Content uploaded by Lamri Naidja
Author content
All content in this area was uploaded by Lamri Naidja on Jun 01, 2022
Content may be subject to copyright.
THESE DE DOCTORAT DE
L’Université de Claude Bernard Lyon 1
ECOLE DOCTORALE
(Mécanique, énergétique, génie civile, acoustique)
Discipline : Thermique et Énergétique
Identification et caractérisation des sources de PM2.5 émises en bordure
de la voirie par les véhicules routiers à Constantine
Présentée par :
NAIDJA Lamri
Devant le Jury :
Mr BOULKAMH Abdelaziz, Professeur. Université Frères Mentouri Constantine 1 Président
Mr KHARDI Salah, Directeur de recherche. Université Gustave Eiffel/INSA de Lyon Directeur de thèse
Mr ALI-KHODJA Hocine, Professeur. Université Frères Mentouri Constantine1 Co-directeur de thèse
Mme ZOUAGHI Razika, Professeur. Université Frères Mentouri Constantine 1 Examinatrice
Mr DJEBABRA Mebarek, Professeur. Université de Batna 2 Examinateur
Mme CHARRON Aurélie, Chargée de Recherche. Université Gustave Eiffel Examinatrice
Date de soutenance : 13 juillet 2021
Remerciements
Cette thèse est soumise en vue de l’obtention du grade de Docteur de l’université de
Claude Bernard, Lyon 1, dans l’école doctorale Mécanique, énergétique, génie civil,
acoustique, spécialité Thermique et Énergétique. Ces travaux ont été réalisés de mai 2016
à mai 2021 dans les laboratoires de l’université Gustave Eiffel (ex-LTE, AME-EASE) à
Bron (Lyon) et de l’université des Frères Mentouri à Constantine, sous la direction du
Professeur Salah KHARDI (Directeur de Recherche. Université Gustave Eiffel. INSA de
Lyon CNRS INSA de Lyon UMR5259 « LaMCoS MECALIPS » - France) et du
Professeur Hocine ALI-KHODJA (Université de Constantine - Algérie). Ce travail de
thèse a été financé par le projet « PHC-TASSILI », ainsi que par le ministère de
l’Enseignement supérieur et de la Recherche Scientifique.
Tout d'abord, je tiens à exprimer ma gratitude envers les membres du jury pour avoir
accepté de juger mon travail de thèse. Je tiens à remercier tout particulièrement M.
Abdelaziz BOULKAMH (Professeur – Université Frères Mentouri. Constantine Algérie)
pour la lecture attentive de mon manuscrit et pour avoir assuré la présidence du jury. Je
suis reconnaissant envers Mme Aurélie CHARRON (Chargée de Recherche - Université
Gustave Eiffel. Lyon France) pour m'avoir consacré un temps plus que conséquent en
acceptant le rôle d’examinatrice. Je remercie également Mme Razika ZOUAGHI
(Professeure – Université Frères Mentouri. Constantine Algérie) d’avoir accepté de
participer au jury en tant examinatrice. Je remercie également M. Mebarek DJEBABRA
(professeur – Université Batna 2. Batna Algérie) d’avoir accepté de juger mon travail de
thèse.
Je tiens ensuite à remercier mes directeurs de thèse, M. Hocine ALI-KHODJA et M.
Salah KHARDI, qui m'ont guidé sur le long chemin menant au métier de chercheur.
Merci à eux de m'avoir apporté leur expérience et leurs conseils avisés durant ces années,
ce fut un réel plaisir pour moi de les avoir à mes côtés tout au long de cette aventure
scientifique.
J’adresse tous mes remerciements à Monsieur Abdelhamid DJEKOUN, directeur du
centre de recherche en sciences pharmaceutiques, de l’honneur qu’ils m’a fait en
acceptant mon invitation à la soutenance et en m’accordant un large soutien pour
terminer ma thèse dans les délais, il a grandement facilité mon travail.
Nombreux sont les gens qui se sont impliqués pour qu’aboutisse ce travail et cet espace
est pour moi l’occasion de les en remercier. C’est un difficile exercice de mémoire, par
avance je demande à ceux involontairement oubliés, de bien vouloir m’en excuser, et leur
dédie ce merci particulier pour leur indulgence accordée. Merci à mes parents, ma famille
et à mes amis pour l'intérêt qu'ils ont pu porter à mes travaux et pour leurs
encouragements durant tout mon chemin. Leur présence a été déterminante dans la
réussite de cette expérience. Je remercie bien évidemment tous ceux qui m'ont fait
l'honneur de venir assister à la soutenance cette journée qui restera gravée en moi à
jamais.
Merci à tous les personnels des différentes entités cadre de ce projet : ED MEGA, service
des relations extérieures à l’UMC, ambassade de France à Alger et projet PHC-TASSILI
pour votre patience et votre indulgence, de m’avoir expliqué à qui m’adresser pour faire
avancer ce complexe dossier. J’adresse particulièrement toute ma gratitude au Professeur
Jocelyn BONJOUR, directeur de l’ED MEGA pour sa confiance et sa compréhension
inestimable.
J'exprime également ma gratitude envers les équipes des laboratoires ex-LTE et EASE à
l’Université Gustave Eiffel (ex IFSTTAR) et très particulièrement à Gaëlle, Patrick,
Pascal et Sophie et à M. Pascal RAMADE, responsable RH-Bron, qui ont répondu à
chacune de mes nombreuses sollicitations, du premier au dernier jour de mon séjour en
France, avec gentillesse et sympathie.
Enfin, mes plus sincères remerciements vont envers mes collègues au laboratoire LPTE,
qui ont eu la patience de me supporter au quotidien pendant ces années de thèse. Grand
merci à Fairouz, Mokhtar, Ahmed, Kanza et Amina pour leur soutien inconditionnel et
leur effort précieux.
Ces années de thèse m'ont permis de grandir, non seulement d'un point de vue
scientifique et technique mais également en tant qu'homme. Cela, je le dois avant tout à
vous tous, et j'aimerais que vous sachiez que je vous en serai reconnaissant à jamais.
Merci !!!
Résumé
L'exposition aux particules fines en suspension dans l’air provoque des effets délétères
sur la santé, en particulier dans les centres urbains où les niveaux de pollution sont
souvent élevés, particulièrement aux abords des routes où le trafic est dense. Une
estimation quantitative et qualitative des émissions de PM2.5 est une condition préalable à
l'élaboration de stratégies de contrôle efficaces pour en atténuer les effets. Pour atteindre
cet objectif, les sources de pollution doivent être identifiées et quantifiées avec précision.
Dans cette étude, une campagne d'échantillonnage a été menée sur un site trafic à
Zouaghi, Constantine. 115 échantillons ont été collectés, et ont ensuite été caractérisés
par spectrométrie à plasma à couplage inductif (ICP-MS) et spectroscopie d'émission de
plasma à couplage inductif (ICP-OES) pour leur contenu métallique. Le traitement
statistique des données issues de cette analyse par l'outil EPA PMF v.5 a conduit à
l'identification de cinq sources ainsi qu'à l'estimation de leurs contributions massiques
aux PM2.5. Le modèle PMF a permis d'identifier les sels marins (15,1%), les activités
industrielles (18,9%), les émissions hors échappement (24.2%), les émissions à
l’échappement (15,8%) et les poussières minérales (25,9%) comme principales sources
de PM2.5 à Constantine.
Mots-clés : Particules fines, PM2.5, PMF, PSCF, CPF, répartition des sources d’émission, site
trafic.
Abstract
Exposure to fine airborne particles causes deleterious health effects, particularly in urban
zones where pollution levels are often high, particularly near heavily trafficked roads. A
quantitative and qualitative estimate of PM2.5 emissions is a prerequisite for developing
effective control strategies to mitigate their effects. To achieve this objective, the sources
of pollution must be identified and quantified with precision. In this study, a sampling
campaign was carried out on a traffic site in Zouaghi, Constantine. 115 samples were
collected, and were then characterized by inductively coupled plasma spectrometry (ICP-
MS) and inductively coupled plasma emission spectroscopy (ICP-OES) for their metal
content. The statistical processing of the data resulting from this analysis by the EPA
PMF v.5 tool led to the identification of five sources as well as the estimation of their
mass contributions to PM2.5. The PMF model identified sea salts (15.1%), industrial
activities (18.9%), non-exhaust emissions (24.2%), exhaust emissions (15.8%) and
mineral dust (25. 9%) as the main sources of PM2.5 in Constantine.
Keywords: Fine particles, PM2.5, PMF, PSCF, CPF, source apportionment, traffic site.
Liste des figures
Liste des tableaux
Liste des symboles, abréviations et nomenclature
INTRODUCTION GENERALE …………………………………………………… …1
CHAPITRE I : ETAT DE L’ART …………………………………………………..….6
PARTIE I : L’AEOROSOL ATMOSPHERIQUE…………………………………. ...7
Introduction ………………………………………………………………………..……...8
1.Généralités sur les aérosols ………………………………………………………..…....8
2.Exposition aux particules et leurs effets sur la santé ………………………………….12
3.Composition chimique des particules …………………………………………….…...17
3.1.Composés inorganiques ……………………………………………………………..18
3.1.1.Les sulfates…………………………………………………………………….…...19
3.1.2.Nitrates et ammoniums………………………………………………………….…19
3.1.3.Éléments métalliques………………………………………………………….…...21
3.2.Composés carbonés…………………………………………………….………….…22
PARTIE 2 : SOURCES D’EMISSION ET NIVEAU DE POLLUTION
PARTICULAIRE EN AFRIQUE……………………………………………………...26
1.Les sources d’émission particulaire en Afrique …………………………………….…27
1.1.Trafic routier………………………………………………………………………....27
1.2.Brûlage de biomasse et combustion domestique………………………………….…34
1.3.Énergie et industrie…………………………………………………………………..39
1.4.Poussières désertiques………………………………………………………………..42
2.Les concentrations de particules dans les villes africaines………………………….…48
Table des matières
2.1.Afrique du Nord……………………………………………………………………...52
2.2.Région subsaharienne…………………………………………………………….….56
PARTIE 3 : REPARTITION DES SOURCES D’EMISSION………………………61
1.Méthodologies de répartition des sources d’émission………………………………....62
2.Modèles récepteurs………………………………………………………………….…66
2.1.Le bilan de masse chimique (CMB)…………………………………………….…...66
2.2.L’analyse en composantes principales (ACP)………………………………….……68
2.3.Facteur d'enrichissement (FE)………………………………………………….……68
2.4.UNMIX…………………………………………………………………...……….....70
2.5.La factorisation matricielle positive (PMF)…………………………….……………70
CHAPITRE II : MATERIELS ET METHODES ………………………..…….…....72
1.Description du site d’échantillonnage……………………………………………….…73
2.Méthodologie……………………………………………………………………….….76
2.1.Campagne d’échantillonnage………………………………………………………...76
2.3.Protocole de minéralisation……………………………………………….……….…80
2.4.Analyse des filtres……………………………………………..……………….….…81
3.Traitement des données……………………………………………………………...…85
3.1.Modèles numériques………………………………………………………….……...85
3.1.1.Le modèle HYSPLIT………………………………………………………...…….85
3.1.2.Les cartes d'aérosols BSC/DREAM………………………………………..….…..86
3.1.3.IBM SPSS Statistics……………………………………………………………......87
3.1.4.Fonction de probabilité conditionnelle (CPF)…………..……………….………....87
3.1.5.Fonction de contribution à la source potentielle……………………..…….……....88
3.2.Modélisation par PMF…………………………………………………….……..…..89
3.2.1.Traitement des données…………………………………………………...….…….89
3.2.2.Détermination de la solution optimale……………………………………..….…...91
3.2.2.1.Détermination des espèces ‘fortes’, ‘faibles’ et ‘mauvaises’…………..……..….92
3.2.2.2.Examen de la valeur Q………………………………………………..…….…....94
3.2.2.3.Estimation des erreurs…………………………………………………..…….….95
CHAPITRE III : RESULTATS ET DISCUSSION…………………………..…........97
1.Caractérisation et tendance temporelle des PM2.5 et des éléments métalliques…....…98
1.1.PM2.5………………………………………………………………………..…….….98
1.2. Éléments métalliques……………………………………………………………....102
1.3.Influence des conditions météorologiques sur les concentrations de PM2.5….…....111
2.Identification des sources d’émission de PM2.5 à l’aide du modèle PMF…………...116
2.1.Identification du nombre de facteur ‘p’…………………………………….....…....116
2.2.Identification des sources d’émission (profils/contributions)……………….……...121
2.2.1.Sels marins……………………………………………………………………......124
2.2.2.Activités industrielles………………………………………………………….….127
2.2.3.Émissions hors échappement………………………………………………….….130
2.2.4.Émissions à l’échappement………………………………………………….…....133
2.2.5.Poussières de sol…………………………………………………………….…....134
2.3.Influence des conditions météorologiques sur les contributions des facteurs……...137
CONCLUSION GENERALE ET PERSPECTIVES……………………………….144
REFERENCES BIBLIOGRAPHIQUES……………………………………………151
ANNEXE…………………………………………………………………………….…201
Liste des figures
Figure 1: Classification des particules atmosphériques en fonction de leur taille (Pandis
et al., 1995)………………………………………………………………………...….…10
Figure 2 : Représentation de la distribution en taille des particules pour les différents
paramètres : nombre, masse, surface, et volume et de leurs mécanismes de formation et
d’élimination (Buseck & Adachi, 2008)…………………………………………………10
Figure 3 : la pénétration des particules dans les voies aériennes de l'appareil respiratoire
(Oberdörster et al., 2005)………………………………………………………………...13
Figure 4 : La contribution de la fraction organique et inorganique à la masse de PM1
dans différents sites d’échantillonnage à l’aide de spectromètre de masse à aérosols
(Zhang et al., 2007)………………………………………………………...…………….17
Figure 5 : Exemples d'interactions de particules dans les échantillons a) Particule de
carbone anthropique adsorbé sur des minéraux (Mg–Al–Oxyde); b) des chaînes de suie
sur les surfaces de particules plus grosses; c) cendres volantes d'oxyde d'aluminium et de
silice (particules sphériques) sur du gypse; d) particule de carbone avec de la suie sur une
surface minérale (Schleicher et al., 2010)……………………………….……………….18
Figure 6 : Les voies de l’azote réactif dans l’atmosphère (Robertson, 1997)…….…….20
Figure 7 : Formation des chaines d’agrégats a) carbone noir et b) suie diesel. Images
réalisées par microscopie électronique en transmission (MET) (Patel et al., 2012)……..23
Figure 8 : La longueur des routes pavées et non pavées dans les régions africaines par
rapport au Mexique, Indonésie et la Turquie (x103 km) (CIA, 2017)……………..…….29
Figure 9 : Evolution du parc de véhicules dans les pays africains 2005-2014 (x103)
(OICA, 2014)…………………………………………………………………………….31
Figure 10 : Les principales régions d’émission de poussières sahariennes en Afrique du
Nord: Dépression de Bodelé; (B) Afrique de l'Ouest; (C) Désert de Nubie et (D) Désert
de Libye (Engelstaedter et al., 2006)………………………………………….…………44
Figure 11 : Les principales trajectoires de transport saisonnier de poussières sahariennes
(Middleton & Goudie, 2001)…………………………………………………………….46
Figure 12 : Les taux de croissance de la population urbaine mondiale en 2015 (Banque
mondiale, 2017)………………………………………………………………………….49
Figure 13 : Taux de croissance de la population urbaine pour le monde, l'Afrique, l'Asie,
l'Europe, l'Amérique latine, les Caraïbes, l'Amérique du Nord et l'Océanie (Schwela,
2007)……………………………………………………………………………………..50
Figure 14 : Pourcentage d’utilisation des modèles récepteurs pour les répartitions des
sources dans les pays de l’union européenne (Fragkou et al., 2012)……………..……...64
Figure 15 : Un aperçu de la large gamme de modèles statistiques et d'approches de
modélisation qui sont actuellement disponibles dans la littérature (Viana et al., 2008)....65
Figure 16 : Tendance temporelle des études de modèles récepteurs en Europe entre 2001
et 2010 (Karagulian & Belis, 2012)……………………………………………………...66
Figure 17 : Étapes de modélisation par CMB (Coulter, 2004)………………….………68
Figure 18 : Emplacement de la ville de Constantine, Algérie……………………….….73
Figure 19 : Site d’échantillonnage et les sources d’émission industrielles…………..….74
Figure 20 : Localisation géographique du site de mesure et les routes proches………...75
Figure 21 : Echantillonneur (LVS) utilisé pour le prélèvement des aérosols au niveau du
site de Zouaghi…………………………………………………………….………….….78
Figure 22 : Impacteur avec un point de coupure de 2,5 microns (PM2.5)………….……79
Figure 23 : Statistiques récapitulatives des espèces utilisées dans l'analyse PMF et les
valeurs de S/N……………………………………………………………………………93
Figure 24 : Variations mensuelles des concentrations moyennes de PM2.5. La plage de
la boîte représente le 25ème et le 75ème centile des données. Les extrémités de la boîte à
moustaches représentent la min et le max…………………………………………..……98
Figure 25 : Concentrations mensuelles moyennes de PM2.5…………………………….99
Figure 26 : Concentrations annuelles moyennes de PM2.5 en 2019 (Health Effects
Institute, 2019)……………………………………………..…………………………...100
Figure 27 : Variation temporelle des concentrations journalières moyennes de PM2.5
montrant les jours de dépassement par rapport au seuil fixé par l’OMS de 25 µg/m3…101
Figure 28 : L’histogramme représente les valeurs mensuelles minimales, maximales
moyennes des éléments majeurs………………………………………………...……...105
Figure 29 : L’histogramme représente les valeurs mensuelles minimales, maximales
moyennes des éléments traces……………………………………………………...…..106
Figure 30 : Matrice de corrélation montrant les relations entre les concentrations
annuelles moyennes des composants de PM2.5 et les différents paramètres
météorologiques………………………………………………………………………...107
Figure 31 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant le printemps………………………………………..………….108
Figure 32 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant l’été…………………………………………………………....109
Figure 33 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant l’automne…………………………………..…………………110
Figure 34 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant l’hiver………………………………………………..….…….111
Figure 35 : Rose des vents pour le site de Zouaghi pour la période du 15/3/2017 au
15/3/2018…………………………………………….…………………………………113
Figure 36 : Roses des vents saisonnières pour le site de Zouaghi……………………..113
Figure 37 : Diagramme de dispersion des concentrations journalières de PM2.5par
