Navigation – Plan du site
2019
903

Un atlas-web pour comparer l’exposition individuelle aux pollutions atmosphérique et sonore selon le mode de transport

Philippe Apparicio, Jérémy Gelb et Marie-Ève Mathieu

Résumés

Les bénéfices individuels et collectifs de l’utilisation du vélo en milieu urbain sont aujourd’hui bien connus. Individuellement, elle contribue à une meilleure santé physique et mentale ; collectivement, elle réduit les coûts de santé, la congestion routière, les pollutions atmosphérique et sonore.
Plusieurs études ont comparé récemment les niveaux d’exposition aux polluants atmosphériques et au bruit selon le mode de transport (automobile, vélo et transport en commun) dans plusieurs villes à travers le monde. À notre connaissance, les résultats de ces études n’ont jamais été diffusés sous forme d’application cartographique sur Internet. Cela favoriserait pourtant le transfert de connaissances tant auprès des planificateurs urbains que du grand public.
Par conséquent, l’objectif de cet article est de proposer une méthodologie basée sur des logiciels et librairies gratuits pour déployer un atlas interactif sur Internet sur la comparaison de l’exposition individuelle aux pollutions atmosphérique et sonore à Montréal selon le mode de transport utilisé. Pour ce faire, la structuration des données primaires ainsi que l’architecture et les fonctionnalités de l’atlas sont largement discutées.

Haut de page

Texte intégral

Les auteurs tiennent à remercier les évaluateurs anonymes pour les commentaires et suggestions qui ont permis d'améliorer cet article. Cette étude a bénéficié du soutien financier de la Chaire de recherche du Canada en équité environnementale et la Ville (950‐230813).

Introduction

1L’utilisation du vélo en heures de pointe comme moyen de transport pour se rendre au travail est de plus en plus fréquente dans les villes nord-américaines (Pucher et al., 2011), qui accusent toutefois un retard important comparativement à leurs consœurs européennes (surtout néerlandaises). De plus, les planificateurs urbains considèrent aujourd’hui le vélo comme un moyen de transport actif permettant de réduire les gaz à effet de serre, la congestion routière et le bruit (Apparicio et al., 2018 ; Macmillan et al., 2014). Cela s’exprime d’ailleurs par la volonté d’étendre les réseaux cyclables à l’intérieur des villes, de même que par la mise en place de systèmes de partage de vélos (Houde et al., 2018).

2Les bénéfices individuels et collectifs de la pratique du vélo en ville sont aujourd’hui bien connus et largement documentés (Bigazzi et al., 2014 ; Fishman et al., 2015 ; Rojas-Rueda et al., 2011). Individuellement, elle permet d’augmenter le niveau d’activité physique et d’améliorer ainsi la santé cardiovasculaire tout en réduisant les risques de maladies chroniques et de certains types de cancer, le surpoids et l’obésité (Bassett et al., 2008 ; Oja et al., 1998 ; Woodcock et al., 2009). Collectivement, cela se traduit par une réduction des coûts de santé, mais aussi de la congestion routière, des pollutions atmosphérique et sonore (Hatzopoulou et al., 2013 ; Rojas-Rueda et al., 2011).

3Malgré ces retombées positives, rouler à vélo en ville est également associé à des risques pour la santé dus à des niveaux d’exposition potentiellement élevés à la pollution atmosphérique, au bruit et au trafic routier. Dans une récente revue systématique, Cepeda et al. (2017) concluent que les automobilistes et les usagers des transports publics ont des niveaux d’exposition plus élevés que les cyclistes et les piétons. Toutefois, en raison de leurs niveaux de ventilation plus élevés, les cyclistes inhalent davantage de polluants atmosphériques que les automobilistes. Malgré tout, des travaux récents ont montré que les bénéfices de l’utilisation du vélo en ville surclassent largement les risques (De Hartog et al., 2010 ; Rojas-Rueda et al., 2011). Selon Tainio et al. (2016), les risques associés à l’inhalation de polluants atmosphériques dépasseraient les bénéfices liés à la pratique du vélo dans uniquement un pour cent des villes à travers le monde, présentant des niveaux extrêmes de concentration de polluants atmosphériques.

4Les déplacements domicile-travail en heures de pointe constituent un microenvironnement fort intéressant à analyser en matière d’exposition aux polluants atmosphériques et au bruit routier compte tenu des niveaux élevés, communément appelés des pics de pollution, mesurés lors de ces périodes de la journée (Laumbach et al., 2015). Dans une étude récemment publiée, Apparicio et al. (2018) ont comparé les temps de déplacement, les niveaux d’exposition au bruit et à la pollution atmosphérique et les niveaux d’inhalation de polluants à Montréal selon trois modes de transport : automobile, vélo et transport en commun. Cette étude a permis de mettre en lumière cinq principaux résultats. Premièrement, pour des trajets réalisés en heures de pointe de dix kilomètres en moyenne, il n’y a pas de différences significatives en termes de temps de déplacement entre les trois modes. Deuxièmement, les niveaux d’exposition au bruit sont significativement plus élevés pour les usagers du transport en commun, suivis par les cyclistes que pour les automobilistes (respectivement 73,95, 68,77 et 73,95 dB(A)). Troisièmement, l’exposition des cyclistes au dioxyde d’azote (NO2)n’est pas significativement plus élevée que celles des automobilistes. Quatrièmement, bien que leurs niveaux d’exposition soient comparables, les cyclistes inhalent 3,7 fois plus de NO2 que les automobilistes, ce qui s’explique par des niveaux d’activité physique et donc de ventilation bien plus élevés. Cinquièmement, la dépense calorique – et les bénéfices pour la santé en découlant – est sans surprise bien plus élevée pour les cyclistes et les usagers du transport en commun que pour les automobilistes (respectivement 3,72 et 1,78 fois).

5En résumé, les résultats de cette étude confirment que le vélo est une alternative très efficace à l’automobile, mais aussi au transport en commun pour des déplacements domicile-travail en heures de pointe. Comment s’assurer alors que ces résultats puissent avoir des retombées tant auprès des planificateurs urbains, des acteurs en santé publique, que du grand public, et ce, afin d’augmenter significativement l’utilisation du vélo lors des déplacements domicile-travail, comme dans plusieurs villes européennes ? Autrement dit, comment faciliter le transfert de connaissances découlant de cette étude vers l’ensemble des acteurs concernés et le grand public ? Pour ce faire, nous proposons une approche méthodologique afin de déployer un atlas interactif sur Internet intitulé « comparaison de l’exposition individuelle aux pollutions atmosphérique et sonore à Montréal selon le mode de transport utilisé » (http://atlaspollutionmtl.ucs.inrs.ca/​).

