autres approches, peu de données additionnelles sont nécessaires. La production d'électricité est un exemple phare du fait de son impact pour la plupart des procédés. L'hydroélectricité en particulier est mal représentée parmi les données existantes, sa production variant considérablement d'un site à l'autre. En d'autres termes il n'existe pas de centrale hydroélectrique générique. Contrairement aux flux d'inventaire de ces mêmes centrales, les spécifications techniques ou variables caractéristiques, telles que la capacité installée, la production effective, la surface d'un éventuel réservoir, etc. sont des données généralement accessibles. Les modèles de krigeage sont d'abord testés sur des données d'inventaire pour des éoliennes de puissances variées pour ensuite être appliqués d'un coté aux flux d'énergie et de matériaux nécessaires à la construction et l'exploitation de centrales et de l'autre aux émissions de gaz à effet de serre provenant des réservoirs hydroélectriques. Les résultats montrent qu'il est possible d'améliorer l'estimation des données d'inventaire grâce au krigeage. En comparant plusieurs formes de krigeage et régression linéaire, les estimations par krigeage sont non seulement plus précises mais les écarts type couvrent aussi les données de manière plus exacte. Lorsque les données observées sont incomplètes, c'est à dire que les flux d'inventaire ne sont pas disponibles pour toutes les observations, les erreurs d'estimation sont plus faibles pour le krigeage que la régression linéaire. Plus précisément, le krigeage d'un flux d'inventaire sur base de deux variables caractéristiques présente des erreurs encore plus faibles que son cousin multivarié, le cokrigeage. Par validation croisée, les erreurs d'estimation sont en moyenne plus faible pour le krigeage que la régression linéaire, que les données observées soient complètes ou non. L'application de plusieurs variables caractéristiques améliore la qualité des estimations lorsqu'elles sont positivement corrélées. De plus, la modification du vii système de krigeage pour intégrer une mesure d'incertitude propre à chaque observation, permet d'atteindre une réduction de la variation des données estimées. Autrement dit cette variabilité est incluse directement dans le modèle. Les estimations sont ainsi plus fiables lorsque proches des points d'échantillon dont les incertitudes sont faibles, et inversement. Pour chacun des échantillons, différents modèles reliant variables dépendantes et indépendantes sont testés, notamment les fonctions de covariance linéaire, exponentielle, sphérique et cubique, ainsi qu'une série de valeurs pour leurs paramètres. Concernant l'analyse de systèmes de production d'électricité, ces résultats impliquent en particulier une estimation des données là où elles seraient difficiles à collecter et donc une simplification du processus de récolte. Pour des technologies aussi spécifiques aux conditions géologiques ou hydrologiques que l'hydroélectrique, l'estimation de flux d'inventaire par krigeage avec intégration de cette variabilité, se révèle plus représentative du contexte géographique ou technologique, d'où des données d'inventaire de meilleure qualité. Même si le krigeage présente de nombreux avantages – ses erreurs d'estimation sont en moyenne plus faibles que la régression linéaire – des limites existent quant à son application. Les estimations se basent sur des variables indépendantes qui expliquent, avec des corrélations plus ou moins élevées, l'inventaire d'un processus. Dans la chaîne de production, il est donc possible de remonter jusqu'aux processus élémentaires dont les caractéristiques décrivent les différents flux d'énergie et de matériaux correspondants. En comparaison avec d'autres façon d'estimer ou de substituer des données manquantes, celle proposée ici ne repose sur aucun a priori ou jugement d'expert mais requiert certaines connaissances techniques pour identifier ces variables caractéristiques et valider le modèle de krigeage. Cette thèse apporte un ensemble d'évidences en faveur de l'hypothèse d'une amélioration de la modélisation des données d'inventaire du cycle de vie à l'aide du krigeage. L'approche se révèle particulièrement adaptée à l'estimation de données manquantes pour augmenter la fiabilité des inventaires et aux processus spécifiques dont les données existantes ne sont pas représentatives.