rapport à l’humidité (RH) et la vitesse du vent (windspd) répartis par année………….115
Figure 38 : Variation des rapports Q/Qexp avec p croissant pour des solutions de 2 à 9
facteurs…………………………………………………….……………………………118
Figure 39 : Contributions des cinq sources d’émission aux PM2.5……………………122
Figure 40 : Profils des facteurs PMF pour les sources identifiées……………………..122
Figure 41 : Fonction de probabilité conditionnelle (CPF)pour les sources identifiées
contribuant aux PM2.5 (percentile 75)…………………………………………….…...123
Figure 42 : Probabilités PSCF (percentile90) pour les contributions de : a) sels marins, b)
activités industrielles, c) émissions hors échappement, d) émissions à l’échappement et e)
poussières de sol………………………………………………………………………..124
Figure 43 : Rétrotrajectoires pour les 15% des contributions les plus élevées développées
par HYSPLIT à une altitude de 750, 1500 et 2500 m au-dessus du niveau de la mer pour
un temps de remontée de 5 jours……………………………………………………….126
Figure 44 : Contribution quotidienne et mensuelle du facteur « sels marins »……..…127
Figure 45 : Distribution spatiale des concentrations de Cr et Ni en fonction de la
direction et la vitesse du vent…………………………………………………….….….128
Figure 46 : Fonction de probabilité conditionnelle (CPF)pour la source « activités
industrielles » (percentile 95)…………………………………………………………...129
Figure 47 : Contribution quotidienne et mensuelle du facteur « activités industrielles
»…………………………………………………………………………………………130
Figure 48 : Contribution quotidienne et mensuelle du facteur « hors échappement »...132
Figure 49 : Contribution quotidienne et mensuelle du facteur « émissions à
l’échappement »………………………………………………………………………...134
Figure 50 : Rose des vents synoptiques (clusters de rétrotrajectoires calculées pour notre
site pour la période d’étude)……………………………………………….…………...135
Figure 51 : Contribution quotidienne et mensuelle du facteur « poussières de sol »….136
Figure 52 : Contributions (µg/m3) des sels marins en fonction de la vitesse du vent
(WS), l’humidité relative (HR) et la température (T)………………………………….137
Figure 53 : Contributions (µg/m3) des activités industrielles en fonction de la vitesse du
vent (WS), l’humidité relative (HR) et la température (T)…………………………….138
Figure 54 : Contribution des activités industrielles et de construction en fonction de la
vitesse et la direction du vent…………………………………………………………..139
Figure 55 : Contributions (µg/m3) des émissions hors échappement en fonction de la
vitesse du vent (WS), l’humidité relative (HR) et la température (T)………………....140
Figure 56 : Contributions (µg/m3) des émissions à l’échappement en fonction de la
vitesse du vent (WS), l’humidité relative (HR) et la température (T)………………....141
Figure 57 : Contributions (µg/m3) des poussières de sol en fonction de la vitesse du vent
(WS), l’humidité relative (HR) et la température (T)………………………………….142
Liste des tableaux
Tableau 1 : Effet des métaux lourds sur la santé humaine……………………………...15
Tableau 2 : Valeurs des ratios OC/EC et de carbone total (TC) dans les PM2.5
(µg/m3)…………………………………………………………………………………..25
Tableau 3 : Véhicules pour mille habitants en Afrique et dans d'autres pays (Davis et al.,
2013)……………………………………………………………………………………..30
Tableau 4 : Production et collecte des déchets dans les zones urbaines d'Afrique pour
l'année 2012 (Scarlat et al., 2015)………………………………………………………..38
Tableau 5 : Émissions estimées de PM2.5, PM10, BC et OC en Afrique subsaharienne et
en Afrique du Nord………………………………………………………………………39
Tableau 6 : Estimations des émissions de poussières en million de tonnes/an…………43
Tableau 7 : Moyennes annuelles de dépôts de poussières sahariennes en Afrique du Nord
et en Méditerranée………………………………………………………………………..48
Tableau 8 : Concentrations moyennes annuelles de PM10 et PM2,5 obtenues à partir des
études rapportées dans les villes africaines………………………………………………51
Tableau 9 : ICP-MS modèle Perkin Elmer NexIon 300 X………………………..…….82
Tableau 10 : ICP-OES modèle Perkin Elmer Optima 4300 DV………………….....….83
Tableau 11 : Limites de détection des éléments majeurs et traces analysés par ICP-OES
et ICP-MS……………………………………………………..…………………………84
Tableau 12 : Données statistiques relatives aux concentrations de PM2.5 (µg/m3) et
leurs composants (ng/m3)……………………………………………… ….…………...103
Tableau 13 : Données statistiques des paramètres météorologiques durant la période
d’échantillonnage……………………………………………………………………….112
Tableau 14 : Résumé des diagnostics PMF par exécution………………………….....117
Tableau 15 : Comparaison entre les rapports élémentaires…………………………....136
Liste des symboles, abréviations et nomenclature
ACP : Analyse en composantes principales
AMMA : Analyse Multidisciplinaire de la Mousson Africaine
BC : Black Carbon
BS :Boostrap
BSC/DREAM: Barcelona Supercomputing Center- Dust REgional Atmospheric Model
CAIP : Cairo Air Improvement Project
CALIPSO : Cloud-Aerosol Lidar and InfraredPathfinder Satellite Observations
CAPMAS : Agence centrale pour la mobilisation publique et les statistiques de l'Égypte
CMB: Chemical Mass Balance
CPF : Conditional Probability Fonction
CO : Carbone Organique
COV : Composé Organique Volatile
Dp : Diamètre des particules
DISP : Displacement
EC : Elemental carbon
GBD : Global Burden of Disease
HAP : Hydrocarbure Aromatique Polycyclique
HR : Humidité relative
HYSPLIT : HYbrid Single-Particle Lagrangian Integrated Trajectory
ICP-AES : Inductively Coupled Plasma Atomic Emission Spectroscopy
ICP-MS : Inductively Coupled Plasma Mass Spectrometry
ICP-OES : Inductively Coupled Plasma - Optical Emission Spectrometry
IHME : Institute for Health Metrics and Evaluation
LD : Limite de détection
LVS : Low Volume Sampler
MD : Mineral dust
MET : Microscopie Electronique à Transmission
MODIS :MODerate Resolution Imaging Spectroradiometer
MLRA: Multi-Linear Regression Analysis
NOAA: National Oceanic and Atmospheric Administration
NOx : Les oxydes d’azote
OC : Organic carbon
OMS : Organisation Mondiale de la Santé
PCA-MLR :Analyse en composantes principales-régression linéaire multiple
PM :Particulate Matter
PM10 : Matière particulaire de diamètre inférieur à 10 μm
PM2.5 : Matière particulaire de diamètre inférieur à 2,5 μm
PM1 : Matière particulaire de diamètre inférieur à 1,0 μm
PM0.1 : Matière particulaire de diamètre inférieur à 0,1 μm
PMF : Positive Matrix Factorisation
POLCA : Pollution des Capitales Africaines
Prec : précipitations
SOA: Secondary Organic Aerosol
TC: Total carbon
Temp : température
TSP : Total Suspended Particle
Ws : Vitesse du vent
Wind dir : direction du vent,
1
INTRODUCTION GENERALE
2
La pollution particulaire est due à un mélange complexe d'agrégats de matières
extrêmement petits et de gouttelettes liquides en suspension dans l'air que nous respirons.
Des concentrations élevées de particules se sont avérées nocives pour la santé humaine,
notamment celles appelées particules fines de moins de 2,5 microns de diamètre (PM2.5).
Le développement de stratégies de contrôle des émissions de PM2.5 est une grande
préoccupation des gouvernements, des administrateurs de la santé et des agences de
protection de l'environnement. Les stratégies d'amélioration de la qualité de l'air ambiant
impliquent la réduction des émissions des sources primaires. Il est donc primordial de
pouvoir identifier et répartir les contributions de ces sources et mettre ensuite en œuvre
des réglementations et des politiques efficaces qui réduisent les niveaux de la pollution
particulaire.
Le problème de la pollution de l'air est clairement ignoré par de nombreux pays en voie
de développement, en grande partie du fait que ce problème n’est pas considéré comme
une priorité par rapport au développement économique. Par conséquent, ces pays ne sont
manifestement pas pressés de résoudre les problèmes de qualité de l'air. Cela est clair
lorsqu’on évalue la rareté des données fiables sur les niveaux de pollution de l'air. Dans
beaucoup de pays africains, les données sur la qualité de l’air sont rares et pratiquement
absentes, en particulier dans les pays subsahariens. En outre, malgré la proximité du
Sahara, très peu d'études sur l'impact de la poussière sur la qualité de l'air et la santé
humaine ont été menées dans cette région. Le manque de données est donc l'une des
principales contraintes à la compréhension des effets nocifs sur la santé humaine des
particules fines.
Malgré que les pays africains rencontrent d'importants problèmes de pollution
particulaire, les études réalisées sont insuffisantes et doivent encore être améliorées. Il est
intéressant de noter que la plupart de ces études tendent à s'accorder autour du même
objectif, l’identification du type et des niveaux de polluants dans l'atmosphère. En raison
du manque de programmes d’échantillonnage et d’analyses cohérents et précis, très peu
d’études sur la pollution de l’air en Afrique ont procédé à la répartition des sources de
pollution (Hopke et al., 2020; Karagulian et al., 2015).
3
Le modèle récepteur se présente souvent comme un outil fiable qui permet
l’identification de la contribution des sources d’émission et qui nécessite des données de
spéciation pour la fraction d'aérosol échantillonnée sur un site récepteur. L'hypothèse
sous-jacente aux modèles récepteurs est la conservation du bilan de masse entre la source
d’émission et le site récepteur. Cependant, les différents modèles présentent des
avantages et des inconvénients (Watson, 1984). Une comparaison entre les différents
modèles récepteurs couramment utilisés pour l'identification des sources et la robustesse
des résultats a été discutée par plusieurs auteurs. En raison des différences d'approches
théoriques, une grande variabilité de résultats dans le nombre de sources, le types de
sources et la contribution massique de chaque source à la fraction étudiée a été reportée
(Deng et al., 2018; Yang et al., 2013).
Une base de données sur les études de répartition des sources de particules en Afrique a
été développée par l'OMS en 2014 sur la période comprise entre 1990 et 2014. L’étude a
montré que les principales sources de PM2.5 et de PM10 étaient les transports, l’industrie,
la consommation de combustibles domestiques et les poussières désertiques (OMS,
2014).
En Afrique, différents modèles ont été utilisés pour identifier la contribution des sources
d’émission aux concentrations des variables mesurées, tel que le bilan de masse chimique
(CMB) (Abu-Allaban et al., 2007; Banque Mondiale, 2012; Oluyemi & Asubiojo, 2001).
Ce modèle peut être utilisé pour déterminer les contributions des sources primaires avec
un seul échantillon(Subramanian et al., 2007). L’inconvénient pour ce modèle reste
l'inclusion de profils pour les particules secondaires (par exemple, sulfate, nitrate, sulfate
d'ammonium…etc.)(Hellén et al., 2008; Ward et al., 2006). Un autre modèle récepteur
multivarié, l’analyse en composantes principales (ACP), a été utilisé dans les études de
répartition des sources particulaires en Afrique (Boman et al., 2013a; Mmari et al., 2020).
Une seule étude seulement a été réalisée en utilisant le PMF pour la répartition des
sources d’émission (Zhou et al., 2013). Le modèle ACP suppose que les espèces
chimiques fortement corrélées proviennent de la même source (Wolff & Visser, 2005).
Cependant, l'absence d'exigence de non-négativité implique que le ACP peut donner des
contributions de masse négatives, et pourrait favoriser des résultats physiquement
4
déraisonnables (Paatero & Tapper, 1994). Par conséquent, des méthodes spécifiques
telles que la factorisation matricielle positive (PMF) ont été spécifiquement développées
pour résoudre ce problème (Paatero & Hopke, 2003; Paatero & Tapper, 1994). Le PMF
impose une contrainte sur la contribution des sources résolue par le modèle qui doit être
≥0. Cela garantit que tous les facteurs produits sont physiquement interprétables. PMF a
montré une meilleure performance pour séparer les différentes sources de combustion
(Cesari et al., 2016). Une autre étude montré que le modèle PMF a pu distinguer les
sources liées aux eaux usées domestiques, à l''usure des freins, au ruissellement d'engrais
et au dépôt sec de particules fines; par contre, le PCA-MLR (Analyse en composantes
principales-régression linéaire multiple) n'a pas été en mesure de distinguer ces sources
(Salim et al., 2019). Dans l'ensemble, les auteurs révèlent que le PMF semble avoir une
meilleure performance globale dans la répartition des sources de pollution particulaire
Jain et al. (2018) révèlent que la nécessité d’inclure les incertitudes des variables dans le
modèle PMF a permis d'obtenir de meilleurs résultats que le ACP. De plus, les profils de
source de PMF sont plus faciles à interpréter que ceux de ACP (Belis et al., 2013; Paatero
& Hopke, 2003; Pey et al., 2013). En plus de l’avantage de pouvoir gérer les données
d’entrée peu ou pas fiables (Scerri et al., 2019), le PMF permet également à l’utilisateur
de traiter les concentrations des éléments en dessous de la limite de détection (LD) et les
données manquantes (Polissar et al., 1998), en calculant l'incertitude de ces données
(Manousakas et al., 2017). Par contre, l'une des principales limites du PMF est qu'il est
incapable de différencier entre deux sources ayant les mêmes profils chimiques (Bove et
al., 2018). Comparé à d'autres méthodes d’analyse, la PMF offre plusieurs avantages qui
permettent de mieux modéliser l’ensemble de données environnementales.
Il est noté que l’utilisation des modèles récepteurs hybrides pour identifier les sources
possibles et leurs contributions semble très utiles(Belis et al., 2013; Callén Romero et al.,
2009; Lee et al., 2008).
Des mesures de la composition chimique des particules ont été réalisées en bordure de la
route (un site trafic) au niveau de la ville de Constantine ; la route choisie est impactée
par un trafic important. L'étude consiste en l'identification des sources d’émission
particulaire et leurs contributions à la masse de PM2.5 à l’aide de la factorisation à matrice
5
positive (EPA PMF v.5). Enfin, l'utilisation conjointe d’autres méthodes a permis de
localiser et de répartir cinq sources d'émission particulaires.
Ainsi, ce rapport présente et discute les parties suivantes :
Le chapitre I représente l’état de l’art et est organisé en trois parties :
La Partie 1 présente une synthèse de l’état des connaissances sur l’aérosol atmosphérique
(caractéristiques, impact sanitaire, composition chimique), la Partie 2 discute les sources
d’émission particulaires et leurs concentrations en Afrique, et la Partie 3 s’intéresse aux
principales approches utilisées pour répartir les sources d’émission.
Le chapitre II décrit les méthodologies mises en œuvre afin de répondre aux objectifs de
ce travail : une description détaillée de la zone d’étude, de la stratégie d’échantillonnage
des PM2.5, les différentes méthodes analytiques utilisées pour la caractérisation de la
composition chimique des PM2.5.
Le chapitre III présente les résultats obtenus pour la détermination des profils chimiques
des sources caractérisés ainsi que l’emplacement des sources locales et régionales
impactant notre zone d'étude.
Enfin, le dernier chapitre conclut ce travail et donne les perspectives pour les travaux à
venir.
6
CHAPITRE I
ETAT DE L’ART
7
PARTIE 1
L’aérosol atmosphérique
8
Introduction
L'augmentation de la population urbaine et de la forte concentration de nombreuses activités
humaines dans certaines zones mène à des problèmes de pollution de l’air. Une grande partie
de la pollution dans les villes est due au trafic routier (Lähde et al., 2014; Pirjola et al., 2012;
Wehner et al., 2002) et sa contribution est susceptible d’augmenter encore car plus de 68% de
la population mondiale en 2050 habitera dans les villes (UN, 2018). Par conséquent, l’étude
de l’impact anthropique dans l’environnement urbain est nécessaire.
Les particules atmosphériques ont fait l'objet d'une grande attention scientifique au cours
des dernières décennies en raison de leurs effets néfastes sur le climat, la santé publique
et la visibilité. Avec une connaissance scientifique accrue, il est devenu évident que la
taille et la composition des particules atmosphériques ont une signification profonde. En
particulier, la fraction inhalable PM2.5 (aérosol <2,5 µm de diamètre) et les composants
traces de métaux des particules étaient liés à la plupart des effets nocifs sur la santé
(Horne et al., 2018; Polichetti et al., 2009). Sur le plan sanitaire, les particules fines
(PM2.5) représentent un indicateur majeur de la qualité de l’air. Aborder les émissions des
particules en ne s’attachant qu’à caractériser globalement leur masse est insuffisante si
l'on veut appréhender les effets sur la santé. Par conséquent, la répartition à la source des
particules atmosphériques est devenue un élément important de la recherche sur la qualité
de l'air (Dabek-Zlotorzynska et al., 2011). Les études de répartition des sources ont
permis l’identification de la contribution de différentes sources d'émission à la
concentration de particules dans un site récepteur défini (Watson et al., 1988). C'est
également une technique efficace de contrôle des émissions afin de répondre aux normes
de qualité de l'air ambiant. Par cette technique, à la fois l'origine de la source et sa
contribution peuvent être déterminés. Par ailleurs, il existe peu de données disponibles
dans la littérature sur la répartition des sources particulaires dans les villes africaines,
notamment en Algérie. Seules les données de concentration intermittente sont
disponibles, joue un rôle mineur dans le problème de la pollution atmosphérique.