6Il est à noter que de nombreuses études ont comparé les niveaux d’exposition aux polluants atmosphériques selon différents modes de transport, et ce, dans différentes villes du monde : entre autres Sydney (Chertok et al., 2004), Barcelone (De Nazelle et al., 2012), New Delhi (Goël et al., 2015), Athènes (Duci et al., 2003), Stockholm (Lewne et al., 2006), Shanghai (Liu et al., 2015), Londres (Kaur et al., 2005), Beijing (Huang et al., 2012 ; Yan et al., 2015), Foshan (Chine) (Wu et al., 2013), Dublin (Nyhan et al., 2014), Arnhem (Pays-Bas) (Zuurbier et al., 2010) et Santiago (Chili) (Suárez et al., 2014). Rares sont celles qui comparent simultanément les expositions à la pollution de l’air et au bruit selon le mode de transport (Boogaard et al., 2009). Toutefois, à notre connaissance, les résultats de ces études – qu’elles se focalisent uniquement sur la pollution de l’air ou qu’elles incluent aussi le bruit – n’ont jamais été présentés sous forme d’atlas. Dans un premier temps, nous discuterons comment sont collectées et structurées les données primaires relatives à l’exposition à la pollution et au bruit selon les trois modes de transport (automobile, vélo et transport en commun). Dans un second temps, le déploiement de l’atlas – notamment l’architecture et les fonctions de cartographie interactive implémentées – sera décrit en détail. Finalement, dans une troisième section, deux exemples de cartes seront analysés afin de démontrer la pertinence d’utiliser l’application tant pour les citoyens que pour les planificateurs montréalais.

Collecter et structurer des données primaires sur l’exposition à la pollution et au bruit

Design de l’étude et instruments de collecte

7La collecte de données a eu lieu en juin 2016, impliquant huit étudiants en maîtrise en études urbaines et un professeur responsable du projet. Trois équipes de trois personnes chacune ont été formées : la première voyageait à vélo, la seconde en transport en commun et la troisième en automobile (fenêtre baissée).

8Les trajets ont été effectués durant les heures de pointe du matin et du soir, soit à partir d'un quartier périphérique de Montréal vers le centre-ville à 8 h et dans l'autre sens à 17 h. Plus précisément, les origines des trajets correspondent à l’intersection de deux rues résidentielles dans neuf arrondissements périphériques de Montréal (Ahuntsic-Cartierville, Le Sud-Ouest, Mercier-Hochelaga-Maisonneuve, Montréal-Nord, Rosemont-La Petite-Patrie, Verdun, Saint-Laurent, Saint-Léonard et Villeray-Saint-Michel-Parc-Extension). Les destinations sélectionnées au centre-ville sont soit des pôles d’enseignement supérieur (universités Concordia, INRS Urbanisation Culture Société, McGill et UQAM), soit des pôles d’emploi importants comme la Tour de la Bourse et le Complexe Guy-Favreau.

9Les membres – automobiliste, cycliste et usager du transport commun – de chacune des trois équipes démarraient leur trajet en même temps (à la seconde près). Dix-huit trajets aller-retour d’environ dix kilomètres ont été préalablement définis à l’aide de Google Maps. Les participants disposaient d’un trajet Google Maps envoyé sur leur téléphone portable afin qu’ils réalisent le trajet le plus rapide en fonction de leur mode de transport. Au total, ce sont donc 108 trajets qui ont été effectués (18 x 2 allers-retours x 3 modes de transport).

10La collecte est basée sur quatre instruments (figure 1). Deux d’entre eux sont attachés à un harnais porté par chaque participant : un appareil Aeroqual Series 500 avec un senseur de dioxyde d’azote et un senseur de température et d’humidité, un exposimètre acoustique Brüel & Kjær (type 4448). Chaque minute, ces deux appareils renvoient une mesure de pollution atmosphérique – étant ici le dioxyde d’azote (NO2) en µg/m3 – et le niveau moyen de bruit mesuré en décibels (dB(A)). Soulignons qu’au Québec, le transport routier est reconnu comme étant la principale source d’émission de plusieurs polluants atmosphériques, surtout les oxydes d’azote (NO2 et NOx, 85 %) et le monoxyde de carbone (CO, 76 %) ; et comme la source secondaire d’autres polluants comme les matières particulaires (PM2.5 et PM10, 17 %) (Gouvernement du Québec, 2018). Ce qui explique que nous ayons retenu un capteur de NO2.

11Une montre Garmin Forerunner 920 XT (figure 1.d) est utilisée afin d’obtenir la localisation géographique et la fréquence cardiaque du participant à chaque seconde. Finalement, uniquement pour ceux se déplaçant à vélo, une caméra d’action est positionnée sur le guidon du vélo tel qu’illustré à la figure 1.c. Cette caméra permet l’obtention d’une vidéo et d’une seconde trace GPS qui peuvent être utilisées pour améliorer la spatialisation des données (voir section suivante). Quelques heures avant le début des trajets, les horloges de ces quatre appareils sont synchronisées.

Figure 1 : Quatre outils de collecte

Figure 1 : Quatre outils de collecte

Légende : a) appareil Aeroqual (Series 500) avec un senseur de dioxyde d’azote et un senseur de température et d’humidité ; b) exposimètre acoustique Brüel & Kjær (type 4448) ; c) caméra d’action Garmin Virb XE ; d) montre multisport GPS Garmin Forerunner 920 XT.

  • 1 La mesure de l’équivalent métabolique d’activité (METs) permet d’évaluer l’intensité d’une activité (...)

12Évaluer la dose de polluant atmosphérique inhalée chaque minute par les participants nécessite d’obtenir une mesure de la ventilation (nombre de litres d’air aspirés chaque minute). Pour ce faire, chaque participant a réalisé un test d’effort progressif et maximal au Laboratoire Activité Physique et Santé (LAPS) de l’Université de Montréal (une description détaillée du test est disponible dans Apparicio et al., 2018). Les six participants se déplaçant en automobile ou en transport en commun ont fait le test sur un tapis roulant (Quinton Q65 Series 90 treadmill) ; ceux à bicyclette sur un vélo stationnaire (Corival bicycle ergometer). Durant le test physique, la fréquence cardiaque (nombre de battements cardiaques par minute) du participant est mesurée à partir de la montre Garmin Forerunner 920 XT. De plus, plusieurs paramètres métaboliques (débit respiratoire, ventilation minute, consommation d’oxygène et l’équivalent métabolique d’activité1) sont mesurés par calorimétrie indirecte à partir d'un appareil MOXUS (Model S-3A) (figure 2).

Figure 2 : Test d’effort physique maximal sur vélo stationnaire

Figure 2 : Test d’effort physique maximal sur vélo stationnaire

13Par la suite, pour chaque participant, des équations polynomiales sont construites entre la ventilation et le METs (variables dépendantes mesurées par l’appareil MOXUS) et la fréquence cardiaque (variable indépendante mesurée par la montre Garmin). Sans surprise, les relations de la fréquence cardiaque (FE) avec la ventilation (VE), et de la FE avec le METs sont très fortes puisque pour la quasi-totalité des équations, les valeurs de R2 obtenues sont supérieures à 0.9. Ces équations de régression sont utilisées pour estimer la ventilation et le METs durant les trajets réalisés par les 9 participants à partir de leurs fréquences cardiaques mesurées par la montre Garmin. Finalement, en multipliant simplement la ventilation estimée (VE, litres par minute) et la valeur de concentration du polluant NO2 mesurée par le capteur Aeroqual (exprimée en μg/m3), il est possible d’estimer relativement précisément la dose inhalée (I) en microgramme de NO2 à chaque minute :

I = (VE*0.001)*NO2

Structuration des données collectées

14La structuration des données est réalisée en quatre étapes, toutes codées en Python et schématisées à la figure 3.

