Modélisation, caractérisation et maîtrise
des expositions aux ondes électromagnétiques
Le projet AMPERE est dédié à la caractérisation de l’exposition résidentielle aux ondes radiofréquence
Télécom Paris, France / INERIS, France / ULB, Belgique / IMEC, Belgique / CNR, Italie / UU, Pays-bas
Le projet AMPERE vise à développer une approche avancée de cartographie spatio-temporelle de l’exposition aux champs électromagnétiques (CEM) à l’aide d’outils statistiques avancés.
L’évaluation de la distribution spatiale et temporelle des CEM peut nécessiter de longs temps de calcul, des mesures étendues et des données qui ne sont pas toujours accessibles au public. La combinaison de l’exposition aux CEM, de l’utilisation des TIC, de la densité de population et des caractéristiques de l’environnement impliqués dans la fusion de données est donc fortement limitée. Pour surmonter ces derniers, AMPERE développera des méthodes avancées basées sur des statistiques et des modèles de substitution.
En outre, pour être utiles aux entités chargées de l’évaluation des risques, aux épidémiologistes et au grand public, les boîtes à outils impliquées dans le processus de fusion des données seront aussi simples que possible et ne nécessiteront pas une trop grande expertise en télécommunications, propagation et électromagnétisme.
L’exposition extérieure sera caractérisée à l’aide de mesures (large bande, exposimètres et traceurs mobiles) et de simulations réalisées par les partenaires. L’exposition induite par les points d’accès et les dispositifs sera estimée dans différents environnements, différentes bandes de fréquences et services (par exemple, les réseaux cellulaires, mais aussi la radiodiffusion). Profitant des équipes impliquées dans AMPERE, l’exposition sera réalisée dans différents pays, villes, catégories socioprofessionnelles et architectures de réseaux de communication. En plus de l’acquisition spécifique du projet, les données existantes seront collectées à partir des bases de données des partenaires et des projets précédents permettant une utilisation efficace des ressources et l’étude des évolutions de l’exposition dans le temps.
En tenant compte des travaux réalisés dans le cadre de projets antérieurs (par exemple ANR Samper, B WARE), les mesures et simulations, ainsi que des outils statistiques avancés tels que la géométrie stochastique (Yu 14) et la géostatistique (par exemple Kriging) seront combinés pour interpoler les mesures et simulations. L’analyse de sensibilité sera effectuée en utilisant différentes méthodes (Sobol’ 01, Kucherenko 12) afin d’identifier les paramètres les plus influents sur l’exposition.
L’évaluation de l’exposition à l’intérieur est affectée par les incertitudes et le manque d’information concernant l’environnement intérieur et l’emplacement des sources intérieures. L’utilisation d’approches déterministes, telles que celles basées sur des méthodes de ray tracing, est donc complexe à utiliser. Pour surmonter ces limites, un modèle statistique innovant de l’exposition intérieure aux CEM est nécessaire. L’exposition à l’intérieur sera d’abord caractérisée par des mesures (large bande, exposimètres et traceurs mobiles) et des simulations avec des antennes situées à l’extérieur ou à l’intérieur des bâtiments. Compte tenu de l’incertitude de la connaissance de l’environnement, de l’emplacement des antennes intérieures et de la localisation des utilisateurs, l’objectif principal de ce WP sera de construire un modèle statistique innovant de l’exposition intérieure aux CEM. Pour être utilisable, un tel modèle stochastique devra utiliser un certain nombre de paramètres intégratifs, tels que le type de bâtiment, la hauteur, les fenêtres, pour produire des cartes types de l’environnement résidentiel intérieur. Pour les sources situées à l’intérieur, les distributions statistiques sont définies par des paramètres tels que la moyenne et les quantiles qui dépendent de l’environnement (par exemple, zone commerciale, maison individuelle, habitations collectives, etc.) Sur la base d’une analyse de sensibilité, un modèle stochastique avancé simplifié de l’exposition intérieure sera construit et les données obtenues seront comparées aux données existantes recueillies pour l’exposition intérieure.