1. Généralités sur les aérosols
Un aérosol est généralement défini comme une suspension de particules liquides ou
solides dans un gaz, avec des diamètres de particules compris entre 1 nm et environ 100
9
µm (Hinds, 1999; Seinfeld & Pandis, 2016). Les petites particules en suspension dans
l'air, appelées aérosols, comprennent la poussière, la suie, la fumée et les gouttelettes de
liquide émises dans l'atmosphère (Arita & Costa, 2011). Les particules peuvent être
classées de plusieurs manières différentes. Les particules peuvent être caractérisées par la
façon dont elles se trouvent dans l'atmosphère: sous forme de particules primaires,
directement émises dans l'atmosphère; ou sous forme de particules secondaires, formées
dans l'atmosphère par des réactions chimiques à partir de précurseurs gazeux tels que le
dioxyde de soufre, les oxydes d'azote, l'ammoniac et les composés organiques volatils et
semi-volatils non méthaniques (Karjalainen et al., 2016; Reddington et al., 2011). De
plus, les particules peuvent être classées en fonction de leur taille, les principales classes
étant les PM10 (Les particules grossières inhalables, avec des diamètres supérieurs à 2,5
μm et inférieurs à 10 μm), les PM2,5 (les particules fines, avec des diamètres inférieurs ou
égaux à 2,5 μm) (Chow, 1995) et les PM1 (les particules ultrafines ayant un diamètre
inférieur à 0,1 µm)(Chow & Watson, 2007). La figure 1 présente la terminologie de
classification des particules en fonction de leur différente taille. Dans la science des
aérosols, les particules atmosphériques sont également classées, en termes de modes, en
quatre gammes de tailles : mode de nucléation (1 à 20 nm), mode Aitken (20 à 100 nm),
mode d'accumulation (90 à 1 000 nm) et mode grossier (> 1000 nm) (figure 2). Les
particules en mode nucléation comprennent principalement des sulfates, des nitrates et
des composés organiques, qui sont formées par nucléation (conversion gaz-particule)
dans l'atmosphère après refroidissement rapide et dilution des émissions (Seinfeld &
Pandis, 2016). Les particules en mode Aitken sont formées à partir des mécanismes de
coagulation et de condensation des particules du mode de nucléation (Kulmala et al.,
2004). Le mode d’accumulation et le mode grossier se distinguent par leur importance en
masse et en volume. Le mode d’accumulation regroupe les particules résultantes des
processus de grossissement tel que la coagulation des particules plus petites formées par
nucléation, et la condensation d’espèces semi volatiles sur les particules. Le mode
grossier est formé de particules principalement issues des processus mécaniques
d’émission (Buseck & Adachi, 2008).
10
Par conséquent, alors que les particules grossières constituent généralement la fraction
granulométrique la plus importante en masse, les particules fines et ultrafines
représentent en nombre la population de particules la plus importante dans l’atmosphère.
Figure 1: Classification des particules atmosphériques en fonction de leur taille (Pandis
et al., 1995)
Figure 2 : Représentation de la distribution en taille des particules pour les différents
paramètres : nombre, masse, surface, et volume et de leurs mécanismes de formation et
d’élimination (Buseck & Adachi, 2008)
11
Ces classes de taille ont été identifiées à la fois par leurs modes naturels dans
l'atmosphère et leurs impacts sur la santé. Le temps de séjour des particules dans l’air
dépend de leur taille et des conditions météorologiques, les particules d'un diamètre
compris entre 0,1 μm et 1 μm peuvent rester dans l'atmosphère pendant des jours ou des
semaines et peuvent ainsi être transportées sur de longues distances(Fuzzi et al., 2015;
Ibald-Mulli et al., 2002; Moreno et al., 2007).
Les particules peuvent également être caractérisées par leurs sources. Les particules
primaires peuvent être émises à la fois par des sources naturelles et anthropiques, comme
les processus de combustion (industriel, automobile, cuisson des aliments et combustion
de biomasse) (Engel-Cox & Weber, 2007), les processus mécaniques (usure des freins,
érosion, poussière minérale, sel de mer) (Amato et al., 2009), et les émissions
biogéniques (pollen et débris végétaux) (Matthias-Maser & Jaenicke, 1995). Ces
particules peuvent avoir des compositions chimiques complexes qui comprennent des
métaux et des oxydes métalliques, des composés organiques et élémentaires et des sels
ioniques (Amato et al., 2009). En revanche, des particules secondaires peuvent se former
à partir d'une multitude de réactions en phase gazeuse qui produisent des produits
condensables. Ces réactions comprennent des réactions inorganiques en phase gazeuse
qui produisent du nitrate d'ammonium et du sulfate d'ammonium, des réactions
organiques en phase gazeuse qui donnent des produits peu volatile qui se condensent sur
les surfaces en se répartissant dans le volume des particules existantes (Pankow, 1994;
Robinson et al., 2007), et les réactions en phase aqueuse qui produisent des espèces qui
restent dans la phase particulaire (aérosol organique secondaire, ou SOA) (Altieri et al.,
2006). De plus, les sources de particules peuvent être classées comme naturelles ou
anthropiques. Bien que chaque source principale puisse être soigneusement classée
comme naturelle ou anthropique, la catégorisation des espèces secondaires est plus
complexe car les polluants peuvent être à la fois naturels, anthropiques ou une
combinaison de naturel et anthropique (Weber et al., 2007).
Les PM sont un mélange dont les caractéristiques physiques et chimiques varient selon la
région et le temps. Les constituants chimiques courants des PM comprennent les sulfates,
les nitrates, l'ammonium, d'autres ions inorganiques tels que les ions de sodium, de
12
potassium, de calcium, de magnésium et de chlorure, les métaux (y compris le cadmium,
le cuivre, le nickel, le vanadium, le zinc, etc.), carbone élémentaire et composés
organiques. De plus, les particules en suspension dans l'air jouent un rôle important dans
la propagation d'organismes biologiques et d'agents pathogènes (pollen, bactéries, spores,
virus, etc.) et peuvent provoquer des maladies respiratoires, cardiovasculaires,
infectieuses et allergiques.
2. Exposition aux particules et leurs effets sur la santé
Depuis la catastrophe historique du « grand smog » de Londres 1952, des études sur la
qualité de l'air ont commencées afin de montrer les effets néfastes des particules sur
l'environnement et la santé humaine (Appel et al., 1985; Waller, 1967; Zweiman et al.,
1972). Bien que les mécanismes exacts reliant la santé publique et pollution particulaire
n'aient pas encore été révélés, il est admis que la taille et la composition des particules ont
une importance sur les effets sur la santé (Öztürk et al., 2009). Stern et al. (1984) ont
montré que les particules fines (PM2.5) ne pouvaient pas se retenir dans la partie
supérieure du système respiratoire, en raison du mouvement brownien, au contraire des
particules grossières (PM10) qui pouvaient se retenir (figure 3). Par conséquent, ils
peuvent s'accumuler dans les poumons et pénétrer dans les voies respiratoires (Brown et
al., 1950). De plus, des particules ultrafines (PM0.1) peuvent même pénétrer dans le sang
et se déplacer dans tout le corps (Ferin et al., 1992; Valavanidis et al., 2008).
13
Figure 3: la pénétration des particules dans les voies aériennes de l'appareil respiratoire
(Oberdörster et al., 2005)
Les effets sur la santé ont été liés à la distribution des tailles de PM, ces dernières ont été
divisées en deux parties : les PM10 et les PM2.5. En outre, l'impact potentiel plus
important des particules plus petites sur la santé humaine a été révélé (Bevan & Manger,
1985; Biersteker, 1976; Quackenboss et al., 1989). L'Organisation mondiale de la santé
(OMS) a fixé également les niveaux des fractions d'aérosols PM10 et PM2,5 comme
indicateurs de la pollution atmosphérique (OMS, 2000).
Les études épidémiologiques montrent systématiquement que l’exposition à court terme
(heures-jours) et à long terme (mois-années) aux deux fractions de particules est propices
à la détérioration de la santé humaine (OMS, 2000; Pope III & Dockery, 2006). La
fraction sensible de la population, comme les personnes ayant des antécédents de maladie
pulmonaire ou cardiaque (Brook et al., 2004), les enfants et les personnes âgées (Simoni
et al., 2015), est particulièrement vulnérable à la pollution particulaire. Aujourd'hui, les
problèmes cardiovasculaires et pulmonaires liés aux particules sont bien documentés et la
pollution de l'air par les particules PM2.5 a retenu une grande attention dans la littérature.
Un certain nombre d'études basées sur des séries chronologiques de différentes villes ont
montré que l'association entre les augmentations de la mortalité quotidienne et les
14
niveaux ambiants diurnes de PM10 et PM2.5 était particulièrement forte (Chen et al., 2010;
Levy et al., 2000; Yang et al., 2004, 2012). Dans ce cas, la mortalité résulte
principalement d'une insuffisance cardiovasculaire ou respiratoire (Analitis et al., 2006;
Samet et al., 2000; Smith et al., 2000). Une forte association a été établie entre la
mortalité cardiopulmonaire et l'exposition à long terme aux PM2.5 (Dockery et al., 1993;
Jerrett et al., 2005; Pope et al., 1995). En ce qui concerne la morbidité, l'augmentation des
admissions quotidiennes à l'hôpital est liée à une augmentation à court terme des
concentrations de PM10 (Le Tertre et al., 2002; Zanobetti et al., 2000) et de PM2.5
(Dominici et al., 2006; Stafoggia et al., 2013). D'un autre côté, Miller et al. (2007) ont
constaté que l'incidence des maladies cardiovasculaires non mortelles augmente avec les
expositions chroniques aux PM2.5, tandis que McMichael et al. (1998) ont trouvé une
exacerbation analogue des maladies chroniques. De plus, l'exposition aux particules
pourrait également entraîner une légère augmentation du risque d'incidence de cancer du
poumons (Cohen & Pope III, 1995; Samet & Cohen, 1999). D’autres études montrent
même l’implication des particules atmosphériques dans la survenue de maladies ou
d’accidents cardiovasculaires tels que thromboses et infarctus (Dockery & Stone, 2007).
D’une manière générale une augmentation de 10 µg/m3 de la concentration journalière en
PM10 est estimée induire une hausse de la mortalité de l’ordre de 1% (Ostro et al., 1996;
Pope III & Dockery, 1999), Laden et al. (2000) ont constaté aussi que le taux de mortalité
augmenterait de 1,1% par augmentation de 10 μg/m3 de PM2.5. Ainsi, la concentration de
la population au sein de mégapoles fortement polluées démultiplie les risques sanitaires
liés aux particules atmosphériques. Outre la taille, l’effet des aérosols sur la santé est bien
entendu également en fonction de leur composition chimique. Un certain nombre d'études
ont lié certains métaux à plusieurs problèmes de santé tels que les maladies
cardiovasculaires, les maladies de cœur, l'asthme aggravé et le cancer du poumon
(Kampa & Castanas, 2008; Sudheer &Rengarajan, 2012). Le tableau 1 répertorie des
métaux traces spécifiques, leurs sources et leurs effets sur la santé.
15
Tableau 1 : Effet des métaux lourds sur la santé humaine
Métal
Source d’émission
Effet d'exposition chronique
Référence
Plomb
Additifs dans l'essence et les
pigments, engrais et
pesticides, fonderie de
minerais,
Hypertension, affaiblissement du
développement neurologique,
suppression du système
hématologique (anémie),
insuffisance rénale, malformations
congénitales.
Korrick et al.,
1999 ; Weisskopf
et al., 2004 ;
Skerfving et al.,
1998 ; Bellinger,
2005.
Mercure
Exploitation minière,
incinération des déchets,
combustion des combustibles
fossiles.
Irritation gastro-intestinale,
dysfonctionnement rénal et
pulmonaire, douleur thoracique,
rhinite, dysfonctionnement auto-
immune, anomalies
dermatologiques, neurotoxicité.
Yard et al., 2012 ;
Tomicic et al.,
2011 ; Gardner
et al., 2010 ;
Akagi et al.,
2000 ; Grandjean
et al. 1999.
Cadmium
Volcans, production de
métaux non ferreux,
incinération de déchets,
production de fer et d'acier et
production de ciment.
Irritation des poumons,
dysfonctionnement rénal, cancer
des poumons, ostéoporose.
Sorohan et
Lancashire,
1997 ;
Verougstraete et
al., 2003 ;
Alfvén., 2000.
Arsenic
Production d’électricité,
matériaux de construction,
industrie du verre,
métallurgie, teinturerie,
tannerie.
Bronchite chronique, asthme,
fibrose pulmonaire, maladie
cardiovasculaire, cancer de la peau,
diabète, cancer des poumons.
Parvez et al.,
2011 ; C
Ferreccio et
Sancha, 2006 ;
Chung et al.,
2014 ; States et
al., 2009 ; Chen et
al., 2009 ; Smith
et al., 2009.
16
Aluminium
Extraction et transformation
de l'aluminium, croûte
terrestre, métallurgie.
Fibrose pulmonaire, la bronchite
chronique, insuffisance rénale,
perte de mémoire.
Kilburn,
1998; Exley,
2013; Wills et
Savory, 1989;
Willhite et al.,
2009.
Nickel
Centrale électrique au fioul,
incinération des déchets,
production d’acier inoxydable,
combustion du charbon et du
fioul.
Cancer des voies respiratoires,
exacerbation de l'asthme, maladies
cardiovasculaires, immunotoxicité,
génotoxicité ; stress oxydatif.
Enterline et
Marsh, 1982 ;
Coogan et al.,
1989 ; McConnell
et al., 1973 ;
Muggenburg et
al. 2003 ; Das et
al., 2007 ; Hansen
et Stern, 1984.
Chrome
Combustion du pétrole et du
charbon, engrais, métallurgie,
production de peintures et de
pigments, fabrication
chimique du chrome,
incinération des déchets ;
Induire des dommages à l'ADN,
problèmes gastro-intestinaux,
détresse et irritation respiratoires,
irritation nasale, bronchite
chronique, immunotoxicité.
Matsumoto et al.,
2006 ; Gad
,1989 ; Sferlazza
et Beckett, 1991 ;
Antonini et al.,
2004.
En plus des métaux et les sels inorganiques, de nombreux composants organiques sont
actuellement considérés comme responsables des effets sur la santé, par exemple les
substances organiques telles que les HAP, sont avérées cancérigènes et directement
toxiques pour les cellules (Kim et al., 2013; Wang, Jariyasopit, et al., 2011). Des études
effectuées sur des cellules, ont révélé que les gaz d’échappement des moteurs diesel
favorisent des changements dans l'ADN et seraient donc cancérigènes pour l'homme
(Straif, 2012). L'Organisation mondiale de la santé (OMS) a estimé que l'exposition à la
pollution atmosphérique par les particules fines a causé 6,5 millions de décès dans les
villes du monde en 2012 (OMS, 2016). Cela n’empêche que la qualité de l'air ambiant
s'est considérablement améliorée pour quelques régions au cours des dernières décennies.
17
3. Composition chimique des particules
La concentration et la composition des PM sont très variables en terme spatio-temporel et
sont fortement influencées par les conditions météorologiques (Chen et al., 2020; Rogula-
Koz\lowska et al., 2014). La matière particulaire contient des composés organiques et
minéraux, primaires et secondaires. Les particules interagissent avec diverses substances
dans l'air pour former des composés chimiques organiques ou inorganiques (Grantz et al.,
2003). La figure 4 montre la contribution des composés organiques et inorganiques à la
masse de PM1 (Zhang et al., 2007).
Figure 4 : La contribution de la fraction organique et inorganique à la masse de PM1
dans différents sites d’échantillonnage à l’aide de spectromètre de masse à aérosols
(Zhang et al., 2007)
Comme le montre la figure 5, les petite particules d’origine anthropique comme la suie et
les cendres s’adsorbent sur les grosses surfaces de minéraux (Schleicher et al., 2010).
Ces différentes fractions sont discutées ci-dessous.
18
Figure 5 : Exemples d'interactions de particules dans les échantillons a) Particule de carbone
anthropique adsorbé sur des minéraux (Mg–Al–Oxyde); b) des chaînes de suie sur les surfaces de
particules plus grosses; c) cendres volantes d'oxyde d'aluminium et de silice (particules
sphériques) sur du gypse; d) particule de carbone avec de la suie sur une surface minérale
(Schleicher et al., 2010)
3.1.Composés inorganiques
La composition chimique des PM comprend généralement des sulfates, des nitrates, de
l'ammonium, des ions inorganiques, du carbone élémentaire (EC), du carbone organique
(OC), de matière crustale et des métaux (Lammel & Leip, 2005; Takahashi et al., 2008;
Terzi et al., 2010). Ces espèces chimiques peuvent fournir des informations préliminaires
sur les origines naturelles et/ou anthropiques des particules. Une grande partie de la
masse de PM (25-75%) est inorganique (Seinfeld & Pandis, 2016), les sulfates, nitrates,
ammonium, sodium, chlorure et éléments terrigène étant les espèces dominantes (Cohen
et al., 2010; Galon-Negru et al., 2019; Yoshizumi & Okita, 1983). Le sulfate, le nitrate,
l'ammonium et les métaux sont les principaux composants dans les particules fines
(Chow et al., 2006; Lee & Kang, 2001; Schlesinger, 2007). En revanche, les constituants
grossiers des PM sont principalement d’origine crustale contenant les Si, Ca, Al, Fe et K
19
ainsi les sels marins (Adamo et al., 2008; Chow et al., 1993; Kim & Seinfeld, 1995; Yin
et al., 2005), de petites quantités de Fe et K peuvent se trouver également parmi les
particules fines mais proviennent de différentes sources (Dai et al., 2014; Vallius et al.,
2005). Dans ce qui suit, les principaux composés d'aérosols inorganiques et leurs sources
d'émission dans l'atmosphère sont décrits.