15Premièrement, pour chaque trajet, trois fichiers sont envoyés sous forme de tables SQL dans une base de données SQLite : 1. le fichier FIT de la montre Garmin comprenant les coordonnées latitude-longitude et la fréquence cardiaque du participant à chaque seconde ; 2. un fichier csv du sonomètre comprenant la mesure moyenne du bruit (Laeq-1min) exprimée en dB(A) ; 3. un fichier csv issu de l’appareil Aeroqual comprenant trois champs (la mesure de pollution NO2, la température en degrés Celsius et l’humidité en pourcentage) à chaque minute. Chacune de ces tables dispose d’une colonne Time qui contient pour chaque observation un timestamp, soit le moment où l’observation a été enregistrée (délai en secondes à partir du 1er janvier 1970 à minuit).

16Deuxièmement, ces trois tables sont fusionnées dans une nouvelle table à partir des colonnes Time. Ainsi, cette table comprend l’ensemble des informations à chaque seconde du trajet (les coordonnées géographiques, la fréquence cardiaque, les mesures de pollution atmosphérique et de bruit). Cette table SQLite est exportée en dehors de la base de données au format Shapefile.

17Troisièmement, un algorithme de MapMatching écrit en Python et basé sur l’utilisation de l’API OSMR (Open Source Routing Matching) (Luxen et al., 2011) permet que chaque seconde du trajet soit rattachée au réseau routier d’OpenStreetMap (OSM) (Contributors Openstreetmap, 2017). Brièvement, OSMR est notamment basé sur un modèle de Markov caché (MMC) dont les segments routiers sont les états cachés et les points d’une trace GPS les observations. Il s’agit donc d’un algorithme probabiliste utilisant les informations telles que la vitesse de déplacement, l’orientation et la distance entre les points et les segments pour déterminer le chemin emprunté le plus vraisemblable (Luxen et al., 2011). La validation du MapMatching est effectuée en comparant les fichiers de sortie avec la trace Google Map initiale. Pour les trajets à vélo, la vidéo et la seconde trace GPS enregistrées par la caméra d’action peuvent être aussi utilisées.

18Quatrièmement, le résultat du MapMatching validé est exporté en Shapefile dans lequel on calcule deux champs pour la ventilation et le METs du participant à partir des équations polynomiales décrites dans la section précédente. À des fins d’analyses statistiques et spatiales, le shapefile du MapMatching validé est importé dans le logiciel libre R (Team R Core, 2017) tandis que pour la construction de l’atlas, il est exporté au format GeoJSON et intégré dans une base de données mongoDB.

Figure 3 : Structuration des données primaires

Figure 3 : Structuration des données primaires

Source : Apparicio Ph., Gelb J.

Déploiement de l’atlas

19D’emblée, signalons que l’ensemble de l’application a été conçue et déployée à partir de logiciels et librairies gratuits : 1. le système de base de données mongoDB (licence GNU AGPL) ; 2. la bibliothèque cartographique JavaScript OpenLayers (licence BSD) ; 3. la bibliothèque graphique JavaScript Data-Driven Documents (D3) qui permet de créer et manipuler des objets graphiques SVG (Scalable Vector Graphics), soit un standard W3C largement utilisé dans le domaine de la cartographie interactive et animée (Apparicio et al., 2006 ; Danzart et al., 2003 ; Peterson, 2003).

Architecture de l’atlas

20L’architecture côté serveur de l’atlas est constituée d’un serveur web et d’une base de données mongoDB. Nous avons retenu le système de base de données NoSQL en raison de sa grande flexibilité, de l’absence de besoin d’effectuer des opérations régulières sur les données et surtout parce que nos données en entrée sont au format GeoJSON.

21À l’inverse, l’architecture côté client est plus complexe. Nous proposons ici une présentation légèrement simplifiée de son fonctionnement aux figures 4 et 5. L’utilisateur a accès aux différents trajets disponibles au travers d’un menu (DropDownManager) filtrant les trajets en fonction de l’équipe qui les a effectués, de la date, de la période (heure de pointe du matin ou du soir) et de l’arrondissement de départ. Une fois le trajet sélectionné par l’utilisateur, une requête est envoyée au serveur web qui interroge la base de données mongoDB, en extrait des données au format GeoJSON et les retourne au client. Ces données sont ensuite utilisées pour alimenter les quatre principales composantes de l’atlas : la carte (Map), les graphiques de lignes (GraphCollection), les boîtes à moustaches et diagrammes en violon (BoxPlotCollection) et le tableau synthèse (RecapTable). Chaque requête retourne ainsi trois jeux de données : un pour le cycliste, un pour l’automobiliste et un dernier pour l’utilisateur du transport en commun.

22La construction de la carte est notamment basée sur la librairie JavaScript OpenLayers 3 (OL3), qui fait partie des librairies de cartographie interactive sur le web les plus complètes à ce jour. Les données GeoJSON renvoyées par le serveur sont converties en objets appelés Traces comprenant un objet VectorLayer (provenant de OL3), et peuvent directement être ajoutées à la carte. Un style spécifique pour chaque mode de transport a été défini et s’applique au travers des Traces aux VectorLayers.

23Les GraphCollection et BoxPlotCollection sont des objets constitués de sous-objets : Graph et BoxPlot. Nous avons choisi de les séparer afin de faciliter le développement, mais les deux ont un fonctionnement similaire. Un Graph et un BoxPlot disposent donc d’un ensemble de paramètres décrivant notamment les variables à utiliser sur l’ordonnée et l’abscisse, les valeurs des marqueurs à afficher, etc. Dans le cas des Graph, le temps est toujours utilisé pour l’axe des abscisses.

24Des Traces mentionnées plus haut, nous extrayons des nouveaux objets appelés Series (une Serie par Trace), qui peut être conceptualisés comme un simple tableau de données sans information spatiale. Il est alors possible d’ajouter les trois Series une à une à la GraphCollection et à la BoxPlotCollection qui se chargent de transmettre à leur Graph et BoxPlot respectifs, les données nécessaires pour dessiner les graphiques. Ces derniers sont dessinés dynamiquement dans des balises SVG (Scalable Vector Graphics) à l’aide de la librairie JavaScript Data-Driven Documents (D3).

25Dans la même optique, les Traces sont ajoutées au dernier objet : RecapTable. Chaque Trace représente une ligne dans ce tableau récapitulatif. Il est ensuite possible de lui ajouter des colonnes servant à afficher des statistiques résumant les différentes variables des Traces.

26Il est important de noter que les Series et les Traces sont interreliées, ce qui permet dans un second temps de rendre l’atlas interactif. En effet, des évènements au survol et au clic ont été ajoutés pour permettre d’effectuer des liens visuels entre les composantes Map, la GraphCollection et la BoxPlotCollection. Le fonctionnement de cette interactivité sera décrit plus longuement dans la prochaine section.

27Lorsque l’utilisateur effectue une nouvelle requête pour afficher de nouveaux trajets, chacun des objets présentés ci-dessus est nettoyé (Clear) : les Traces et les Series sont supprimées, les balises SVG vidées ainsi que le tableau récapitulatif et la Map OL3.

Figure 4 : Diagramme UML de l’application cartographique

Figure 4 : Diagramme UML de l’application cartographique

Source : Apparicio Ph., Gelb J.

Figure 5 : Identification des objets du diagramme UML dans l’interface de l’atlas-Web

Figure 5 : Identification des objets du diagramme UML dans l’interface de l’atlas-Web

Source : Apparicio Ph., Gelb J.