L’exposition varie dans le temps (par exemple dans la journée) en raison des variations et des incertitudes des signaux causées par les changements environnementaux. En fait, répéter la même mesure dans des conditions inchangées ne donne pas nécessairement le même résultat, en raison de la circulation des personnes, du trafic, etc. Par conséquent, il est important que les algorithmes précédents soient capables de traiter la variabilité stochastique inhérente à un environnement dynamique. Ce GT tiendra compte et modélisera de façon stochastique les caractéristiques temporelles de l’exposition telles que l’évanouissement, le trafic (cellulaire), le non régulier (Wifi) et les émissions rares (IoT). L’objectif de ce WP est d’étudier la variation temporelle de l’exposition dans la zone étudiée et d’élaborer des procédures qui permettent, à l’aide de la modélisation stochastique, d’inclure la variable temporelle dans les modèles. Nous examinerons si nous pouvons utiliser des mesures d’exposition dans le domaine temporel à un nombre soigneusement sélectionné de lieux de mesure dans la région (Paris, Amsterdam, Gand, etc.) pour obtenir une carte d’exposition dans le domaine temporel de la région. Tout d’abord, nous commencerons la recherche à un point de mesure particulier et effectuerons une analyse approfondie des mesures temporelles à différents moments dans le temps (p. ex. variations quotidiennes et variations d’un jour à l’autre). Deuxièmement, afin de filtrer les composantes temporelles du bruit à partir de ces mesures, différents algorithmes de lissage seront étudiés et comparés (p. ex. lissage des moindres carrés pondérés en fonction de la distance, splines bicubiques, lissage négatif pondéré exponentiellement, etc.) Notez qu’il n’existe pas d’algorithmes entièrement automatisés permettant d’identifier les composantes des tendances dans les données d’exposition temporelles. Une fois que les séries chronologiques seront transformées, elles seront non biaisées par les valeurs aberrantes et faciliteront la possibilité de modélisation et de prévision temporelles. Dans la littérature, plusieurs algorithmes peuvent être appliqués pour effectuer cette analyse dans le domaine temporel (auto-corrélation et analyse de corrélation croisée) et dans le domaine fréquentiel (analyse spectrale et analyse par ondelettes). Troisièmement, nous combinerons (WP5) les solutions de modélisation temporelle avec les algorithmes de modélisation spatiale qui seront développés dans WP2 et WP3. Il en résultera de nouvelles procédures pour l’élaboration de cartes d’exposition variant dans le temps, capables de traiter des mesures temporelles à de multiples endroits dans la zone d’intérêt. En appliquant cette méthodologie à différents domaines, de nouvelles lignes directrices pour l’évaluation de l’exposition seront élaborées. Les nouveaux modèles permettant la variation spatio-temporelle de la cartographie de l’exposition seront comparés aux modèles utilisés précédemment (p. ex., NISMAP). Il sera également diffusé dans le cadre d’études épidémiologiques en cours et. L’application fournira des indications sur le gain de précision de l’évaluation de l’exposition dans les études épidémiologiques et permettra des analyses plus précises dans le temps (p. ex. l’exposition au moment où les sujets sont à la maison), ce qui pourrait entraîner des prévisions plus précises des risques.
En utilisant l’expérience actuelle des partenaires d’AMPERE dans la fusion de données et dans des projets antérieurs ou en cours, les caractéristiques spatio-temporelles des expositions extérieures et intérieures aux CEM estimées dans les WP2, 3 et 4, les données géographiques et socio-économiques seront combinées en une cartographie avancée de l’exposition résidentielle RF fournissant des informations sur les variations temporelles, la fréquence et les quantiles d’exposition. La plate-forme PLAINE développée par l’INERIS sera adaptée aux modèles spatio-temporels extérieurs et intérieurs développés dans le cadre du projet. La plate-forme améliorée sera utilisée pour collecter, intégrer et analyser les données liées aux sources RF, à la mesure des CEM, à l’exposition et aux données démographiques. Les outils de calcul stochastiques et les modèles de substitution seront utilisés pour ajouter des niveaux de complexité à l’évaluation de l’exposition en intégrant le budget espace-temps pour la population cible. La mobilité géospatiale sera intégrée sous la forme d’une trajectoire linéaire pièce par pièce dans un espace tridimensionnel (dimensions x, y plus dimension temporelle). Des covariables d’exposition supplémentaires seront intégrées pour compléter l’évaluation de l’exposition : statut socio-économique, démographie, comportement de la population…. Des scénarios seront construits à partir d’études de cas et d’études nationales pour estimer la fréquence temporelle des individus et des populations dans différents micro-environnements. Les profils d’exposition au microenvironnement seront dérivés des WP2, 3 et 4. Un modèle d’exposition lié au modèle spatio-temporel développé dans le cadre du projet et à une base de données non spatiale permet de construire des indicateurs d’exposition et des statistiques intéressantes associées en utilisant une procédure de Monte-Carlo pour combiner la variabilité spatio-temporelle du micro-environnement et le scénario individuel/populaire.