3.1.1. Les sulfates
Le sulfate est un composant majeur de l'aérosol atmosphérique et entraîne la formation de
nouvelles particules d'aérosol par nucléation (Mills et al., 1999; Timmreck, 2001). Le
sulfate est principalement produit dans l'atmosphère par oxydation du dioxyde de soufre
(SO2) (Sarwar et al., 2013; Saxena & Seigneur, 1987; Seinfeld & Pandis, 2016), qui est
lui-même directement émis ou produit dans l'atmosphère par oxydation d'espèces à teneur
réduite en soufre telles que le sulfure de diméthyle (DMS) émis par le phytoplancton
océanique, l’oxydation du SO2 peut avoir lieu en phase gazeuse et en phase aqueuse
(Andreae, 1990; Putaud et al., 1993). La formation de sulfate est chimiquement liée aux
émissions primaires de SO2 et à l'abondance des oxydants atmosphériques tels que le
radical hydroxyle (OH.)(Lovejoy et al., 1996; Stockwell & Calvert, 1983), le peroxyde
d'hydrogène (H2O2)(Anastasio et al., 1996; Dasgupta et al., 1988), l'ozone (O3)(Sievering
et al., 1995), hydroperoxyde de méthyle (MHP) et l'acide peroxyacétique
(PAA)(Seigneur & Saxena, 1988). Toutes ces espèces oxydantes sont formées par des
réactions photochimiques qui proviennent des émissions d'oxydes d'azote (NOx) et de
composés organiques volatils (COV)(Council, 1992). Par conséquent, les variations des
émissions primaires de NOx et de COV devraient avoir un effet sur la quantité et la
distribution de sulfate dans l'atmosphère. La combustion du charbon est l'une des plus
grandes sources primaires de sulfate dans l'atmosphère (Li et al., 1999). Le SO2 est émis
également par les centrales électriques au charbon (Eatough et al., 1981), les fonderies de
métaux (Nriagu &Coker, 1978), la combustion du pétrole (Nakai & Jensen, 1967;
Nielsen, 1974), et l'industrie du soufre (Krouse, 1977).
3.1.2. Nitrates et ammoniums
Les NOx sont émis par les processus de combustion et sont présents dans l'atmosphère
sous forme de NO gazeux (95%) et de NO2 (5%) (Soltic & Weilenmann, 2003; Wang,
20
DenBleyker, et al., 2011). Le NO se transforme rapidement en NO2 en réagissant avec
l'ozone dans l'atmosphère (Atkinson, 2000), le NO2 est à la fois un composant primaire et
un composant secondaire (Alvarez et al., 2008; Carslaw, 2005). Une partie du NO2 et du
NO réagis avec les radicaux hydroxyles et se transforme en acide nitrique (HNO3)
(Erduran & Tuncel, 2001; Johnson et al., 1994), qui se transforme ensuite en NO3 sous
forme particulaire (Appel et al., 1988; Stockwell et al., 1997). La combustion des
combustibles fossiles, des biocarburants et de biomasse fixe l'azote gazeux inerte (N2) en
une forme hautement réactive (NOx) et sont les principales sources de nitrate et
d'ammoniac (figure 6). Le NH3 est principalement émis par des processus liés à
l'agriculture tels que l'application d'engrais minéraux et de fumier animal sur les terres
cultivées (Galloway et al., 2010; Isermann, 1990). Les émissions de NH3 sont donc assez
élevées dans les pays où l'activité agricole est intense et généralisée (Amann et al., 2012;
Guthrie et al., 2018). Bien que le trafic routier soit une source majeure de NOx,
l'utilisation croissante de catalyseurs à trois voies sur les voitures a entraîné une
augmentation des émissions de NH3 des gaz d'échappement des véhicules (Huai et al.,
2003; Suarez-Bertoa et al., 2014).
Figure 6 : Les voies de l’azote réactif dans l’atmosphère (Robertson, 1997)
21
3.1.3. Eléments métalliques
Les éléments organiques individuels représentent généralement plus de 1% de la masse
totale de PM. Une partie de cette fraction inorganique est généralement classée comme
matière crustale ou poussière, Si, Al, Ca, K, Mg, Ti et Fe étant ses principaux
constituants (Mantas et al., 2014; Querol et al., 2002; Viana et al., 2008). La poussière
minérale a tendance à provenir de zones spécifiques (terrains vagues, terres agricoles,
Sahara et chaussées non-pavées) et peut être transportée sur de très grandes distances
(Marenco et al., 2006; Sulaymon et al., 2020; Yuan et al., 2008), influençant la chimie
climatique et atmosphérique à l'échelle régionale et mondiale (Chen et al., 2017; Fairlie et
al., 2007; Koçak et al., 2012). La poussière des routes peut être remise en suspension
dans l'atmosphère soit par abrasion, lorsqu'il y a une perturbation à la surface comme le
passage des véhicules ou par saltation (Avecilla et al., 2016; De Lima et al., 1992;
Sternbeck et al., 2002; Thorpe et al., 2007), ou par l'action directe du vent en surface
(Jancsek-Turóczi et al., 2013; Thorpe et al., 2007). Fe, Mn, K, Al, Ca, Ti et V reflètent
essentiellement la composition du sol et la poussière des routes (Ho et al., 2003). La
fraction hors échappement (poussières de route remises en suspension et dues à
l’abrasion) contribuent en quantités équivalentes aux émissions véhiculaires totales dans
les villes européennes (Querol et al., 2004). Gaffney et al. (1995) estiment que les
émissions des routes pavées contribuent à hauteur de 30% à la masse totale des PM10. De
plus, le trafic peut affecter la composition des poussières déposées, susceptibles d’être
remises en suspension (Abu-Allaban et al., 2006; Amato et al., 2012). Une grande partie
des métaux de transition (Cu, Ba, Fe et Mn) et Sb sont émis par l’abrasion freins dont ils
sont considérés comme les traceurs (Gietl et al., 2010a; Iijima et al., 2007a). Les
concentrations élevées de métaux comme Cu et Zn dans les poussières de route sont
attribuées à l'usure des pneus et des freins (Thorpe & Harrison, 2008). De plus, Cr, Cu,
Ni, Pb et Zn sont des métaux abondants dans les garnitures des freins (Westerlund &
Johansson, 2002). L'usure des freins est considérée comme une source importante
d'émissions de Sb et de Sn (Thorpe & Harrison, 2008). Le molybdène est principalement
utilisé dans les alliages d'acier, dont certains sont utilisés dans l'industrie automobile,
tandis que les pneus et les plaquettes de frein en contiennent de faibles
concentrations(Kennedy & Gadd, 2003). Le plomb est un traceur des émissions
22
véhiculaires à l’essence plombée. Actuellement, cette dernière n'est plus utilisée dans la
majorité des pays. Une grande appréciable de particules riches en plomb a été déposée au
sol, en particulier sur les chaussées et aux bords des routes avant l'interdiction de
l’essence plombée (Wang et al., 2008). Des émissions importantes de Pb sont également
dues à l'usure des freins (Westerlund & Johansson, 2002). Les sels marins contribuent de
façon significative à la masse de particules émises dans l'atmosphère à l'échelle mondiale
(Karagulian et al., 2015). Ces sels sont porteurs d'espèces contenant Cl, Br, I et S (Duce
& Woodcock, 1971; Mustafa Koçak et al., 2004) qui sont concentrés dans les particules
grossières (Ayers et al., 1999; Sherwen et al., 2016; Toom-Sauntry & Barrie, 2002) et
jouent un rôle dans les cycles atmosphériques de ces éléments. Par ailleurs, K est
considéré comme un traceur de la combustion de biomasse (Ayers et al., 1999; Sherwen
et al., 2016; Toom-Sauntry & Barrie, 2002) et s’accompagne de l’émission de chlorures
par les incendies de forêt, le brûlage agricole, la combustion résidentielle du bois et les
chaudières à bois ( Andreae et al., 1998; Cao et al., 2016; Lobert et al., 1999; Tillman et
al., 2009). Des éléments tels que As, S, Sr et Se constituent des indicateurs de la
combustion du charbon (Cheng et al., 2003; Finkelman et al., 1990; Ruhl et al., 2010,
2014). Les moteurs diesel sont la plus grande source de carbone élémentaire (EC)
(Schauer, 2003) mais ils émettent également de grandes quantités de Zn, Mg et Cu
(Ashraful et al., 2015; Skillas et al., 2000; Wang et al., 2003). V et Ni sont tous les deux
utilisés comme indicateurs de la combustion de pétrole (Bell et al., 2007; Lippmann et al.,
2006). Les éléments Cu, Zn, Ni, Cd, Pb et Al sont susceptibles d’être émis par les
activités de production des métaux non ferreux dans l'atmosphère (Agrawal et al., 2004;
Liu et al., 2018; Nriagu, 1979; Skeaff & Dubreuil, 1997). L’extraction et la métallurgie
du cuivre représentent les plus grandes sources de Cu dans l’air (Boyd et al., 2009;
Serbula et al., 2014). Les émissions à l’échappement des véhicules à essence et diesel
contiennent également Cu (Pacyna, 1986). Les incendies de forêt sont une source
importante de Hg (Friedli et al., 2001; Huang et al., 2011; Streets et al., 2009).
3.2.Composés carbonés
Les composés organiques d'origine naturelle et anthropique peuvent atteindre 70% de la
masse totale des PM (Snider et al., 2016) et leurs concentrations varient du pg/m3 au
23
µg/m3 (Tsapakis et al., 2002). La fraction carbonée des particules fines, issue de la
combustion incomplète et de la formation d'aérosols organiques secondaires, contient à la
fois du carbone élémentaire sous forme de graphite et de suie (EC) et du carbone
organique (OC) (Ferge et al., 2006), qui sont des composés importants des particules en
suspension dans l'air.EC contient du graphite pur (Cachier et al., 1989) et il est émis
principalement par les sources de combustion (Huntzicker et al., 1982; Reisinger et al.,
2008) et les émissions véhiculaires (Huang et al., 2006). La suie émise par les véhicules
diesel est constituée d'agglomérats de petites particules sphériques de tailles comprises
entre 30 et 50 nm (Clague et al., 1999). Lors de la combustion, le carbone élémentaire est
libéré directement dans l'atmosphère (Murillo et al., 2013; Rissler et al., 2013). Les
combustibles sont oxydés par les processus de combustion à haute température en
molécules qui sont libérées dans l'atmosphère (Clague et al., 1999; Fischer et al., 2000).
Les noyaux se forment et se développent rapidement en composés plus grands par des
réactions qui se déroulent à la surface des particules (Di Stasio, 2001; Frenklach, 2002;
Kazuhiro et al., 2014). Ces particules forment des agrégats en forme de chaîne résultant
en des particules visibles de plusieurs microns, chimiquement similaires au graphite
impur (Figure 7). Des espèces organiques non volatiles s’adsorbent sur les particules de
suie déjà formées (Dachs & Eisenreich, 2000; Hayashida et al., 2011; Miller, 2005; Roth
et al., 2005).
Figure 7 : Formation des chaines d’agrégats a) carbone noir et b) suie diesel. Images
réalisées par microscopie électronique en transmission (MET) (Patel et al., 2012)
24
Le carbone organique (OC) se compose de milliers de composés organiques et représente
environ 27 à 72% de la matière organique (OM) (Pio et al., 2011). Le carbone organique
est communément dosé par extraction par solvant (Chen & Bond, 2010; Grosjean, 1975)
ou par désorption thermique (Waterman et al., 2000). La matière organique est émise
sous forme de particules d'aérosol primaires ou secondaires ; ces derniers sont formés à
partir de précurseurs et sont générés dans l’atmosphère par des processus physico-
chimiques de conversion gaz/particule (Finlayson-Pitts & Pitts Jr, 1999). Pour les sources
primaires, il existe un certain nombre de marqueurs organiques qui sont connus pour être
caractéristiques d'une source d'émission spécifique et qui ont également une longue durée
de vie dans l'atmosphère pour permettre leur détection dans les stations de surveillance
(Simoneit, 2002). Des exemples de certains des marqueurs organiques les plus
spécifiques incluent le lévoglucosane pour la combustion de biomasse (Simoneit et al.,
1999; Zhang et al., 2008), le cholestérol et les diacylglycérides pour la cuisson de la
viande (Nolte et al., 1999; Schauer et al., 1996). Les hopanes sont présents dans les
combustibles fossiles et les différents composés hopanoïdes sont spécifiques aux
différents types de combustibles fossiles tels que le charbon ou le fioul et l'huile
lubrifiante (Simoneit, 1984, 1985). Ces composés organiques ainsi que d'autres peuvent
être utilisés comme marqueurs moléculaires pour identifier les sources primaires
contribuant aux particules ambiantes.
OC est plus abondant que CE dans les émissions provenant des processus de combustion
à basse température telle que la combustion de biomasse (Li & Bai, 2009). La proportion
relative de ces deux espèces dans les émissions peut indiquer l'origine de la fraction
carbonée (Chow et al., 1996; Gray et al., 1986; Turpin & Huntzicker, 1991). Le tableau 2
montre la moyenne des ratios OC/EC de différentes sources d'émission, telle que
rapportée par Na et.al., (2004). Les rapports OC/EC varient considérablement d'une
source à l'autre en raison des différentes intensités d'émission de la source d'OC et d'EC.
25
Tableau 2 : Valeurs des ratios OC/EC et de carbone total (TC) dans les PM2.5 (µg/m3)
Étude
OC/EC
% de TC dans les
PM2,5
Référence
Diamond Bar, USA
5,3
29.5
(Allen et al., 2000)
Rubidoux, USA
1,7
33,7
(Tolocka et al., 2001)
Los Angeles, USA
2,03
36,9
(Kim et al., 2000)
Beijing, Chine
2,5
30,2
(He et al., 2001)
Abbotsford, Canada
2, 3
48,0
(Brook & Dann, 1999)
Kaohsiung, Taiwan
2,6
21,3
(Lin & Tai, 2001)
Sao Paulo, Brésil
2,1
77,5
(Castanho & Artaxo, 2001)
Seoul, Corée du sud
2,1
-
(Park et al., 2002)
Le rapport massique de la matière organique (MO) par rapport au carbone organique
(OC) dans les aérosols organiques (OA) (ci-après dénommé rapport massique OM/OC)
est un paramètre de masse important pour la composition chimique de l'OA.
Ce rapport a été utilisé dans l'aérosol atmosphérique (OA) pour estimer le degré relatif
d'oxydation (Xing et al., 2013). Un ratio élevé de ce rapport indique un degré élevé
d'oxydation et une grande partie de l'OA est secondaire (Turpin & Lim, 2001). Le rapport
OM/OC est variable selon les typologies et environnements étudiés. Plusieurs études ont
suggéré l'utilisation de valeurs de 1,6 et 2,1 pour les sites urbains et ruraux,
respectivement (Turpin & Lim, 2001). Cependant, d'autres études ont suggéré des valeurs
situées dans la plage 1,2-1,6, avec une moyenne de 1,4 pour les zones urbaines (Aiken et
al., 2008; White & Roberts, 1977).
26
PARTIE 2 :
Sources d’émission et niveau de
pollution particulaire en Afrique
27
1. Les sources d’émission particulaire en Afrique
Les particules atmosphériques proviennent d'une grande variété de sources naturelles et
anthropiques. Les particules primaires et secondaires peuvent avoir des sources
anthropiques et naturelles. Les particules primaires sont directement émises sous forme
de liquides ou de solides provenant de sources anthropiques telles que la combustion de
combustibles fossiles (charbon, pétrole lourd et biomasse) pour la production d'énergie
dans les ménages et l'industrie, les moteurs à combustion (diesel et essence), d'autres
activités industrielles (bâtiment, exploitation minière, fabrication de ciment et fonderie) et
érosion de la chaussée par la circulation routière et abrasion des freins et des pneus
(suspension liée à la circulation des poussières de route). La source naturelle de particules
primaires comprend : les éruptions volcaniques, l’érosion de sol, les poussières minérales,
les sels marins et les matériaux biologiques (micro-organismes, pollen, etc.). Les
particules secondaires, quant à elles, sont formées par conversion gaz-particule dans
l'atmosphère (formation de nouvelles particules par nucléation et condensation de
précurseurs gazeux sur des particules). Les sources anthropiques de particules
secondaires comprennent la transformation atmosphérique des oxydes d'azote (trafic et
certains processus industriels), de l'ammoniac (principalement émis par les activités
agricoles) et du dioxyde de soufre résultant de la combustion de carburants contenant du
soufre. Alors que la remise en suspension des poussières est la source naturelle de
particules, en particulier dans les zones arides ou lors d'épisodes de transport à longue
distance de poussières.