Description des fonctionnalités de l’application

28À partir de la figure 6, nous proposons ici une courte section afin de décrire les éléments (représentés par des chiffres de 1 à 4) et fonctionnalités (identifiées par des lettres a à c) de l’atlas. Concernant l’interface de l’application, afin qu’elle soit la plus intuitive possible et rapide d’utilisation, nous avons largement privilégié l’utilisation d’icônes au détriment du texte, dont la description est disponible au tableau 1.

29L’application est ainsi composée de quatre éléments : la carte (identifiée par le symbole ① à la figure 6), un résumé des trajets , cinq graphiques et cinq diagrammes en violon . La carte comprend les trois trajets – en bleu pour l’automobiliste, vert pour le cycliste et rouge pour l’usager du transport en commun – dont le début et la fin sont indiqués respectivement par les icônes de feux de circulation vert et rouge. En haut à droite de la carte ⓐ, quatre fonctions classiques de navigation sur la carte (agrandissement, réduction, centrage de la carte et changement du fond de carte) sont disponibles.

30Le résumé des trajets selon le mode de transport est réalisé à partir d’un tableau de trois lignes (une pour chaque mode de transport) et de six indicateurs en colonnes. Il permet ainsi à l’utilisateur de l’atlas d’établir un diagnostic comparatif sur les temps des trajets, les niveaux d’exposition et d’inhalation ainsi que sur le niveau d’activité selon les trois modes de transport. La première colonne renvoie à la durée des trois trajets. Dans l’exemple tiré de la capture d’écran, le cycliste est arrivé le premier (42"35) suivi de l’automobiliste (47"31) et de l’usager du transport en commun (52"12). La seconde colonne comprend les valeurs moyennes d’exposition au bruit : l’automobiliste étant bien moins exposé au bruit que le cycliste et l’usager du transport en commun (68,5 contre 71,1 et 77,4 dB(A)).

Tableau 1 : Description des icônes utilisées dans l’application

Tableau 1 : Description des icônes utilisées dans l’application

Source : Apparicio Ph., Gelb J.

31Dans les troisième et quatrième colonnes sont reportées les valeurs moyennes d’exposition au dioxyde d’azote et les doses totales de NO2 inhalées par les trois participants le long de leur trajet respectif. Ici, le cycliste est celui qui est le plus exposé à ce polluant atmosphérique (115 μg/m3) et qui en inhale le plus (177 μg). Par contre, bien que l’usager du transport en commun soit en moyenne moins exposé au NO2 que l’automobiliste (73 contre 85 μg/m3), il inhale plus de microgrammes de dioxyde d’azote sur l’ensemble du trajet (79 contre 57 μg). Cela s’explique par deux raisons : son temps de parcours est plus long et son niveau de ventilation est plus élevé que l’automobiliste. Les deux dernières colonnes comprennent les moyennes de la fréquence cardiaque et du niveau d’activité mesuré par l’équivalent métabolique d’activité (METs). Sans surprise, le cycliste a la plus forte fréquence cardiaque et le niveau d’effort physique le plus élevé suivi par l’usager du transport en commun.

Figure 6 : Interface de l’atlas-Web

Figure 6 : Interface de l’atlas-Web

Source : Apparicio Ph., Gelb J.

32La collection des cinq graphiques permet de visualiser et de comparer pour les trois participants, leurs niveaux d’exposition au bruit et à la pollution à chaque minute ainsi que leur inhalation de NO2, leur fréquence cardiaque et leur niveau d’activité physique à chaque seconde. De plus, afin d’analyser et comparer la variation de ces cinq indicateurs, nous avons ajouté des diagrammes en violon . Dans l’exemple à la figure 6, on constate que le niveau de bruit est clairement plus élevé pour l’usager du transport en commun. Toutefois, la forme du diagramme en violon signale que la distribution est bimodale : plusieurs observations présentant un niveau de bruit inférieur à 65 dB(A) et d’autres largement supérieures à 75 dB(A). L’analyse de la courbe rouge dans le graphique démontre que durant les vingt premières minutes du trajet, les valeurs d’exposition au bruit oscillent autour de 65 dB(A) ; cette portion du trajet est réalisée à pied, du point de départ jusqu’à la station de métro la plus proche. À l’inverse, durant les vingt minutes suivantes, les valeurs sont souvent supérieures à 75 dB(A), correspondant à la section du trajet effectuée en métro. Les dernières minutes du trajet présentent de nouveau un niveau de bruit autour de 65 dB(A) ; cette section de la sortie du métro jusqu’à la destination finale étant aussi parcourue à pied.

33Deux fonctionnalités de cartographie interactive sont aussi implémentées. Premièrement, si l’utilisateur survole le graphique ou la carte, le point survolé est mis en surbrillance (en bleu clair), tandis qu’une barre horizontale bleue apparaît sur les diagrammes en violon . Cette fonctionnalité de cartographie interactive permet notamment de relier la localisation dans l’espace du participant et les niveaux d’exposition, d’inhalation et d’activité physique enregistrés.

34Deuxièmement, il est possible de jouer une animation à partir des boutons de lecture situés sous la carte, et ce, avec différents niveaux de vitesse . Durant l’animation, des icônes représentant le cycliste, l’automobiliste et l’utilisateur du transport en commun se déplacent le long du trajet et des points bleus sont positionnés sur les cinq graphiques. Cela permet non seulement d’analyser les valeurs des cinq indicateurs sur les différents axes empruntés, mais aussi de repérer à quel moment les participants ont été ralentis par le trafic routier, des intersections ou l’attente du prochain métro.

Comparaisons des trois modes de transport : deux exemples cartographiques de trajets

35Tel qu’illustrés à la figure 6, les menus déroulants permettent de sélectionner un trajet en fonction de l’arrondissement (de départ ou d’arrivée) et de la période pointe (le matin ou le soir). Ainsi, un citoyen travaillant dans le centre-ville et résidant dans l’un des neuf arrondissements de la zone d’étude peut choisir un trajet au départ (le matin) ou à l’arrivée (le soir) de son secteur de résidence. Bien que les points de départ et d’arrivée des trajets ne puissent être jamais exactement ses lieux de résidence et de travail, il risque de reconnaître les axes majeurs qu’il emprunte habituellement pour se rendre au centre-ville en automobile, ou encore les lignes d’autobus et surtout de métro s’il se rend au travail en transport en commun, ou finalement, les principales pistes cyclables nord-sud ou est-ouest qui relient son quartier de résidence au centre-ville.

36À titre de rappel, 108 trajets ont été réalisés (18 x 2 allers-retours x 3 modes de transport), soit 36 cartes avec les mêmes origines-destinations pour les trois modes. Bien entendu, nous ne pouvons pas présenter et décrire ici l’ensemble de ces cartes. Nous proposons plutôt d’en analyser uniquement deux – un trajet le matin et un autre le soir – afin d’illustrer comment les cartes peuvent être utilisées par les citoyens et les planificateurs urbains.

Trajet 1 : du centre-ville vers le quartier Rosemont le soir

37Les trois trajets analysés sont au départ du centre-ville à 17 h 00 vers le quartier Rosemont : de l’Université du Québec à Montréal (intersection des rues Saint-Denis et Saint-Catherine) à l’intersection de la 27e avenue et de la rue Beaubien, soit un trajet de 8,2 kilomètres à vélo et 7,8 kilomètres en automobile selon Google Maps (figure 7).