[bloch 08]I. Bloch (Ed), (2008), Information Fusion in Signal and Image Processing, London, UK, ISTE, Wiley.
[bloch 96]I. Bloch, (1996), « Information Combination Operators for Data Fusion: A Comparative Review with Classification », IEEE Systems, Man and Cybernetics, vol. 26, n° 1, pp. 52-67.
[Caudeville 12] Caudeville J, et al., 2012 A. Development of a spatial stochastic multimedia model to assess population exposure at a regional scale. Journal of Total Environment 2012,
[Gajšek 15] Gajšek et al.,. Electromagnetic field exposure assessment in Europe radiofrequency fields (10 MHz–6 GHz), JESEE 2015, 25 (1):37-44.
[Isselmou 06] Isselmou YO et al;, Geostatistical interpolation for mapping radio-electric exposure level , First European Conference On Antennas and Propagation, 2006. EuCAP 2006, Nice, France.
[Isselmou 08] Isselmou YO et al. Geostatistical estimation of electromagnetic exposure, in geoENV VI,, Proceedings of the Sixth European Conference on Geostatistics for Environmental Applications, 2008, Part I: 59-70
[Jawad 15] Jawad, O., Dricot, J.-M., Benlarbi-Delaï, A., Lautru, D., De Doncker, P., « Study of human exposure using kriging method », Progress in Electromagnetics Research B, 61(1), 241-252, 2015
[Joseph 09] W. Joseph et al., In-situ measurement procedures for temporal RF electromagnetic field exposure of the general public, Health Phys 96(5) (2009)
[Joseph 10] W. Joseph et al, Influence of mobile phone traffic on general public base station exposure, Health Physics 99(5) (2010) 631-638.
[Kersaudy 15] P Kersaudy et al., A new surrogate modelling technique combining Kriging and polynomial chaos expansions–Application to uncertainty analysis in computational dosimetry Journal of Computational Physics 286, 103-117 (2015)
[Kucherenko 12] Kucherenko S., et al.. Estimation of global sensitivity indices for models with dependent variables. Computer Physics Communications, (2012). 183 :.
[Liorni 15] I Liorni, et al., Study of the exposure of 1 year-old infant to 3G tablet and femtocell using Polynomial Chaos theory. Electromagnetics in Advanced Applications (ICEAA), 2015
[Mahfouz 13] Z. Mahfouz, et al.,, Comparison of the Temporal Realistic RF Exposure with Worst-Case Estimation in Two Countries, Radiat Prot Dosimetry (2013) doi:10.1093/rpd/nct155.
[Neubauer 07] Neubauer G,et al., . Feasibility of future epidemiological studies on possible health effects of mobile phone base stations Bioelectromagnetics, 2007, 28 (3): 224-230.
[Saib 14] Saib M. S et al. (2014) Spatial relationship quantification between environmental, socioeconomic and health data at different geographic levels. Intel J of Environmental Research and Public Health, 11 (4):
[Sidi 14] Sidi HBA, et al. A. Self-opt,mizing mechanisms for EMF reduction in heterogeneous networks, 12th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks, WiOpt 2014, Hammamet; Tunisia, 12-16 May 2014,
[Sobol 01] Sobol’, I. M. (2001). Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates. Mathematics and Computers in Simulation, 55.
[Tesanovic 14] Tesanovic M et al The LEXNET project: wireless networks and EMF: paving the way for low-EMF networks of the future, IEEE Vehicular Technology Magazine, 2014, 9(2):
[Varsier 15] Varsier N et al., A novel method to assess the human population exposure induced by a wireless cellular network Bioelectromagnetics, 2015
[Vermeeren 13] G. Vermeeren et al., ,, Spatial and temporal RF electromagnetic field exposure of children and adults in indoor micro environments in Belgium and Greece, Progress in Biophysics & Molecular Biology (2013), 2013.
[Yu 14] Yu X, et al., Crack STIT tessellations for city modeling and impact of terrain topology on wireless propagation, 12th International Symposium on Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks, WiOpt 2014, Hammamet; Tunisia, 12-16 May 2014.