1.1.Trafic routier
Les émissions du trafic routier sont connues pour être une source importante de particules
dans les zones urbaines et les grandes villes. Ces particules contiennent des composants
potentiellement toxiques, tels que des éléments métalliques en trace (Ntziachristos et al.,
2007). Afin de comprendre la contribution des émissions du trafic routier à
l'environnement, il est important de comprendre diverses caractéristiques d'émission,
notamment les types de sources, la composition du parc de véhicules et l'état des
infrastructures. Les émissions du trafic routier proviennent des émissions d'échappement
et de non-échappement. Les émissions de non-échappement contribuent principalement
28
au mode grossier des PM (PM10) (Ferm & Sjöberg, 2015; Lenschow et al., 2001). De
nombreuses études rapportent que les fractions fines inférieures à 0,1 μm de diamètre
(PM0.1) sont composées de plusieurs métaux toxiques (Jeon & Lee, 2016; Pakkanen et al.,
2001; Xue et al., 2020). De plus, des espèces organiques ont été trouvées dans les
émissions de non-échappement (Garg et al., 2000; Lawrence et al., 2013; Ravindra et al.,
2008). Les émissions d'échappement contribuent principalement aux particules fines,
d'importantes émissions d'échappement de particules sont émises à la suite d'une
combustion diesel incomplète (Abu-Allaban et al., 2003; Amato et al., 2010).
Malheureusement, les émissions d’échappement ne sont pas contrôlées dans la plupart
des pays africains. Les émissions de PM non-échappement proviennent de sources
d'abrasion et de remise en suspension. Ces derniers comprennent la remise en suspension
de la poussière de route due à la circulation et à l'usure de la route, la corrosion des
composants du véhicule et les processus mécaniques associés à la conduite, tels que
l'usure des freins et des pneus (Amato et al., 2010; Belis et al., 2013; Hulskotte et al.,
2014). Malgré leur contribution significative allant jusqu'à 50% aux émissions liées à la
route, les émissions de non-échappement n'ont pas encore reçu beaucoup d'attention et
n'ont pas encore été réglementées (Harrison et al., 2004; Thorpe et al., 2007). Selon
d'autres études, les émissions de non-échappement peuvent contribuer de manière
significative à la qualité de l'air urbain (Kupiainen, 2007) et peuvent représenter jusqu'à
90% des émissions totales (Johansson et al., 2007; Pant & Harrison, 2013).
Les émissions des routes non pavées se sont révélées être une source importante de fines
particules de sol sous forme de poussière. Le réseau routier existant en Afrique est
clairsemé et sous-développé. L'Afrique subsaharienne a la plus faible densité de routes
revêtues au monde (Gwilliam et al., 2008). Des quantités considérables de particules
peuvent être émises par les véhicules circulant sur des routes non pavées. À des fins de
comparaison, le facteur d'émission PM10 de l'USEPA dans l'AP-42 est de 3,7 g par
kilomètre parcouru par un véhicule à quatre roues à une vitesse moyenne de 32,2 km/h
(Claiborn et al., 1995). Les facteurs d'émission estimés pour les particules en suspension
totales étaient respectivement de 1,015 g km/h à 48 km / h et de 1,062 g km/h à 64 km/h
(Williams et al., 2008). En Afrique, le transport routier est le moyen de transport le plus
utilisé, représentant 80 à 90% du trafic de passagers et de marchandises (Gwilliam,
29
2011). Les dernières données disponibles montrent que l'Afrique dispose d'un réseau
routier d'environ 2 493 390 km, les routes non revêtues représentant plus de 73% de ces
dernières (figure 8). L'investissement dans les infrastructures routières dans différentes
régions diffère d'un pays à l'autre. Plus de 70% des infrastructures routières de la région
du Maghreb (Maroc, Algérie et Tunisie) sont pavées alors qu'un tel ratio est de l'ordre de
92% en Egypte. Malgré le fait que la Libye est bien connue comme un exportateur de
pétrole à revenu élevé, l'infrastructure routière actuelle de 100 024 km est mal développée
et seulement 57 214 km restent pavés (57% du réseau routier total). Le problème est
probablement lié au manque de bonne gestion des travaux de construction et des fonds.
Figure 8 : La longueur des routes pavées et non pavées dans les régions africaines par rapport au
Mexique, Indonésie et la Turquie (x103 km) (CIA, 2017)
Le Nigéria et l'Afrique du Sud, qui sont les plus grandes économies d'Afrique, n'ont pavé
que 15 et 21% de leurs réseaux routiers, respectivement. De plus, les routes revêtues dans
le reste des pays subsahariens représentent moins de 13% du réseau routier. Hormis les
pays d'Afrique du Nord, le reste du continent a un long chemin à parcourir pour rattraper
au moins les pays d'Asie et d'Amérique latine en termes de routes pavées. Ces pays
doivent améliorer la gestion de leurs réseaux routiers, mettre en place de nouveaux fonds
pour les infrastructures routières et changer la façon dont ils définissent leurs priorités de
dépenses.
0
100
200
300
400
500
600
700
800
Length of paved and unpaved
roads, km (x103)
Paved roads
Unpaved roads
30
Bien que le nombre de véhicules pour 1000 habitants soit beaucoup plus faible en
Afrique que dans d'autres pays (tableau 3), les niveaux de particules provenant du trafic
routier en Afrique sont généralement beaucoup plus élevés que dans les pays développés.
L'une des explications possibles est le nombre élevé de véhicules à moteur diesel, qui
produisent dix fois plus de particules que les véhicules à essence par kilomètre parcouru
(Rallis, 1988). De plus, les flottes de voitures sont plus anciennes et mal entretenues, ce
qui détériore la qualité de l’air liée à la circulation de véhicules (Panyacosit, 2000).
Tableau 3 : Véhicules pour mille habitants en Afrique et dans d'autres pays (Davis et al., 2013)
Pays/Région
Véhicules par 1000 habitants
2001
2003
2011
2013
Afrique
24,0
22,6
32,4
34,6
Asie, Extrême-Orient
41,4
45,0
71,3
81,9
Asie, Moyen-Orient
84,1
85,5
119,3
129,5
Brésil
112,3
114,8
175,4
197,5
Canada
566,8
580,0
626,2
646,1
Amérique centrale et sud
110,1
114,2
170,6
184,6
Chine
11,4
18,7
69,9
88,6
Europe de l’est
205,3
224,5
334,4
332,4
Europe de l’ouest
552,3
565,7
589,9
589,6
Inde
8,2
10,1
20,3
26,6
Indonésie
25,7
28,1
68,5
77,2
Au cours des dernières décennies, le nombre de véhicules à moteur a considérablement
augmenté dans les pays africains (figure 9). Cela est principalement dû à la croissance
démographique et à l'amélioration du pouvoir d'achat croissant de la classe moyenne
(Kingombe, 2014). Selon l'Agence centrale pour la mobilisation publique et les
statistiques de l'Égypte (CAPMAS, 2014), le nombre total de véhicules était d'environ
sept millions en 2013, et environ la moitié se trouvaient au Caire. Les transports publics
représentaient 68% de tous les véhicules, tandis que le mode de transport en commun
prédominant est les autobus (82%). Presque tous les bus et taxis utilisent le diesel comme
31
carburant et les moteurs diesel de vieille génération sans convertisseurs catalytiques ni
filtres à particules diesel. Environ 90 000 taxis en Égypte ont plus de 20 ans.
Figure 9 : Evolution du parc de véhicules dans les pays africains 2005-2014 (x103) (OICA, 2014)
Par la suite, la pollution de l'air au Caire est devenue un problème de plus en plus grave
(Banque Mondiale, 2013). Selon l'OMS (2014), le Caire est classé en 33e position sur la
liste des villes les plus polluées par les PM10. D'autres auteurs ont confirmé que les
émissions du trafic routier sont la source dominante de divers polluants au Caire
(Mahmoud et al., 2008). Une étude d'attribution de source financée par l'USAID dans le
cadre du Cairo Air Improvement Project (CAIP) a été réalisée en 2010 afin d'évaluer
l'impact de différentes sources sur cinq sites du Grand Caire. Les émissions provenant
des transports ont représenté respectivement 12 et 24% pour les PM10 et les PM2,5
(Banque mondiale 2013a). Selon Lowenthal et al. (2014), la contribution des PM10 des
véhicules à moteur était relativement constante pendant certaines saisons en 1999 et
2010, atteignant en moyenne 19 μg/m3 sur les mêmes sites du Caire.
En Algérie, le parc de véhicules a considérablement augmenté depuis les années 90 pour
atteindre 5,9 millions de véhicules fin 2016 dont 26,32% à Alger, en hausse de 5,89% par
rapport à l'année précédente. Il se composait essentiellement de véhicules de tourisme
32
(64,69%), de camionnettes (19,69%), de camions (6,90%), d'autobus (1,44%) et autres
(ONS, 2017). Au 31/12/2017, 46,22% de tous les véhicules avaient plus de 20 ans, tandis
que 60,44% avaient plus de 10 ans. Les véhicules de moins de 5 ans ne représentaient que
24% du parc national (ONS, 2017). En 2013, le secteur des transports s'est classé premier
en termes de consommation d'énergie, représentant 41% de la consommation mondiale et
65% du parc de véhicules était alimenté au diesel (UNEP, 2015). Par ailleurs, l'Algérie
est également le seul pays à utiliser encore de l'essence au plomb. La plupart des
véhicules importés, en particulier ceux d'Asie, répondent au mieux à la norme Euro 0.
Afin d'accompagner et de promouvoir son expansion économique, le Maroc a construit
d'importants réseaux routiers, autoroutiers et ferroviaires en constante évolution. Selon le
ministère de l'Équipement et des Transports, la flotte nationale a atteint 3590218
véhicules en 2015, dont 1015245 véhicules commerciaux, 2531753 voitures particulières
et 43220 motos. Les activités de transport à travers le pays ont augmenté de 68% de 2006
à 2015, le taux d'augmentation atteignant un maximum de 10,86% en 2011 (METL,
2015). Le secteur des transports représentait 37,4% de la consommation totale de pétrole,
tandis que les véhicules diesel représentaient plus de 75% du parc automobile en 2012
(IEA, 2014). Le trafic des passagers et le trafic marchandises ont représenté
respectivement 90 et 70% du transport routier pour la même année (ONU, 2014b). Les
deux tiers du parc automobile ont plus de 10 ans (Inchaouh & Tahiri, 2017). Un
inventaire des émissions a été réalisé en 2008 à Casablanca par le ministère de
l'Environnement, sur la base des données de 2004 et a révélé que 2,185 tonnes de TSP
étaient émises par le trafic routier et représentaient 24,43% du total des contributions à la
source (ONU, 2014). En 2005, la part du secteur des transports dans les émissions
atmosphériques nationales dans les zones urbaines représentait 7% du total de matière en
suspension (TSP).
La pollution de l'air dans les zones urbaines en Tunisie est directement liée au trafic
routier car le transport est considéré comme un secteur important pour les citadins dans
leurs activités quotidiennes (Mraihi et al., 2015). L'augmentation de la consommation
d'énergie du secteur des transports a représenté 37% de la consommation totale d'énergie
en 2010 (Mraihi et al., 2013). Le parc national de véhicules a augmenté de 67,83% de
33
2005 à 2015 pour atteindre 1,92 million de véhicules (Ministère du tranport, 2015). La
consommation de carburant diesel s'est élevée à 1938 millions de tonnes en 2015,
reflétant une augmentation de 15,5% depuis 2011 (INS, 2015). Un inventaire des
émissions atmosphériques réalisé dans la ville de Gabès dans le sud de la Tunisie en 2007
montre que les émissions de PM10 liées au trafic ont atteint 20,8 tonnes/an. La
contribution des autobus, des camions lourds et des voitures particulières aux PM10 était
prédominante (44,16-37,20 et 13,73%, respectivement) (Taieb & Ben Brahim, 2014).
Les moyens financiers limités et l'urbanisation rapide sont les principales causes de la
détérioration de la qualité de l'air dans les pays d'Afrique de l'Est. Nairobi, la capitale du
Kenya, est la ville la plus peuplée avec une population estimée à 3,1 millions d'habitants
en 2009 dans la grande région métropolitaine (Banque Mondiale, 2013). Les principales
sources de pollution atmosphérique sont les activités industrielles, le trafic intense et la
combustion des déchets. Environ 2,84 millions de véhicules circulaient sur les routes du
Kenya en 2016 (KNBS, 2017). Selon une projection pour 2030, la flotte totale atteindrait
5,06 millions de véhicules (Kenduiwo, 2014). Le parc national en 2016 était composé de
services publics (11,82%), de voitures particulières (34,5%), de camions lourds (5,77%)
et de minibus (4,1%) (KNBS, 2017).
Les niveaux de particules dans les zones urbaines de l'Afrique de l'Ouest sont très
importants par rapport à ceux mesurés dans les mégalopoles européennes et asiatiques.
Des pics de suie de l'ordre de 86 μg/m3 ont été observés à Cotonou, capitale du Bénin, en
mai 2005 entraînant des maladies broncho pulmonaires chez l'enfant avec une fréquence
variant entre 22 et 36% selon les sites concernés (Liousse & Galy-Lacaux, 2010). En
raison du manque de transports publics et de raisons économiques dans les pays de
l'Afrique de l'Ouest, il y a une augmentation significative de la flotte de deux roues qui
est largement utilisée comme moyen de transport (motocyclette), en raison de carburants
moins chers mais très polluants (Diaz Olvera et al., 2007). Ces véhicules sont de forts
émetteurs de particules de combustion, car le carburant utilise un mélange d'essence et
d'huile (Assamoi & Liousse, 2010). La proportion d'huile utilisée dans le mélange varie
entre 8 et 20% à Cotonou, alors que la norme n'est que 4% (Boko et al., 2003). Selon un
programme de mesure des émissions en temps réel entre 2005 et 2010, les deux-roues à
34
Cotonou, Dakar et Bamako contribuent jusqu'à 88% au PM10 contre 12% pour la
combustion de biomasse pendant certaines périodes (Naré & Kamté, 2017). Lagos, la
capitale du Nigéria, représente environ 40% de la consommation totale de carburant dans
le pays. Environ 2600 km de routes dans cette ville sont encombrés quotidiennement par
une flotte de plus d'un million de véhicules (Owoade et al., 2013). Bien que le Nigéria ait
toujours été à l'avant-garde pour promouvoir des carburants plus propres et ait établi
l'Euro2 comme norme d'émission pour les véhicules utilitaires légers (UNEP, 2015b), il
reste le pays le plus pollué d'Afrique de l'Ouest, le PM étant le principal polluant dans les
zones urbaines (Taiwo et al., 2015). Toutes les études publiées sur les particules dans les
villes nigérianes mettent en évidence le dépassement des normes de l'OMS, les
principaux contributeurs étant principalement le trafic routier, le sol, l'industrie et la
combustion de biomasse (Baumbach et al., 1995; Ezeh et al., 2012; Owoade et al., 2013).
Les émissions véhiculaires et les activités industrielles ont été les principaux
contributeurs aux niveaux de particules dans la ville nigériane d'Aba (Obioh et al., 2013).
Le carbone noir (BC) est un composant des PM2,5 et est généré par la combustion
incomplète des combustibles fossiles, des biocarburants et de biomasse. En fait, les
émissions du carbone noire proviennent principalement des moteurs et des véhicules
diesel et ce paramètre est considéré comme un indicateur de la qualité de l'air lié au trafic
(Lamarque et al., 2010; Vilcassim et al., 2014). Le trafic routier a été confirmé comme la
principale source de carbone noir dans les PM2,5 (88%), suivi de la combustion de
biomasse (12%) dans quatre villes d'Afrique de l'Ouest (Doumbia, 2012). Une étude de
surveillance de la qualité de l'air réalisée à Nairobi en 2006 a révélé que les rapports des
concentrations de PM2,5 et de carbone noir entre une route et un site de fond étaient égaux
à 20 (414 μg/m3 contre 19,9 μg/m3) et 10 (60,3 μg/m3 contre 5,7 μg/m3), respectivement
(Van Vliet & Kinney, 2007).
1.2.Brûlage de biomasse et combustion domestique
Le brûlage de biomasse en Afrique augmente intensivement pendant les saisons sèches
(Marenco et al., 1990). Dans la partie ouest de la partie subtropicale de l'Afrique, la
saison de brûlage dure de mai à octobre et de fin décembre au début mars dans
l'hémisphère Nord (Duncan et al., 2003). Les processus de combustion comprennent la
35
combustion des déchets agricoles, les incendies de forêt et de savane (Delmas et al.,
1995). Le brûlage de la savane est la plus grande source d'émissions mondiales de
brûlage de biomasse (Crutzen & Andreae, 1990; Hao et al., 1990). L'Afrique comprend
plus de 65% de la savane mondiale (Archibold, 1995; Huntley & Walker, 2012) et a
contribué pour environ 49% à la combustion mondiale de biomasse entre 1997 et 2004
(Van der Werf et al., 2010). Il a été constaté que, dans le monde, 72% de la zone brûlée
était due à des incendies en Afrique entre 1997 et 2009 (Van der Werf et al., 2010). Hao
et Liu (1994) ont signalé une quantité de 1600 millions de tonnes de biomasse brûlée
dans les incendies de savane par an à la fin des années 1970 en Afrique tropicale. Scholes
et al. (1996) ont estimé la quantité de biomasse brûlée dans les incendies de végétation
dans l'hémisphère sud de l'Afrique en 1989 entre 90 et 264 millions de tonnes de matière
sèche. La combustion de biomasse est considérée comme une source majeure de
particules et de gaz en trace (Kaufman et al., 1998) et l’Afrique contribue de manière
significative à ces émissions (Scholes et al., 1996).