38À la lecture du résumé des trajets selon le mode de transport (tableau positionné au bas de la carte), l’utilisateur de l’application peut rapidement constater que l’automobiliste est arrivé le premier (26"52), suivis de l’usager de transport en commun (30"49) et du cycliste (34"32). Concernant les niveaux d’exposition, l’usager du transport en commun est de loin le plus exposé au bruit (76 dB(A)), mais le moins exposé au dioxyde d’azote (78 μg/m3), alors qu’on observe une situation inverse pour l’automobiliste (66,1 dB(A) et 146 μg/m3). Par contre, sur l’ensemble du trajet, le cycliste inhale beaucoup plus de dioxyde d’azote que l’automobiliste et l’usager du transport en commun (241 contre 62 et 66 μg) du fait d’une ventilation bien plus forte. Cela s’explique par une fréquence cardiaque et un équivalent métabolique d’activité physique (METs) bien plus élevés pour le cycliste.

39L’analyse des cinq graphiques à droite de la carte permet d’avancer plusieurs constats intéressants pour chacun des trois modes de transport. Pour ce faire, l’utilisateur du trajet peut simplement passer la souris le long du trajet (lignes rouge, bleue et verte sur la carte), du début jusqu’à la fin du tracé, et analyser les valeurs dans les cinq graphiques. Prenons l’exemple de l’usager du transport en commun (lignes rouges sur la carte et les graphiques). Les premières minutes du trajet sont parcourues à pied jusqu’à la rame de métro : les valeurs d’inhalation du NO2, de fréquence cardiaque et de METs sont donc plus élevées. Durant les dix minutes suivantes (de la 5e à la 15e minute), l’usager est dans le métro (des stations Berri-UQAM à Pie-IX de la ligne verte) : les valeurs de fréquence cardiaque, de METs et d’inhalation sont les plus faibles du trajet. Aussi, durant ces dix minutes dans le métro, il est possible de constater à la lecture des deux premiers graphiques que les mesures de dioxyde d’azote sont très faibles, alors que celles du bruit dépassent souvent les 80 dB(A) (voir les deux premiers graphiques à la figure 7). On observe ensuite un pic pour la fréquence cardiaque, le METs et le dioxyde d’azote entre les 15e et 17e minutes, alors que les valeurs de bruit chutent fortement ; durant ces deux minutes, l’usager sort du métro pour rejoindre l’arrêt de l’autobus 439-N. Entre les 18e et 25e minutes, l’usager est dans l’autobus : sa fréquence cardiaque et son METs sont de nouveau faibles tandis que le niveau de bruit oscille autour de 75 dB(A). Son trajet se termine avec 5 minutes de marche : la fréquence cardiaque et le METs augmentent, les niveaux d’exposition plafonnent à 65 dB(A) pour le bruit et à 120 μg/m3 pour le dioxyde d’azote.

40Pour le trajet de l’automobiliste (tracé en bleu), signalons d’emblée que l’on observe très peu de variations pour la fréquence cardiaque, le niveau d’activité physique (METs) et l’inhalation de NO2 qui restent très faibles comparativement aux deux autres modes. Par contre, les niveaux de bruit et de pollution semblent être plus élevés sur certains tronçons d’artères majeures de circulation, comme le boulevard Saint-Joseph.

41Quant au cycliste (tracé en vert), il est exposé aux plus fortes valeurs de NO2 (supérieures à 150 μg/m3) durant les dix premières minutes du trajet, c’est-à-dire sur les pistes cyclables aux abords des rues Berri et Cherrier et de l’avenue du Parc La Fontaine. On observe aussi un pic pour la fréquence cardiaque et le METs aux alentours de la cinquième minute qui correspond au segment de la côte Berri entre les rues Ontario Est et Cherrier. Or, sur cette section de piste cyclable en site propre sur rue, la pente fait augmenter significativement la fréquence cardiaque et la ventilation du cycliste qui, combinée à un niveau de pollution élevé (atteignant 200 μg/m3 de NO2), contribue à une forte dose inhalée de ce polluant.

Figure 7 : Trajets du centre-ville vers le quartier Rosemont (heure de pointe de soir)

Figure 7 : Trajets du centre-ville vers le quartier Rosemont (heure de pointe de soir)

Source : Apparicio Ph., Gelb J.

Trajet 2 : de Saint-Léonard vers le centre-ville le matin

42Ces trois trajets sont au départ de Saint-Léonard (intersection des rues de Gaspésie et Descartes) à 8h le matin et à destination du centre-ville (université McGill), soit des trajets un peu plus longs, de 12,9 km pour le cycliste et de 12,1 km pour l’automobiliste (figure 8).

43Le cycliste est arrivé le premier (45"30), suivis de l’usager du transport en commun (52"18) et l’automobiliste (59"55). Comme dans plusieurs autres trajets réalisés dans le cadre de cette collecte (Apparicio et al., 2018), cela illustre que le vélo et le transport en commun sont des alternatives efficaces à l’automobile durant les heures de pointe. De nouveau, l’usager du transport en commun est le plus exposé au bruit en raison de l’utilisation du métro tandis que son niveau d’exposition à la pollution atmosphérique est très similaire à celui du cycliste. Par contre, l’automobiliste est à la fois le moins exposé au bruit et au dioxyde d’azote. Bien que son trajet soit plus lent, il inhale 2,6 fois moins de ce polluant que le cycliste. Cela constitue une certaine forme d’iniquité environnementale : il est moins exposé au bruit et inhale moins de dioxyde d’azote, soit deux nuisances qu’il produit contrairement aux autres modes. Sans surprise, la fréquence cardiaque et le METs sont bien plus élevés pour le cycliste. Comme pour de nombreux trajets en heures de pointe, le vélo est donc à la fois plus rapide et bien plus bénéfique pour la santé que l’automobile, du fait de l’activité physique qu’il génère.

44Pour l’usager du transport en commun, les graphiques permettent d’identifier cinq étapes pour ce trajet. Tout d’abord, durant les huit premières minutes, le participant marche jusqu’à l’arrêt d’autobus : les pulsations cardiaques et le METs sont plus élevés, tout comme l’exposition et l’inhalation du NO2. Deuxièmement, de la 9e et à 24e minute, il est dans l’autobus 439-S le long du boulevard Pie-IX avec des pulsations et des mesures de pollution et d’inhalation en baisse. Troisièmement, entre les 25e et 42e minutes, il est dans le métro (des stations Pie IX à McGill sur la ligne verte) : fréquence cardiaque et METs faibles, niveau de bruit dépassant souvent les 80 dB(A) et faible exposition au NO2. Quatrièmement, il marche dix minutes de la station McGill à l’université : fréquence cardiaque, METs, inhalation et exposition au NO2 en hausse et exposition au bruit en baisse.

45Pour le trajet de l’automobiliste (tracé en bleu), seuls les niveaux d’exposition au bruit et à la pollution varient significativement le long du trajet. On relève notamment des niveaux plus élevés pour ces deux polluants dans le centre-ville en fin de trajet, en particulier sur la rue Sherbrooke Ouest entre le boulevard Saint-Laurent et l’université, soit une section particulièrement congestionnée en heure de pointe du matin.

46Pour le cycliste, les variations des expositions et de l’inhalation sont aussi très importantes, et ce, en fonction du type d’infrastructures cyclables. Par exemple, entre les 25e et 30e minutes, le cycliste emprunte un sentier mixte (vélo-piéton) où les mesures de NO2 et de bruit sont plus faibles tandis qu’entre les 35e et 40e minutes, il circule sur une bande cyclable située sur un axe très achalandé le matin, soit la rue Saint-Urbain, avec des niveaux de bruit et de pollution plus élevés.

Figure 8 : Trajets de Saint-Léonard vers l’université McGill (heure de pointe du matin)

Figure 8 : Trajets de Saint-Léonard vers l’université McGill (heure de pointe du matin)

Source : Apparicio Ph., Gelb J.

Discussion

47Cette collecte de données a permis de montrer que pour des trajets de dix kilomètres en moyenne à Montréal en heures de pointe, il n’y a pas de différences significatives en termes de temps de déplacement entre les trois modes de transport (vélo, transport en commun et automobile) (Apparicio et al., 2016). En outre, les niveaux d’activité physique mesurés par le METs montrent clairement que l’utilisation du vélo a un impact significatif sur la santé et le bien-être des individus (Bassett et al., 2008 ; Oja et al., 1998 ; Woodcock et al., 2009). L’atlas illustre bien que le vélo est une alternative efficace à l’automobile pour des déplacements domicile-travail de la périphérie vers le centre en heures de pointe, tant le matin que le soir. Par conséquent, en termes de transfert de connaissances auprès du grand public, on peut espérer qu'après consultation de l'atlas, certains citoyens délaisseront progressivement l’automobile comme mode de transport au profit du vélo. Pour les personnes qui se déplacent déjà à vélo en heures de pointe, les informations fournies par l’atlas pourraient éventuellement les amener à modifier leurs trajets, et ce, afin de minimiser leur exposition au bruit et à la pollution. En effet, des études récentes montrent que les cyclistes sont sensibles à cette problématique (Anowar et al., 2017 ; Cole-Hunter et al., 2015) et qu’une fois informés sur leur exposition, ils seraient prêts à modifier leur itinéraire. Par exemple, à partir d’une enquête auprès de 153 cyclistes réguliers, Cole-Hunter et al. (2015) ont montré que 80 % d’entre eux déclaraient percevoir être exposés à la pollution atmosphérique, et qu’une relation positive existe entre le nombre de trajets effectués et cette perception. Aussi, dans la majorité des cas, les cyclistes se déclaraient prêts à emprunter des itinéraires différents s’il leur était prouvé que ceux-ci réduiraient leur exposition.

48Les planificateurs urbains considèrent aujourd’hui le vélo comme un moyen de transport permettant de réduire les gaz à effets de serre et la congestion routière. Montréal n’échappe pas à cette tendance : la Ville de Montréal planifie d’investir 225 millions de dollars dans les 15 prochaines années pour étendre son réseau cyclable et encourager la pratique du vélo. En termes de transfert de connaissances auprès des planificateurs et des décideurs, l’atlas démontre qu’en heures de pointe les cyclistes sont plus exposés au bruit et qu’ils inhalent plus de polluants que les automobilistes. Une telle situation peut être considérée comme une forme d’iniquité environnementale : ils sont bien plus exposés à des polluants qu’ils ne génèrent pas. Pour réduire ces iniquités, protéger les cyclistes et encourager la pratique du vélo, il conviendrait de planifier de nouvelles infrastructures cyclables rejoignant le centre-ville sur des axes où les niveaux de bruit et de pollution sont plus faibles. Or, à ce jour, les niveaux de pollutions atmosphérique et sonore sont rarement pris en compte lors de la planification des infrastructures cyclables. Une solution envisageable serait l’aménagement d’autoroutes à vélo (cycle superhighways comme à Copenhague ou à Londres) reliant les arrondissements périphériques au centre-ville, facilitant ainsi les déplacements domicile-travail en heures de pointe. Ces axes devraient être exclusifs aux cyclistes afin de limiter les expositions au bruit et aux polluants atmosphériques. Cela permettrait d’une part d’augmenter la fluidité, le sentiment de sécurité des cyclistes et diminuer le risque d’accident ; et d’autre part, d’encourager beaucoup plus de navetteurs à se rendre au travail à vélo et de réduire ainsi la congestion et les gaz à effet de serre.

49L’atlas a montré aussi que les usagers du transport en commun sont plus exposés au bruit, et ce, surtout dans le métro. Il est à noter toutefois que depuis 2016, la Société de transport de Montréal remplace progressivement les vieilles rames de métro (MR-73) par de nouvelles (modèle AZUR) moins bruyantes (85 dB(A) contre 90 dB(A) au centre du train) (Bape, 2016).

Conclusion

50Une fois les données collectées sur le terrain, la méthodologie proposée ici permet de déployer rapidement un atlas interactif portant sur la comparaison des expositions selon les modes de transport, et ce, pour deux raisons principales. Premièrement, la structuration des données primaires et le déploiement de l’atlas reposent intégralement sur des logiciels et librairies gratuits : Python, SQLite, mongoDB, API OSMR et librairies JavaScript OpenLayers et Data-Driven Documents. Deuxièmement, tel que démontré à l’aide du diagramme UML (Unified Modeling Language), l’architecture de l’atlas est très flexible : il est très facile d’ajouter des nouveaux éléments aux objets Trace, Serie, Graph et Boxplot pour bonifier l’application. En guise d’exemple, il serait aisé d’ajouter un nouveau mode de transport à partir de nouveaux fichiers Geojson ou bien une nouvelle mesure de pollution (PM10, PM2.5, etc.) comme Serie. Dans la même veine, il serait très rapide de construire d’autres atlas similaires à partir de données collectées dans d’autres villes.

51Outre les forces, il convient de dégager les limites de l’atlas qui sont principalement de deux ordres. Tout d’abord, le déploiement d’un tel atlas repose sur des données primaires relativement coûteuses à collecter. En effet, tel que décrit dans la section 1.1, la collecte est basée sur de nombreux instruments de mesure – neuf appareils portatifs de pollution, neuf sonomètres, neuf montres GPS et trois caméras d’action – et sur un test d’effort physique pour chaque participant réalisé en laboratoire. Or, malheureusement, rares sont les laboratoires de géographie ou d’études urbaines à travers le monde qui disposent actuellement de tels instruments de mesure. Il est toutefois plus fréquent de retrouver ce type d’équipements onéreux dans les laboratoires d’ingénierie (génie civil principalement) et en sciences de la santé (santé environnementale et épidémiologie notamment).