Plusieurs systèmes basés sur des observations satellitaires sont utilisés pour calculer les
émissions de combustion de biomasse à l'échelle mondiale et régionale (Granier et al.,
2011; Kaiser et al., 2012; Tansey et al., 2008). Reid et al. (2009) ont rapporté, sur la base
d'un modèle complexe appelé FLAMBE, que les estimations annuelles moyennes des
émissions de particules de fumée sur la période 2006-2008 s'élevaient à 10 et 52 millions
de tonnes en Afrique sahélienne et australe, respectivement. Ces estimations
représentaient respectivement 9,09 et 47,27% des émissions mondiales estimées. Selon
Andreae et Merlet (2001), le brûlage de la savane a conduit, à la fin des années 1990, à
des émissions annuelles mondiales de 16,1 et 26,2 millions de tonnes pour les PM2.5 et le
TSP, respectivement.
Selon Gaudichet et al. (1995), les incendies de savane observés en janvier 1991 étaient
une source majeure de P, K, Ca, Mn, Fe, Ti et Si dans la fraction grossière et de S, Cl, K,
Cu et Zn dans la fraction inférieure à 2 μm. Des concentrations élevées de potassium ont
généralement été trouvées dans des échantillons liés à la combustion de biomasse (M. O.
Andreae, 1983; Gaudichet et al., 1995; Sanhueza et al., 1992).
36
En plus des feux de savane, la biomasse brûlée pour le chauffage et la cuisson est
également connue pour être un contributeur important à la pollution atmosphérique. Cette
pratique est très courante, en particulier dans les zones rurales subsahariennes.
L'augmentation de la combustion de biomasse domestique dans la plupart des pays
africains est due aux densités de population, à l'industrialisation et à la disponibilité de
biocombustibles, y compris le bois, le charbon de bois et les résidus de cultures comme
principales alternatives pour la cuisson (50%) ainsi que le chauffage résidentiel (30)
(Mead et al., 2008). Hosier (1993) a signalé qu'une augmentation de 1% de l'urbanisation
à Dar Es Salem, en Tanzanie, entraîne une augmentation de 14% de la consommation de
charbon de bois. Environ 600 millions de personnes dépendent des ressources de la
biomasse pour cuisiner en Afrique subsaharienne (IEA, 2006). Des enquêtes dans 18 pays
de la Région africaine de l'OMS indiquent qu'au moins 95% des ménages utilisent la
biomasse comme combustible pour la cuisine (OMS, 2016). Davis (1998) a indiqué que
78% des ménages dans les zones rurales d'Afrique du Sud dépendent du bois. Plus de
90% des personnes utilisent la biomasse comme principal combustible pour la cuisson au
Malawi (Fullerton et al., 2009).
L'utilisation de combustibles solides résidentiels représente 60 à 80% des émissions
totales du carbone noir en Afrique. En raison des émissions de l'industrie, des véhicules à
moteur et des ménages, les concentrations de carbone noir observées dans plusieurs villes
d'Afrique de l'Ouest (Dakar, Ouagadougou, Bamako et Lagos) sont comparables à celles
enregistrées dans les mégapoles asiatiques (Mari et al., 2011). Le brûlage résidentiel est
le principal contributeur aux niveaux de PM2,5 en Afrique de l'Ouest (40%), tandis que les
incendies de forêt sont apparus comme une source principale de contribution en Afrique
australe (29%) (Karagulian et al., 2017).
Les fours de cuisson traditionnels, qui sont principalement utilisés dans les pays
subsahariens, se sont révélés être de grands émetteurs de particules et une multitude
d'autres polluants tels que les oxydes de soufre, les oxydes d'azote, les hydrocarbures et le
monoxyde de carbone provoquant des complications de santé respiratoire à long terme et
d'autres maladies (Ezzati et al., 2001; Kristensen & Olsen, 2006; Mishra, 2003). Chaque
année, près de 600 000 décès précoces en Afrique peuvent être directement liés à
37
l'exposition à la pollution de l'air domestique résultant de l'utilisation traditionnelle du
bois de feu et du charbon de bois (OMS, 2014). Des études épidémiologiques montrent
que l'exposition à la combustion de biomasse entraîne des maladies graves telles que la
pneumonie, les infections respiratoires aiguës, la tuberculose, la maladie pulmonaire
obstructive chronique, le cancer du poumon et l'asthme (Kodgule & Salvi, 2012; Orozco-
Levi et al., 2006; Smith, 1993).
Le brûlage de champ est une autre pratique courante qui vise à promouvoir la
productivité agricole (Meland & Boubel, 1966; Simorangkir, 2007). Cette activité libère
de grandes quantités de fumée dense qui contiennent des composés chimiques et des
particules qui affectent la qualité de l'air, et elle est liée à des problèmes de santé et de
visibilité (Andreae & Merlet, 2001; Reid et al., 2005). Les principaux résidus susceptibles
d'être brûlés dans les champs en Afrique sont les céréales et le coton. Environ 173
millions de tonnes de résidus agricoles sont générés sous forme de déchets pendant ou
après la transformation des cultures agricoles, tandis que 50% du total des résidus sont
utilisés pour le chauffage et la cuisson et le reste est brûlé dans les champs (Yevich &
Logan, 2003).
L'élimination des déchets ménagers est un autre problème environnemental grave pour
les pays subsahariens (Ejaz & Janjua, 2012). Le brulage à ciel ouvert des déchets tant au
niveau résidentiel que dans les décharges libère des polluants atmosphériques nocifs, tels
que des particules fines, des HAP, des métaux lourds et des dioxines (Kakareka &
Kukharchyk, 2003; Park et al., 2013).Les taux de production de déchets solides ont
tendance à être beaucoup plus faibles en Afrique subsaharienne (0,6 ≤ kg / hab / jour) par
rapport aux pays développés (> 1,5 kg / hab / jour), comme indiqué par Hoornweg et
Bhada-Tata (2012). Malgré cela, la gestion des déchets solides est un problème critique
dans les zones urbaines pour l'Afrique (tableau 4). Le brûlage domestique est une
technique fréquente pour éliminer les déchets ménagers en raison d’indisponibilité des
services de transport destinés à la collecte, du coût pour la collecte des déchets et de la
faible couverture de collecte (Imam et al., 2008; Solomon, 2011). De plus, même lorsque
les déchets sont enlevés par les autorités concernées, les déchets solides sont éliminés par
brulage à ciel ouvert en raison du manque de technologie, d'une mauvaise gestion des
38
déchets solides et de ressources insuffisantes. Le pourcentage de déchets ménagers
collectés en Afrique subsaharienne varie de 38,25 à 49,54% (tableau 4).
Tableau 4: Production et collecte des déchets dans les zones urbaines d'Afrique pour l'année 2012 (Scarlat
et al., 2015)
Régions
Production
(Kg/personne/année)
Production
(million
tonnes/année)
Collecte
(million
tonnes/année)
% de collecte
Afrique de l’est
185,73
12,86
4,92
38,25
Afrique de l’ouest
175,37
27,02
10,66
39,45
Afrique centrale
194,57
11,90
4,83
40,56
Afrique australe
247,00
26,34
13,05
49,54
Afrique du nord
441,80
43,95
32,27
73,41
Afrique
Subsaharienne
200,67
78,12
33,46
42,83
La situation est bien meilleure en Afrique du Nord où un tel pourcentage atteint 73,41%.
Les taux de collecte sont très similaires en Afrique de l’est, de l’ouest et centrale. De
façon inattendue, l'Afrique du Sud a un taux de collecte des déchets relativement faible
(50%). Les pays les moins classés sont le Bénin (23%), la République centrafricaine
(20%), les Comores (20%) et le Sénégal (21%). Selon Cogut (2016), la couverture de
collecte des déchets municipaux en Afrique subsaharienne est estimée à 46%.
Wiedinmyer et al. (2014) ont estimé les facteurs d'émission de PM2,5, PM10, carbone noir
et carbone organique (OC) émis par la combustion des déchets à 9,8, 11,9, 0,65 et 5,27 g
/ kg, respectivement. Le brulage à ciel ouvert couvre à la fois la combustion résidentielle
et la décharge. Les informations justificatives des mêmes auteurs ont été utilisées pour
calculer les quantités totales de déchets résidentiels brûlés et de déchets brûlés dans les
décharges pour l'année 2010. Ils s'élevaient respectivement à 109,52 et 51,79 millions de
tonnes pour l'Afrique. En Afrique du Nord, ces quantités se sont élevées à 27,25
(24,88%) et 19,40 millions de tonnes (37,46%), respectivement. Il convient de noter que
l'Afrique du Nord générait 30,38% du total des déchets produits et 25,36% des déchets
non ramassés en Afrique. Ces résultats mettent en évidence l'importance des déchets
39
brûlés dans les décharges publiques en Afrique du Nord, en particulier en Algérie et en
Égypte et dans une moindre mesure au Soudan, en République démocratique du Congo et
au Nigéria. Les pays qui produisent le plus de déchets ménagers sont l'Égypte et le
Nigéria et, dans une moindre mesure, le Soudan, l'Éthiopie et la République
démocratique du Congo. Les émissions estimées de PM2.5, PM10, BC et OC résultant du
brûlage résidentiel et à ciel ouvert sont présentées au tableau 5.
Tableau 5 : Émissions estimées de PM2.5, PM10, BC et OC en Afrique subsaharienne et en Afrique du Nord
Espèces
Afrique Subsaharienne
Afrique du nord
Brulage résidentiel
(million tonnes)
Brulage au niveau
des décharges
(million tonnes)
Brulage résidentiel
(million tonnes)
Brulage au niveau
des décharges
(million tonnes)
PM2.5
1,07
0,51
0,27
0,19
PM10
1,30
0,62
0,32
0,23
BC
0,07
0,03
0,02
0,01
OC
0,58
0,27
0,14
0,10
1.3.Énergie et industrie
Les données issues de la recherche scientifique sur les particules émises par l'industrie
sont rares, voire absentes, pour la plupart des pays africains. Le cas échéant, de
nombreuses données ne sont pas récentes ou ne sont disponibles que pour quelques pays
seulement (Naidja et al., 2018). De plus, les études d'attribution de sources des particules
atmosphériques sont trop rares en Afrique. À l'exception de quelques pays, il y a peu
d'activités industrielles en Afrique. À l'échelle continentale, les émissions industrielles
sont considérées comme une source mineure de pollution atmosphérique par rapport à la
combustion de biomasse (Rodhe & Herrera, 1988).
La biomasse est la principale source de production d'électricité, car elle représente près de
la moitié de l’offre disponible en Afrique (OECD, 2016). L'électricité est accessible à la
majorité des ménages en Afrique du Nord, alors que les deux tiers des Africains n'y ont
pas accès (Ouedraogo, 2017). Selon l'Agence internationale de l'énergie (2014a), la
production totale d'électricité en Afrique était estimée à 605 TWh en 2012, l'Afrique du
Nord représentant le plus grand consommateur (40%). L'Afrique tire 80% de son
approvisionnement total en énergie des combustibles fossiles. En 2012, l'industrie
40
(essentiellement l'extraction et le raffinage) consommait 50% de l’énergie électrique
totale en Afrique subsaharienne (Ouedraogo, 2017). La production et la consommation
d'énergie sont responsables de 85% des émissions de particules en raison d'une
combustion imparfaite du combustible.
L'Afrique du Sud et le Zimbabwe consomment ensemble plus de 96% de tout le charbon
exploité en Afrique. La majeure partie du charbon sud-africain est utilisée sur le plateau
du Highveld, qui comprend la grande région métropolitaine de Johannesburg, où se
trouvent des usines pétrochimiques, des fonderies, des usines de fabrication et des
centrales électriques. Ces usines émettent environ 285 405 tonnes de PM par an, ce qui
représente environ 85% des émissions totales d'Afrique du Sud (Wells et al., 1996). Au
Zimbabwe, la production totale d'énergie était estimée annuellement à 409 PJ pendant la
période 1985–1989 et provenait principalement de la combustion de biomasse liée aux
déchets agricoles (48,5%), des résidus forestiers (29,8%) et des déchets d'élevage
(21,7%) (Hemstock & Hall, 1994).
Selon la Banque mondiale (2013), le Grand Caire comprend sept centrales thermiques
alimentées au gaz naturel qui produisent 25 360 GWh. En 2010, 5199,11 tonnes de PM10
et 2764,22 tonnes de PM2.5 ont été rejetées dans l'atmosphère par ces industries.
Environ 77% du gaz naturel total produit au Nigeria est torché, émettant régulièrement
des quantités considérables de PM estimées à 2 700 t par an (Akeredolu, 1989). Des
effets significatifs sur la croissance de la végétation (Isichei & Sanford, 1976) et des
niveaux accrus de brume ont été liés à ces émissions (Akinbami et al., 1996).
Karagulian et al. (2015) ont révélé dans une étude en milieu urbain que les activités
industrielles contribuaient à hauteur de 10% aux PM2.5 et 6% aux PM10 en Afrique. À
l'échelle mondiale, ces activités ont contribué plus fortement aux PM10 (18%) qu'aux
PM2,5 (15%). Au cours de la dernière décennie, les émissions des activités industrielles en
Afrique ont considérablement affecté les émissions mondiales d'éléments métalliques
(Pirrone et al., 2010). L'industrie minière est une source d’importants revenus pour
l'économie africaine, en particulier dans les pays subsahariens. L'Afrique possède de
vastes ressources minérales, représentant environ un tiers des ressources mondiales. En
termes de réserves mondiales, l'Afrique dispose de 70% de diamants, 60% d'or et de
41
cobalt, 45% de chrome, 35% de manganèse et 10 à 20% de minerais de bauxite, de cuivre
et de fer.
Les fonderies et les mines sont des sources potentielles de métaux en suspension dans
l'air tels que les oxydes des éléments As, de Sb, de Pb, de Zn, de Cu et de Fe (Csavina et
al., 2011; Nriagu, 1996). Les activités minières et les opérations de traitement des
minéraux sont nuisibles pour la santé humaine et sont la cause d’une grave dégradation
de l'environnement. Les particules fines émises par les exploitations minières sont
généralement caractérisés par un diamètre aérodynamique inférieur à 2 μm, et les
particules ultrafines des fonderies ont un diamètre aérodynamique inférieur à 0,5 μm
(Csavina et al., 2012; Uzu et al., 2011).
Selon un inventaire des émissions réalisé en Egypte, les activités de construction,
d'extraction et de traitement des métaux dans le Grand Caire, qui comprenaient 750
fonderies, 530 briqueteries, 1 200 usines métallurgiques et 12 500 installations
industrielles en 2007, ont rejeté environ 19 993 tonnes de PM10 et 4026 t de PM2,5,
représentant 53,03 et 25,40% des émissions nationales, respectivement (ElSeoud, 2010).
Les industries les plus polluantes à la pollution de l'air en Zambie sont l'industrie minière
et les cimenteries (Ettler et al., 2011). Les quantités de poussières rejetées
quotidiennement par les mines Nkana et Mufulira étaient estimées à environ 40 et 14
tonnes, respectivement (Kasonde & McLaughlin, 1992). Dans une petite ville appelée
Kwekwe, au Zimbabwe, la fonderie de ferrochrome nuit gravement à la qualité de l’air
est un important contributeur à la pollution de l'air et émettant chaque année 544,6 tonnes
de PM dans l'atmosphère. Le chrome et le fer sont les métaux les plus largement émis
avec des taux atteignant 6217 et 2423 kg/h respectivement (Pumure et al., 2003). Le
triangle de Vaal est une région comportant d'importantes industries pétrochimiques, des
activités d'extraction minière, de fusion et de fabrication d'acier engendrant a pire qualité
de l'air en Afrique du Sud (Munnik, 2007). Les émissions annuelles totales de PM10 par
plus de 70 sites industriels et miniers dans le triangle de Vaal ont atteint 34 907 tonnes,
représentant 77,4% des émissions annuelles totales (Scorgie et al., 2003). Les émissions
industrielles de PM en Afrique du sud ne se limitent pas à l'extraction, car les usines de
production d'électricité sont des sources notoires de PM. Un exemple notable est la
42
centrale électrique de Lethabo qui est située dans le complexe industriel de Vaal Triangle
et qui consomme plus de 40 000 tonnes de charbon par jour, fournissant 9,5% des besoins
en électricité du pays. Les émissions de PM10 se sont élevées à 8150 tonnes par an, ce qui
représente 18,1% des émissions totales (Scorgie et al., 2003).
1.4. Poussières désertiques
Le Sahara est la principale source mondiale de particules minérales d'origine éolienne. Le
désert couvre environ 30% de la superficie totale de l'Afrique et la poussière en
provenance d'Afrique peut être détectée sur une grande partie de la surface de la terre
(Prospero, 1999). Elle représente près de la moitié de tous les apports des poussières
désertiques dans les océans du monde (d’Almeida, 1987; Goudie & Middleton, 2006;
Pietrek, 1981).
Diverses études ont été menées pour estimer la masse de poussière saharienne sur la base
des propriétés microphysiques et des modes de transport des aérosols (Callot et al., 2000).
L'intervalle des estimations des émissions de poussières varie considérablement en
fonction du modèle appliqué. Il en résulte des incohérences qui ne permettent pas une
estimation fiable des émissions de particules sahariennes (Tableau 6). La comparaison
entre les observations et un total de 15 modèles (projet AeroCom) a révélé des
différences évidentes dans les estimations des émissions massiques (Huneeus et al.,
2011). Selon les auteurs, les paramètres d'entrée tels que la profondeur optique des
aérosols (AOD), le seuil d'érosion et le dépôt de poussière avaient été soit sous-estimés,
soit surestimés.