52La seconde limite est que l’utilisateur ne peut pas définir son propre trajet pour évaluer ses niveaux d’exposition, soit à partir de trajets qu’il réalise sur une base régulière, soit pour des trajets qu’il souhaite effectuer. Il serait certainement plus pertinent pour le grand public de pouvoir choisir des trajets permettant de réduire les niveaux d’exposition. Ce type d’application a déjà été développé (Davies et al., 2009 ; Davies et al., 2014 ; Hertel et al., 2008) pour la pollution atmosphérique, faisant notamment appel à des algorithmes de plus court chemin dans un réseau ; l’enjeu étant de proposer un itinéraire minimisant la dose totale de polluant inhalée. Dans le cas du bruit, ceci est plus compliqué car il n’est pas mesuré comme une quantité, mais comme une intensité. Il serait cependant possible de convertir les mesures d’intensité en dose de bruit pour contourner ce problème. Une autre alternative serait d’utiliser les données collectées pour construire des modèles de prédiction de la pollution atmosphérique et du bruit (Apparicio et al., 2016 ; Boogaard et al., 2009). À partir des équations obtenues, il serait possible de prédire dynamiquement les niveaux d’exposition potentiels auxquels s’exposerait un cycliste, une fois son trajet défini. Un utilisateur pourrait donc aisément comparer plusieurs trajets et opter pour l’alternative répondant à ces priorités en termes de rapidité, sécurité, praticité et exposition.

Haut de page

Bibliographie

Anowar S., Eluru N., Hatzopoulou M., 2017, "Quantifying the value of a clean ride : How far would you bicycle to avoid exposure to traffic-related air pollution ?", Transportation research part A : policy and practice, Vol.105, 66-78.

Apparicio P., Petkevitch V., 2006, "Déploiement d’atlas interactifs sur Internet : nouvelles avenues avec le Scalable Vector Graphics, le C# et l’ASP. Net", Cybergeo : European Journal of Geography, Vol.340.

Apparicio P., Carrier M., Gelb J., Séguin A.-M., Kingham S., 2016, "Cyclists' exposure to air pollution and road traffic noise in central city neighbourhoods of Montreal", Journal of Transport Geography, Vol.57, 63-69.

Apparicio P., Gelb J., Carrier M., Mathieu M.-È., Kingham S., 2018, "Exposure to noise and air pollution by mode of transportation during rush hours in Montreal", Journal of Transport Geography, Vol.70, 182-192.

BAPE, 2016, Rapport 331. Projet de réseau électrique métropolitain de transport collectif, Montréal.

Bassett D. R., Pucher Jr J., Buehler R., Thompson D. L., Crouter S. E., 2008, "Walking, cycling, and obesity rates in Europe, North America, and Australia", Journal of Physical Activity and Health, Vol.5, No.6, 795-814.

Bigazzi A. Y., Figliozzi M. A., 2014, "Review of Urban Bicyclists' Intake and Uptake of Traffic-Related Air Pollution", Transport Reviews, Vol.34, No.2, 221-245.

Boogaard H., Borgman F., Kamminga J., Hœk G., 2009, "Exposure to ultrafine and fine particles and noise during cycling and driving in 11 Dutch cities", Atmospheric Environment, Vol.43, No.27, 4234-4242.

Chertok M., Voukelatos A., Sheppeard V., Rissel C., 2004, "Comparison of air pollution exposure for five commuting modes in Sydney-car, train, bus, bicycle and walking", Health promotion journal of Australia, Vol.15, No.1, 63-67.

Cepeda M., Schoufour J., Freak-Poli R., Koolhaas C.M., Dhana K., Bramer W.M., Franco O. H., 2017, "Levels of ambient air pollution according to mode of transport: a systematic review". The Lancet Public Health, Vol.2, No.1, 23-34.

Cole-Hunter T., Morawska L., Solomon C., 2015, "Bicycle Commuting and Exposure to Air Pollution : A Questionnaire-Based Investigation of Perceptions, Symptoms, and Risk Management Strategies", Journal of Physical Activity and Health, Vol.12, No.4, 490-499.

Contributors OpenStreetMap, 2017, Planet dump retrieved from https://planet.osm.org.

Danzart A., Moissinac J.-C., Potier C., 2003, "Standards pour la cartographie animée sur internet", Revue internationale de géomatique, Vol.13, No.1, 49-68.

Davies G., Whyatt D., 2009, "A least‐cost approach to personal exposure reduction", Transactions in GIS, Vol.13, No.2, 229-246.

Davies G., Whyatt J. D., 2014, "A network-based approach for estimating pedestrian journey-time exposure to air pollution", Science of the Total Environment, Vol.485, 62-70.

De Hartog J. J., Boogaard H., Nijland H., Hœk G., 2010, "Do the health benefits of cycling outweigh the risks?", Environmental health perspectives, Vol.118, No.8, 1109.

De Nazelle A., Fruin S., Westerdahl D., Martinez D., Ripoll A., Kubesch N., Nieuwenhuijsen M., 2012, "A travel mode comparison of commuters' exposures to air pollutants in Barcelona", Atmospheric Environment, Vol.59, 151-159.

Duci A., Chaloulakou A., Spyrellis N., 2003, "Exposure to carbon monoxide in the Athens urban area during commuting", Science of the Total Environment, Vol.309, No.1, 47-58.

Fishman E., Schepers P., Kamphuis C. B. M., 2015, "Dutch cycling : quantifying the health and related economic benefits", American journal of public health, Vol.105, No.8, e13-e15.

Goël R., Gani S., Guttikunda S. K., Wilson D., Tiwari G., 2015, "On-road PM 2.5 pollution exposure in multiple transport microenvironments in Delhi", Atmospheric Environment, Vol.123, 129-138.

Gouvernement du Québec, 2018, Indice de la qualité de l'air, Québec, Environnement et lutte contre les changements climatiques. URL: http://www.iqa.mddefp.gouv.qc.ca/contenu/polluants.htm#particules

Hatzopoulou M., Weichenthal S., Dugum H., Pickett G., Miranda-Moreno L., Kulka R., Andersen R., Goldberg M., 2013, "The impact of traffic volume, composition, and road geometry on personal air pollution exposures among cyclists in Montreal, Canada", J Expo Sci Environ Epidemiol, Vol.23, No.1, 46-51.

Hertel O., Hvidberg M., Ketzel M., Storm L., Stausgaard L., 2008, "A proper choice of route significantly reduces air pollution exposure – a study on bicycle and bus trips in urban streets", Science of the Total Environment, Vol.389, No.1, 58-70.

Houde M., Apparicio P., Séguin A.-M., 2018, "A ride for whom : Has cycling network expansion reduced inequities in accessibility in Montreal, Canada?", Journal of Transport Geography, Vol.68, 9-21.

Huang J., Deng F., Wu S., Guo X., 2012, "Comparisons of personal exposure to PM 2.5 and CO by different commuting modes in Beijing, China", Science of the Total Environment, Vol.425, 52-59.

Kaur S., Nieuwenhuijsen M., Colvile R., 2005, "Personal exposure of street canyon intersection users to PM 2.5, ultrafine particle counts and carbon monoxide in Central London, UK", Atmospheric Environment, Vol.39, No.20, 3629-3641.

Laumbach R., Meng Q., Kipen H., 2015, "What can individuals do to reduce personal health risks from air pollution?", Journal of thoracic disease, Vol.7, No.1, 96.

Lewne M., Nise G., Lind M.-L., Gustavsson P., 2006, "Exposure to particles and nitrogen dioxide among taxi, bus and lorry drivers", International archives of occupational and environmental health, Vol.79, No.3, 220-226.

Liu W.-T., Ma C.-M., Liu I.-J., Han B.-C., Chuang H.-C., Chuang K.-J., 2015, "Effects of commuting mode on air pollution exposure and cardiovascular health among young adults in Taipei, Taiwan", International journal of hygiene and environmental health, Vol.218, No.3, 319-323.

Luxen D., Vetter C., 2011, "Real-time routing with OpenStreetMap data", Proceedings of the 19th ACM SIGSPATIAL international conference on advances in geographic information systems, 513-516.

Macmillan A., Connor J., Witten K., Kearns R., Rees D., Woodward A., 2014, "The societal costs and benefits of commuter bicycling : simulating the effects of specific policies using system dynamics modeling", Environmental health perspectives, Vol.122, No.4, 335-344.

Nyhan M., McNabola A., Misstear B., 2014, "Comparison of particulate matter dose and acute heart rate variability response in cyclists, pedestrians, bus and train passengers", Science of the Total Environment, Vol.468, 821-831.

Oja P., Vuori I., Paronen O., 1998, "Daily walking and cycling to work: their utility as health-enhancing physical activity", Patient education and counseling, Vol.33, S87-S94.

Peterson M. P., 2003, Maps and the Internet, Amsterdam (P.B.), Elsevier Ltd.

Pucher J., Buehler R., Seinen M., 2011, "Bicycling renaissance in North America? An update and re-appraisal of cycling trends and policies", Transportation research part A : policy and practice, Vol.45, No.6, 451-475.

Rojas-Rueda D., de Nazelle A., Tainio M., Nieuwenhuijsen M. J., 2011, "The health risks and benefits of cycling in urban environments compared with car use: health impact assessment study", Bmj, Vol.343, d4521.

Suárez L., Mesías S., Iglesias V., Silva C., Cáceres D. D., Ruiz-Rudolph P., 2014, "Personal exposure to particulate matter in commuters using different transport modes (bus, bicycle, car and subway) in an assigned route in downtown Santiago, Chile", Environmental Science : Processes & Impacts, Vol.16, No.6, 1309-1317.

Tainio M., de Nazelle A. J., Götschi T., Kahlmeier S., Rojas-Rueda D., Nieuwenhuijsen M. J., de Sá T. H., Kelly P., Woodcock J., 2016, "Can air pollution negate the health benefits of cycling and walking?", Preventive Medicine, Vol.87, 233-236.

Team R Core, 2017, R : A Language and Environment for Statistical Computing, Vienna, Austria, https://www.R-project.org/.

Woodcock J., Edwards P., Tonne C., Armstrong B. G., Ashiru O., Banister D., Beevers S., Chalabi Z., Chowdhury Z., Cohen A., 2009, "Public health benefits of strategies to reduce greenhouse-gas emissions : urban land transport", The Lancet, Vol.374, No.9705, 1930-1943.

Wu D.-L., Lin M., Chan C.-Y., Li W.-Z., Tao J., Li Y.-P., Sang X.-F., Bu C.-W., 2013, "Influences of commuting mode, air conditioning mode and meteorological parameters on fine particle (PM2. 5) exposure levels in traffic microenvironments", Aerosol Air Qual Res, Vol.13, 709-720.

Yan C., Zheng M., Yang Q., Zhang Q., Qiu X., Zhang Y., Fu H., Li X., Zhu T., Zhu Y., 2015, "Commuter exposure to particulate matter and particle-bound PAHs in three transportation modes in Beijing, China", Environmental Pollution, Vol.204, 199-206.

Zuurbier M., Hœk G., Oldenwening M., Lenters V., Meliefste K., van den Hazel P., Brunekreef B., 2010, "Commuters' exposure to particulate matter air pollution is affected by mode of transport, fuel type, and route", Environmental health perspectives, Vol.118, No.6, 783-789.

Haut de page

Notes

1 La mesure de l’équivalent métabolique d’activité (METs) permet d’évaluer l’intensité d’une activité physique : elle varie de 0,9 (sommeil) à plus de 18 (course à 17,5 km/h ou plus). Il existe plusieurs échelles de MET permettant de distinguer plusieurs niveaux d’activité physique. Habituellement, on retient trois intervalles de valeurs : activité physique d’intensité légère (MET inférieur à 3) ; activité physique d’intensité moyenne (METs de 3 à 6) ; activité physique d’intensité élevée (MET supérieur à 6).

Haut de page

Table des illustrations

Titre Figure 1 : Quatre outils de collecte
Légende Légende : a) appareil Aeroqual (Series 500) avec un senseur de dioxyde d’azote et un senseur de température et d’humidité ; b) exposimètre acoustique Brüel & Kjær (type 4448) ; c) caméra d’action Garmin Virb XE ; d) montre multisport GPS Garmin Forerunner 920 XT.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-1.jpg
Fichier image/jpeg, 156k
Titre Figure 2 : Test d’effort physique maximal sur vélo stationnaire
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-2.jpg
Fichier image/jpeg, 180k
Titre Figure 3 : Structuration des données primaires
Crédits Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-3.jpg
Fichier image/jpeg, 260k
Titre Figure 4 : Diagramme UML de l’application cartographique
Crédits Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-4.jpg
Fichier image/jpeg, 324k
Titre Figure 5 : Identification des objets du diagramme UML dans l’interface de l’atlas-Web
Crédits Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-5.jpg
Fichier image/jpeg, 304k
Titre Tableau 1 : Description des icônes utilisées dans l’application
Crédits Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-6.png
Fichier image/png, 221k
Titre Figure 6 : Interface de l’atlas-Web
Légende Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-7.jpg
Fichier image/jpeg, 444k
Titre Figure 7 : Trajets du centre-ville vers le quartier Rosemont (heure de pointe de soir)
Crédits Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-8.jpg
Fichier image/jpeg, 816k
Titre Figure 8 : Trajets de Saint-Léonard vers l’université McGill (heure de pointe du matin)
Crédits Source : Apparicio Ph., Gelb J.
URL http://journals.openedition.org/cybergeo/docannexe/image/32391/img-9.jpg
Fichier image/jpeg, 378k
Haut de page

Pour citer cet article

Référence électronique

Philippe Apparicio, Jérémy Gelb et Marie-Ève Mathieu, « Un atlas-web pour comparer l’exposition individuelle aux pollutions atmosphérique et sonore selon le mode de transport », Cybergeo : European Journal of Geography [En ligne], GeOpenMod - Modèles et logiciels, document 903, mis en ligne le 10 juin 2019, consulté le 27 juin 2019. URL : http://journals.openedition.org/cybergeo/32391 ; DOI : 10.4000/cybergeo.32391

Haut de page

Auteurs

Philippe Apparicio

Professeur titulaire
Laboratoire d’équité environnementale (LAEQ), Institut national de la recherche scientifique, 385 rue Sherbrooke Est, Montréal (QC), Canada, H2X 1E3
Philippe.apparicio@ucs.inrs.ca

Articles du même auteur

Jérémy Gelb

Laboratoire d’équité environnementale (LAEQ), Institut national de la recherche scientifique, 385 rue Sherbrooke Est, Montréal (Québec), Canada, H2X 1E3
Jeremy.Gelb@ucs.inrs.ca

Marie-Ève Mathieu

Professeure
Laboratoire Activité Physique et Santé (LAPS), École de kinésiologie et des sciences de l'activité physique, Université de Montréal, 2100, boulevard Édouard-Montpetit, Montréal (Québec), Canada, H3T 1J4
me.mathieu@umontreal.ca

Haut de page

Droits d’auteur

Licence Creative Commons
La revue Cybergeo est mise à disposition selon les termes de la Licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 3.0 non transposé.

Haut de page