43
Tableau 6 : Estimations des émissions de poussières en million de tonnes/an
*Moyenne annuelle
Les observations satellitaires ont montré que les émissions de poussières se situent dans
des zones particulièrement actives appelées points chauds ou « hot spots » (Herman et al.,
1997). Comme le montre la figure 10, quatre zones principales ont été suggérées en
Afrique du Nord sur la base des données du spectromètre de cartographie de l'ozone total
(TOMS).
Étude
Emission de
poussières
(MTonnes/année)
Modèle utilisé
Année
Swap et al.
(1996)
130-460
Advanced Very High-Resolution Radiometer
(AVHRR)
1989 à 1992
Marticorena et
Bergametti
(1996)
665-586
Wind friction velocity and type of surface
1991 et 1992
Callot et al.
(2000)
760*
Geomorphologic approach
1990 à 1992
Ginoux et al.
(2004)
1267-1560
Global Ozone Chemistry Aerosol Radiation and
Transport (GOCART)
1981 à 1996
Kaufman et al.
(2005)
240*
MODerate resolution Imaging Spectroradiometer
(MODIS)
2000 à 2003
Chin et al.
(2007)
1609
IMPROVE Network data and GOCART model
2001
Laurent et al.
(2008)
585-759
Model based on surface and soil database
1996 à 2001
Shao et al.
2010
715,8
Computational Environmental Management System
(CEMSYS)
2004
Huneeus et al.
(2011)
792
AERONET Network data
2000
Ginoux et al.
(2012)
840*
MODIS Deep Blue Level 2
2003 à 2009
Yu et al. (2015)
182*
Cloud-Aerosol Lidar and Infrared Pathfinder Satellite
Observations (CALIPSO V.3)
2007 à 2013
44
Figure 10 : Les principales régions d’émission de poussières sahariennes en Afrique du Nord :
(A) Dépression de Bodelé; (B) Afrique de l'Ouest; (C) Désert de Nubie et (D) Désert de Libye
(Engelstaedter et al., 2006)
La dépression de Bodélé entre le Tibesti et le lac Tchad (centrée sur 16 ° N et 18 ° E) se
révèle être une source intense de poussières tout au long de l'année, avec de grandes
portions couvrant la Mauritanie, le Mali, le sud de la Somalie et l'Algérie. Cette
dépression peut être responsable à hauteur de 64% des émissions totales de poussières en
Afrique du Nord (Evan et al., 2015) et de 6 à 18% de toutes les émissions mondiales de
poussières (Todd et al., 2007). À l'aide des données satellitaires, Koren et al. (2006) ont
estimé la masse de poussière émise par la dépression de Bodélé pendant la période hiver-
printemps 2003-2004 à 58 millions de tonnes. La première expérience sur terrain menée
dans le nord du Tchad a été baptisée Bodélé Dust Experiment (BoDEx 2005).
Auparavant, les données disponibles concernant les émissions et la répartition des
poussières atmosphériques étaient basées uniquement sur des mesures satellitaires.
L'expérience a mesuré, pour la première fois, le cycle annuel des vitesses du vent près de
la surface (Washington et al., 2006), les caractérisations des poussières et la distribution
des tailles (Tegen et al., 2006), ce qui a permis le développement et l'analyse de données
de télédétection et modélisation pour une meilleure compréhension de la mobilisation et
du transport des poussières.
45
Dans la plupart des régions d'Afrique de l'Ouest, les poussières transportées par le vent du
Sahara sous l’Harmattan du Nord-Est sévissent entre décembre et avril, jusqu'au début de
la saison des pluies (Klose et al., 2010). La poussière générée est mobilisée sur une
grande partie du continent. Le sud du Sahel et en particulier la savane du Nigeria et du
Ghana sont concernés par les dépôts de poussières (Lyngsie et al., 2011; Møberg et al.,
1991). Selon Simoneit et al. (1988), le flux annuel de poussières sahariennes au Nigéria a
été estimé par Adebayo (1989) à 160 000 tonnes par an et entre 300 000 et 600 000
tonnes par an par Simoneit et Standley (1988). Cela représente environ 14% des
retombées de particules atmosphériques dans le pays (Akeredolu, 1989). De grandes
quantités de poussières produites par les Haboobs africains pendant la mousson d'été sont
causées par l'interaction entre l'air d'été vers le nord et l'air de mousson humide du golfe
de Guinée (Roberts & Knippertz, 2012). La contribution annuelle des Haboobs a été
estimée par Pantillon et al. (2016) à 18% du total des vents soufflant sur l'Afrique du
Nord, atteignant jusqu'à 24% entre mai et octobre, et 33% sur l'ouest du Sahel. Les
Haboobs ont contribué à hauteur de 50% aux émissions de poussières au niveau du
Sahara central en juin 2011 (Marsham et al., 2013). L’altitude moyenne de poussières
Haboob enregistrées à Niamey, au Niger, a atteint 3500 m lors du projet d'analyse
multidisciplinaire de la mousson africaine (AMMA) à l'été 2006 (Williams et al., 2009).
Le désert de Nubie, dans le nord-est du Soudan, contribue également à d'importants
événements de poussières se produisant principalement entre le début de l'hiver
(novembre-décembre) et l'été (juin-juillet) (Gherboudj et al., 2017).
Les dépôts de poussières sahariennes ne se limitent pas seulement au continent africain.
Selon d’Almeida (1986), 690 à 790 millions de tonnes de poussières sahariennes sont
produites par an, dont 60% sont transportées vers le golfe de Guinée, 28% vers
l’Atlantique et 12% vers l’Europe. Les trajectoires du transport sur de grandes distances
ont été largement documentées (Borbély-Kiss et al., 2004; Goudie & Middleton, 2001).
La figure 11 montre les principales trajectoires de transport saisonnier de poussières
sahariennes (Middleton & Goudie, 2001).
46
Figure 11 : Les principales trajectoires de transport saisonnier de poussières sahariennes (Middleton &
Goudie, 2001)
La majorité des panaches d'aérosols émis par l'Afrique sont transportés le long de
l'Atlantique pour atteindre des parties de l'Amérique du Nord et du Sud à travers l'océan
Atlantique (Nieder et al., 2018). La migration du panache de poussières sahariennes le
long de cette trajectoire varie avec les saisons et la position du front intertropical (ITF)
(Doherty et al., 2012; Stuut et al., 2005). Ainsi, en été, les aérosols peuvent atteindre l'Est
des États-Unis (Perry et al., 1997), tandis qu'en hiver, ils sont transportés en Amérique du
Sud pour atteindre le bassin amazonien (Ansmann et al., 2009). Selon Kaufman et al.
(2005), 240 ± 80 millions de tonnes de poussières sont transportées chaque année de
l'Afrique vers l'océan Atlantique, dont 140 millions de tonnes en été et 100 millions de
tonnes en hiver et environ 50 millions de tonnes chaque année du Sahara au Bassin
amazonien. Cela explique la concentration maximale d'aérosols sahariens mesurée en été
à la Barbade et à Miami, FL (Prospero et al., 1981; Prospero, 1999) et en hiver au-dessus
des îles du Cap-Vert (Chiapello et al., 1997). De plus, les panaches sont transportés
pendant les mois d'été, à des altitudes plus élevées qu'en hiver (Chiapello et al., 1997).
Les panaches d'aérosols émis par l'Afrique du Nord sont souvent transportés au-dessus de
la mer Méditerranée vers le sud de l'Europe (Pey et al., 2013; Titos et al., 2017) et
périodiquement vers l'Europe centrale (Papayannis et al., 2008; Seifert et al., 2010) et la
Scandinavie (Franzén et al., 1995; Ansmann et al., 2003).
47
Le transport au-dessus de la Méditerranée suit un cycle saisonnier bien marqué avec un
maximum entre mars et septembre et un minimum en hiver (Riccio et al., 2009;
Israelevich et al., 2012). Les observations par satellite et les mesures directes montrent
que le transport des nuages de poussières vers la Méditerranée orientale se fait
principalement à partir du Sahara oriental (Libye, Égypte et Soudan) (Koren et al., 2003;
Kalenderski et Stenchikov, 2016). Le transport des poussières sahariennes est important
pendant trois périodes de l’année : au printemps (mars-mai), en été (juillet-août) et en
automne (septembre-novembre) (Israelevich et al., 2003). De fortes tempêtes de
poussières surviennent principalement en Méditerranée orientale au printemps sous
l'influence des cyclones Sharav (Alpert et Ziv, 1989 ; Varga et al., 2014). La proportion
de poussières pouvant être déposée au-delà de 2000 km de distance peut être de 60%
(Jaenicke et Schütz, 1978). Une partie des poussières sahariennes est déposée non loin de
la zone d’émission et une autre partie loin de celle-ci (Mahowald et al., 2007).
Selon Shao et al. (2010), environ 715,8 millions de tonnes de poussières ont été soulevées
en Afrique du Nord en 2004, dont 608,2 millions de tonnes ont été déposées sur le
continent. Dans une étude réalisée par Ridley et al. (2012), le dépôt moyen de poussières
mesuré en Afrique pendant 3 ans (2006-2008) a été estimé à 749 millions de tonnes, soit
plus de 50% des dépôts globaux de poussières. Cependant, les mesures des retombées de
poussières dans les régions proches des sources restent très limitées et les informations
disponibles sont anciennes (Naidja et al., 2018). Les résultats des études existantes sont
résumés dans le tableau 7 et reprennent les flux mesurés en d'Europe et autour du bassin
Méditerranéen. Ils dévoilent de grands écarts entre les résultats rapportés par différents
auteurs concernant les flux de dépôts de poussières sahariennes.
48
Tableau 7 : Moyennes annuelles de dépôts de poussières sahariennes en Afrique du Nord et en
Méditerranée
Lieu
Région
Dépôt moyen de
poussières (gm-2 année-)
Période
Référence
Jafara Plains
Golf de Sirte
Southern Libye
Afrique du Nord
Afrique du Nord
Afrique du Nord
215,00
105,00
82,00
Juin 2000 à mai 2001
(O’hara et al. 2006)
Cap Spartel, Maroc
Afrique du Nord
9,14
Juin 2001 à mai 2002
(Guieu et al. 2010)
Mahdia, Tunisie
Afrique du Nord
28,74
Juin 2001 à mai 2002
(Guieu et al. 2010)
Alexandria, Egypte
Afrique du Nord
25,87
Juin 2001 à mai 2002
(Guieu et al. 2010)
Kano, Nigeria
Afrique de l’Ouest
85,00
1984 à 1985
(Moberg et al. 1991)
Bolgatanga-Tamala, Ghana
Afrique de l’Ouest
15,00
1987 à 1989
(Tiessen et al. 1991)
Bawku, Ghana
Tamale, Ghana
SefwiBekwai, Ghana
Afrique de l’Ouest
Afrique de l’Ouest
Afrique de l’Ouest
25,00
16,00
5,00
2001 à 2002
(He et al. 2007)
Taıforest, Cote d’Ivoire
Afrique de l’Ouest
8,00
1990 - 1991
(Stoorvogel et al. 1997)
Sadore, Niger
Chikal, Niger
Sahara méridionale
Sahara méridional
164,00
212,00
1985 - 1989
(Drees et al. 1993)
Lampedusa, Italie
Majorque, Espagne
Corse, France
Frioul
Le Casset
Méditerranée de
l’ouest
Méditerranée de
l’ouest
Méditerranée de
l’ouest
7,40
5,80
2,10
3,50
0,90
2012
2013
2013
2012
2012
(Vincent et al. 2016)
Crète, Grèce
Méditerranée
centrale
10-100
Janvier 1988 à septembre
1990
Carpathian Basin, Hongrie
Europe centrale
0,219
2006 - 2014
(Varga et al. 2016)
2. Les concentrations de particules dans les villes africaines
Les concentrations de PM varient considérablement dans le monde (Cohen et al., 2004).
Il existe des différences significatives entre les sources d’émission et les concentrations
de particules à l’intérieur et à l’extérieur (Cyrys et al., 2004) et entre les zones urbaines et
rurales (Langner et al., 2011; Mues et al., 2013). Les concentrations de PM dans l'air sont
influencées par différents paramètres tels que les conditions météorologiques saisonnières
(vent, température, humidité, précipitations) (Elminir 2005), les conditions géographiques
locales (Dominici et al., 2003), la croissance économique (Grossman et Krueger, 1994),
le revenu par habitant (Fenger, 1999) et le degré d’urbanisation (Langner et Endlicher,
2007).
49
Les deux tiers de la population des pays en voie de développement vivent dans les zones
rurales. A l’avenir, cette proportion risque de changer du fait d’une urbanisation accrue et
des projections qui font état d’une urbanisation qui touchera 64% de la population en
2050 (ONU, 2014). Comme indiqué à la figure 12, les taux de croissance de la population
urbaine en Afrique subsaharienne continueront d'être les plus élevés au monde par
rapport à leurs homologues des autres régions du monde avec des niveaux compris entre
3,1 et 3,8% par an (Banque mondiale, 2017). Selon Schwela (2007), la population
urbaine en Afrique a augmenté de 40% entre 2005 et 2017 et devrait augmenter de 125%
en 2030 (figure 13). L'urbanisation rapide caractérise une grande partie des villes
africaines ; la plupart de ces villes sont mal équipées pour absorber une population
grandissante. Le manque d'infrastructures a entraîné de graves problèmes liés à la
pollution de l'air en milieu urbain, à l'élimination des déchets de soins et à la
contamination de l'eau et du sol (Naidja et al., 2018).
Figure 12 : Les taux de croissance de la population urbaine mondiale en 2015 (Banque mondiale, 2017)
50
Figure 13 : Taux de croissance de la population urbaine pour le monde, l'Afrique, l'Asie, l'Europe,
l'Amérique latine, les Caraïbes, l'Amérique du Nord et l'Océanie (Schwela, 2007)
Les stations de surveillance des particules en Afrique sont généralement situées dans des
zones urbaines, à proximité de sources d'émissions (activités industrielles, trafic routier)
(Mbuligwe et Kassenga, 1997; Ali-Khodja et al., 2008; Terrouche et al., 2016) et des
zones résidentielles (Khedidji et al., 2013; Dionisio et al., 2010) afin d'évaluer
l'exposition de la population. Le tableau 8 résume les concentrations de PM affectées par
différentes sources dans différentes villes africaines. La majorité des études montrent que
ces niveaux dépassent les valeurs guides recommandées par l'OMS dans de nombreuses
régions.
51
Tableau 8 : Concentrations moyennes annuelles de PM10 et PM2,5 obtenues à partir des études rapportées
dans les villes africaines
Localisation
Fractions
PM
Concentrations
moyenne
(µg/m3)
Interprétation
des sources
d’émission
Typologie
du site
Période
Etude
Constantine,
Algérie
PM10
PM2.5
105,2
57,8
Trafic
routier,
sels marins,
remise en
suspension
de poussières
Site trafic
23
Décembre
2011 et
8 Janvier
2013
Terrouche
et al. (2016)
Shobra,
Egypte
PM10
PM2.5
154,0 – 360,0
61,0 – 216,0
Trafic
routier,
industrie,
remise en
suspension
de poussières
Industriel
et
résidentiel
Juin et
Octobre
2010
Lowenthal
et al. (2014)
Kenitra,
Maroc
PM10
PM2.5
115,1
51,3
Trafic
routier,
remise en
suspension
de poussières
Site trafic
Juin 2007
à Mai
2008
Zghaid et
al. (2009)
Addis Ababa,
Ethiopie
PM2.5
818,0
Brûlage de
biomasse
Suburbain
Janvier et
Février
2012
Sanbata et al.
(2014)
Addis
Ababa,
Ethiopie
TSP
PM10
195,0
80,0
Route non
pavée,
travaux de
construction
Urbain
22 Février
au 15
Avril
2008 et
17 Juin au
23 Juillet
2008
Gebre et al.
(2010)
Harare,
Zimbabwe
TSP
PM10
PM2.5
106,1
59,7
40,5
Trafic
routier,
Industrie
Site
industriel
July to
December
2002
Kuvarega et
Taru (2008)
Sapele,
Nigeria
PM10
PM2.5
104,2 – 434,0
104,2 – 260,4
Trafic
routier,
industrie et
brûlage de
biomasse
Site
industriel
Et
commercial
/
Ediagbonya
et al. (2015)
Banizoumbou,
Niger
PM10
187
Poussières
sahariennes
Rural
2006-2007
De
Longueville
et al., (2013)
52
Les sources d’émission naturelles et le trafic routier jouent un rôle important en termes
d’empoussièrement. L'interprétation des niveaux rapportés est donnée dans la section
suivante dans laquelle le continent africain a été divisé en deux zones géographiques :
l'Afrique du Nord (y compris le Maroc, l'Algérie, la Tunisie et l’Égypte ; la Libye ayant
été exclue en raison d'un manque de données) et l’Afrique Subsaharienne (le reste du
continent).
2.1.Afrique du Nord
Le parc automobile algérien de véhicules a connu une croissance d’environ 43% au cours
de la dernière décennie et elle est en constante évolution (ONS, 2014). Les véhicules
légers connaissent la plus forte croissance. Plus de la moitié des véhicules ont plus de 20
ans. Par conséquent, la pollution de l'air est devenue un grand sujet de débat à tous les
niveaux en Algérie. Très peu d'études sur les particules fines ont été réalisées en Algérie.
Selon Terrouche et al. (2016), le nombre insuffisant de chercheurs dans le domaine de la
qualité de l'air et l’absence de réseaux de surveillance de la qualité de l’air peuvent être à
l'origine de cette situation.
Une campagne de mesure de TSP (Particules totales en suspension) a été menée par Ali-
Khodja et al. (2008) du 2 novembre 2002 au 28 avril 2003 dans la ville de Didouche
Mourad, située à 13 km au nord de la ville de Constantine. Le site est situé à proximité
d’un important axe de circulation et d'une zone industrielle comprenant une importante
cimenterie. La concentration moyenne mesurée de TSP a été estimée à 117 μg/m3
lorsqu’une tempête de sable majeure est exclue. Lorsqu'un tel événement est pris en
compte (la moyenne de 24 heures de TSP liée à la tempête de sable est de 9193 μg/m3), la
concentration moyenne de TSP devient égale à 300 μg/m3 pendant la période d’étude.
Dans une étude plus récente, Terrouche et al. (2016) ont rapporté une concentration
journalière moyenne de PM10 de 80,42 μg/m3 en bordure de route à Zouaghi, au sud de
Constantine, pour la période s'étendant du 23 mars 2011 au 22 novembre 2011. Lors
d’une autre campagne de prélèvement de filtres de poussières au cours de laquelle 32
paires d'échantillons ont été utilisées entre le 23 décembre 2011 et le 8 janvier 2013, les
concentrations moyennes de PM10 (105,2 μg/m3) et de PM2.5 (57,8 μg/m3) ont largement
dépassé non seulement les valeurs annuelles recommandées par l'OMS (20 et 10 μg/m3,
53
respectivement) mais aussi la limite annuelle algérienne de 80 μg/m3. Le rapport
PM2.5/PM10 était égal à 0,47, reflétant la prédominance des particules grossières qui
proviennent principalement de la remise en suspension des poussières du sol et des
épisodes de poussières sahariennes. Une analyse factorielle en rotation varimax qui est
une technique multivariée a permis de conclure que la remise en suspension du sol et les
poussières sahariennes étaient les principales sources de Fe et Na, la mer Méditerranée
expliquait la présence de Na, Mg, K et Ca, tandis que le trafic et l'industrie étaient
considérés comme les principales sources de Zn, Cu, Pb et PM10.
Les niveaux élevés de plomb ont été principalement liés au trafic car l'essence en Algérie
contient encore des additifs au plomb. Abderrahim et al. (2016) ont rapporté des données
issues d'un réseau automatisé de surveillance de la qualité de l'air appelé Samasafia qui a
été implanté à El Hamma à Alger, entre 2002 et 2006. Leurs résultats ont montré que près
de la moitié des concentrations quotidiennes moyennes de PM10 dépassaient la valeur de
référence de 24 heures de l'OMS de 50 μg/m3. L’intensité du trafic routier serait à
l’origine de ces niveaux.
Selon Bouhila et al. (2015), la concentration moyenne de TSP pour les échantillons
prélevés en 2010, 2011 et 2012 (14 mois) était de 34,8 μg/m3 au niveau d’une station de
surveillance située à Draria, un site suburbain près d'Alger. Vingt-cinq éléments ont été
analysés (As, Br, Ca, Cd, Ce, Cl, Co, Cr, Cs, Eu, Fe, Gd, Hf, K, La, Mn, Mo, Na, Sb, Sc,
Se, Sm, Sr, V et Zn) et ont été attribués principalement par les auteurs à la circulation
automobile. Les concentrations les plus élevées ont été observées en été et en cours de
semaine.
Dans la plupart des pays africains, la pollution de l'air n'est pas suffisamment surveillée et
c'est le cas du Maroc (Tahri et al., 2013). Les premières campagnes de mesure au Maroc
ont débuté en 1997 dans la ville de Rabat, pour évaluer la pollution de l'air et sensibiliser
les autorités à la nécessité d'installer des stations fixes de surveillance continue de la
qualité de l'air. En novembre 2012, le réseau national de surveillance de la qualité de l'air
comprenait 29 stations automatiques couvrant 15 villes et quatre laboratoires mobiles
dans le but de mesurer, prédire et informer les autorités et le public sur la qualité de l'air,
l'objectif ultime étant de fournir une base de données pour les décideurs qui doivent
54
prendre des décisions d'urgence lorsque les concentrations d'éléments toxiques sont
susceptibles d’affecter la santé humaine. Les stations automatiques sont situées dans les
grandes villes et six paramètres sont surveillés (CO, SO2, ozone, hydrocarbures totaux,
NOx et PM10). En 2011, les données collectées au niveau des stations de surveillance
dans de nombreuses villes du Maroc ont montré que les valeurs recommandées par
l'OMS pour la qualité de l'air étaient fréquemment dépassées dans les zones à fort trafic.
Les valeurs moyennes annuelles de PM10 sur site trafic à Casablanca variaient de 105 à
160 μg/m3, alors qu'elles atteignaient 182 μg/m3 dans la ville de Mohammedia. Les
concentrations médianes de particules grossières et fines à Kenitra étaient de 115,12 et
51,32 μg/m3 de février 2007 à février 2008. La méthode PMF avait été appliquée dans
cette étude, pour les fractions fines et grossières. Les auteurs ont constaté que les
particules fines provenaient principalement de quatre sources : la métallurgie (52%), les
poussières de route (22%), les poussières de sol (13%) et les véhicules à moteur (13%).
Pour les particules grossières, elles provenaient principalement des poussières de sol
(43%), des motos (42%), des poussières de route (10%) et des véhicules automobiles
(4%). (Tahri et al., 2013).
Dans la région du Grand Casablanca au Maroc, le trafic routier et la production d'énergie
sont responsables d'environ 76% des particules émises dans l'air (ONU, 2014b). Selon
une autre étude réalisée par Zghaid et al. (2009) entre juin 2007 et mai 2008, dans la ville
de Kenitra, située à 50 km au nord de Rabat et qui compte environ 400 000 habitants, les
concentrations moyennes de PM10 et PM2.5 étaient de 115,12 et 51,32 μg/m3,
respectivement. Les principales sources de pollution dans cette région ont été attribuées
au trafic routier et à la remise en suspension des poussières.
Dans un examen de la pollution atmosphérique urbaine, Mraihi et al. (2015) ont signalé
que quinze stations de surveillance de la qualité de l'air ont été installées dans six villes
de Tunisie pour évaluer, entre autres polluants, les concentrations de particules en
suspension. Ellouz et al. (2014) ont collecté des échantillons d'aérosols pendant le sirocco
en juin 2007 dans la région de Boukornine au nord de la Tunisie, à 2 km de la mer. Les
niveaux moyens de TSP variaient de 95 à 470 μg/m3. Ces concentrations représentaient
de trois à neuf fois la concentration en l’absence de sirocco. Des échantillons d'aérosols
55
ont également été collectés par Trabelsi et al. (2016) pendant quatre saisons (du
printemps 2010 à l'hiver 2011) aux îles Kerkennah à 20 km à l'est de la ville de Sfax.
Dix-neuf éléments ont été analysés : Na, Mg, Al, Si, P, S, Cl, K, Ca, Ti, Cr, Mn, Fe, Cu,
Zn, Pb, Ni, V et As. Les concentrations de poussières minérales et de sels marins étaient
plus élevées au printemps et plus faibles en hiver en raison des conditions
météorologiques. Al, Fe, Si, Ca, Ti, Mn et Cr provenaient du sol, tandis que Na et Cl
provenaient principalement de la mer Méditerranée. Les autres éléments comme V, Cu,
Ni, As et Pb provenaient probablement d'activités anthropiques telles que le trafic et les
émissions industrielles.
En Égypte, Hindy et Abdelmaksoud (2016) ont mené une campagne d'échantillonnage
dans la zone rurale de Kuraymat, située à 87 km au sud du Caire et dotée d'une centrale
électrique. Des échantillons de TSP ont été prélevés à l'aide d'un échantillonneur d'air à
faible volume pendant la période d'avril 2009 à mars 2012. Les valeurs moyennes sur les
3 années d'étude se sont révélées élevées : 680,4, 546,7 et 466,2 μg/m3. Les auteurs ont
conclu que le Sahara était la principale source de TSP. Lowenthal et al. (2014) ont
exploité les données des stations de surveillance de la qualité de l'air ambiant situées sur
cinq sites du Caire en juin et octobre 2010. Les concentrations de PM10 et de PM2.5 étaient
plus élevées en octobre qu'en juin dans les cinq sites à l'exception du quartier résidentiel
de Helwan. Le site de Shobra a enregistré des concentrations quotidiennes élevées de
PM10 et de PM2.5 qui variaient de 154 à 360 μg/m3 et de 61 à 216 μg/m3, respectivement,
en raison du trafic intense et des activités industrielles dans la région. Des concentrations
plus faibles pour les deux fractions de PM ont été observées pendant l'été dans la zone
résidentielle d'El-Zamalek et le site de fond urbain de Kaha, tandis qu'Helwan était situé à
proximité d'une cimenterie et d'une zone à fort trafic. Les principales sources de PM10
étaient les poussières de sol remises en suspension, les émissions à l’échappement des
véhicules et le brulage à l'air libre des déchets agricoles, tandis que les PM2.5 étaient
principalement dus aux gaz d'échappement des véhicules à moteur.
Selon l'OMS (2016a), les concentrations moyennes annuelles de PM10 et PM2.5 mesurées
sur 47 sites du Grand Caire en 2013 étaient respectivement de 179 et 76 μg/m3. Dans un
autre article de revue, Chow (2004) a rapporté des concentrations annuelles moyennes de
56
PM10 dépassant 150 μg/m3 dans la plupart des sites échantillonnés au Caire entre 1994 et
1995.
Dans une autre étude, Ozer et al. (2007) ont signalé des concentrations annuelles
moyennes de TSP et de PM10 de 159 et 108 μg/m3, respectivement, pour l'année 2000, à
l'aéroport de Nouakchott en Mauritanie. Des concentrations mensuelles moyennes
élevées de TSP et de PM10 attribuées aux épisodes de poussières sahariennes ont été
enregistrées entre décembre et avril et les concentrations mensuelles maximales qui ont
été observées en février ont atteint 500 μg/m3 pour les TSP et 450 μg/m3 pour les PM10.
2.2.Région subsaharienne
La qualité de l'air n’est pas suffisamment prise en considération dans les pays
subsahariens, malgré les effets néfastes de l'urbanisation rapide et de la croissance
démographique. Néanmoins, les quelques articles scientifiques disponibles nous
permettent d'évaluer l'influence des sources anthropiques et naturelles sur les niveaux des
aérosols.
Les concentrations de TSP mesurées à Lagos, la capitale industrielle du Nigéria, ont varié
de 1033 à 40 000 μg/m3 entre juillet et octobre 1991 (Oluyemi et al., 1994). Les
concentrations moyennes de PM10 mesurées à Abuja et Maiduguri ont varié de 118,3 à
132,0 μg/m3 et ont atteint 553 μg/m3 à Aba (Efe, 2008). À Ibadan City, dans le sud-ouest
du Nigéria, les données obtenues à partir des stations de surveillance situées dans quatre
zones différentes (Université d'Ibadan, zones commerciales, trafic routier et industrie)
pendant la période sèche de janvier à mars 2008 ont révélé une concentration quotidienne
moyenne de PM10 de 502,3 ± 39,9 μg/m3 dans la zone commerciale durant l'après-midi.
Celle-ci était dix fois plus élevée que la valeur quotidienne recommandée par l'OMS,
tandis que la valeur la plus basse était de 220,6 ± 69,9 μg/m3 et a été observée sur le
campus universitaire (Ana et al., 2014). Dans la même ville, une étude plus récente a été
réalisée au cours de la période de juin 2013 (saison des pluies) à février 2014 (saison
sèche) pour déterminer la relation entre les conditions climatiques et la qualité de l'air
(Akinlade et al., 2015). Les échantillons ont été prélevés sur six sites par un
échantillonneur à faible volume et analysés par spectroscopie de fluorescence X (ED-
XRF) pour caractériser les éléments chimiques Na, Mg, Al, Si, P, S, Cl, K, Ca, Ti, Mn,
57
Fe, Zn, As, Br, Rb, Sr et Pb. Les concentrations moyennes de PM10 et de PM2.5 dans les
six sites ont dépassé la valeur recommandée par l'OMS puisqu'elles variaient de 38,99 à
78,64 μg/m3 et de 24,29 à 32,68 μg/m3, respectivement. Des valeurs élevées de PM10 et
de PM2.5 ont été observées dans la zone industrielle d'Oluyole (78,64 et 32,68 μg/m3) et la
zone résidentielle Aperin (60,28 et 29,78 μg/m3), où la cuisson au bois est une pratique
courante, surtout pendant les mois secs. Les poussières sahariennes, les émissions du
trafic routier et les poussières de sol remises en suspension sur les routes non pavées
étaient les principales sources de particules dans la ville.
Selon Efe et Efe (2008), les niveaux de PM10 sont plus élevés dans les zones urbaines que
dans les zones rurales au Nigeria. Leur étude a été réalisée dans la ville de Warri au cours
de l'année 2003. La concentration journalière la plus élevée (153 μg/m3) a été enregistrée
dans une zone impactée par un trafic intense. Les auteurs ont également signalé que les
concentrations quotidiennes les plus élevées de PM10 dans les zones urbaines et rurales
ont été enregistrées les lundis (145 μg/m3) et les mercredis (57,1 μg/m3), tandis que les
niveaux les plus faibles ont été observés le vendredi (141,5 μg/m3) et le dimanche (53,5
μg/m3), respectivement.
L'impact des particules sur la santé humaine a été évalué pendant la saison sèche à
Bamako au sud du Mali et à Dakar à l'ouest du Sénégal (Val et al., 2013). Les deux villes
ont été considérées comme étant les zones résidentielles urbaines les plus polluées par un
trafic intense, les incendies domestiques et différentes activités industrielles. Cette étude
a été réalisée dans le cadre du programme POLCA (Pollution des Capitales Africaines)
qui s'est déroulé du 20 au 22 janvier 2009 et du 27 au 29 janvier 2009 dans deux sites de
la ville de Bamako appelés respectivement BK1 et BK2 et dans un site à Dakar appelé
DK du 5 au 7 décembre 2009. Les auteurs ont indiqué que les niveaux quotidiens moyens
de PM à BK1, BK2 et DK atteignaient respectivement 205,8, 122,1 et 80,7 μg/m3. Ces
concentrations élevées sont principalement dues aux émissions du trafic et à la
combustion de biomasse utilisée pour la cuisson et le chauffage. Les niveaux élevés de
PM à BK1 étaient liés aux poussières sahariennes. De grandes campagnes de mesures de
carbone noir ont été réalisées dans le cadre des programmes AMMA et POLCA, dans
différentes villes d'Afrique de l'Ouest (Yaoundé, Bamako, Cotonou et Dakar) entre 2005
58
et 2010. À Dakar, les concentrations de carbone noir sont influencées par les conditions
météorologiques et les activités humaines quotidiennes liées au trafic. Des concentrations
élevées ont été observées pendant la saison sèche entre novembre et avril
(13 ± 3,5 μg/m3), tandis que les concentrations maximales ont été enregistrées dans toutes
les villes pendant les heures de pointe, reflétant la contribution importante du trafic
routier. Des concentrations plus faibles ont été mesurées pendant la saison des pluies de
mai à septembre (8 ± 3,5 μg/m3) et la période des vacances scolaires. Les concentrations
massiques de PM2.5 calculées à partir des ratios BC/PM2.5 de juin 2008 à juin 2009 (44,4
± 14,3 μg/m3) étaient très élevées par rapport à celles observées à Cotonou et Yaoundé
mais représentaient la moitié de celles observées à Bamako.
Lors de la campagne AMMA à Banizoumbou, dans le sud du Niger, Marticorena et al.
(2010) ont signalé des concentrations annuelles élevées de PM10 égales à 149 μg/m3 en
2006 et à 225 μg/m3 en 2007. Au cours de la campagne de mesure menée à Ouagadougou
au Burkina Faso en janvier et février 2003, des concentrations quotidiennes de PM10 de
312 μg/m3 ont été observées (Eliasson et al. 2009). Sanbata et al. (2014) ont effectué des
mesures au sein 60 ménages dans quatre cités de la ville d'Addis-Abeba, en Éthiopie, à
l'aide de moniteurs de particules. Les concentrations quotidiennes de PM2.5 associées à la
combustion de biomasse comme le bois, le charbon et les résidus de récolte ont atteint
818 μg/m3 en janvier et février 2012. Dans une autre étude à Addis-Abeba, Gebre et al.
(2010) ont prélevé les particules en suspension sur sept sites, au cours de la période
s'étendant du 22 février 2008 au 15 avril 2008 et du 17 juin 2008 au 23 juillet 2008. Ils
ont indiqué que les concentrations moyennes de TSP et de PM10 étaient de 195 ± 141 et
de 80 ± 61 μg/m3, respectivement. Les concentrations moyennes observées de TSP et de
PM10 pendant la saison sèche étaient de 304 ± 102 et 107 ± 68 μg/m3, respectivement,
tandis que pendant la saison humide, les concentrations moyennes étaient de 75 ± 5 et 43
± 21 μg/m3, respectivement. Les niveaux élevés de particules ont été attribués aux routes
non pavées et aux travaux de construction autour de tous les sites et la baisse des
concentrations pour les deux saisons peut être expliquée par le lavage de l’atmosphère
lors des précipitations pendant la saison des pluies. Dans une autre étude, Kuvarega et
Taru (2008) ont mené une campagne de mesure des particules atmosphériques, de juillet
à décembre 2002, près d'un site industriel dans la ville de Harare, au Zimbabwe. Les
59
concentrations moyennes de TSP, PM10 et PM2.5 étaient respectivement de 106,11 ±
21,41, 59,70 ± 13,48 et 40,55 ± 11,43 μg/m3. L'analyse élémentaire a montré des niveaux
élevés de Co et Ni provenant de la centrale thermique, tandis que la présence de plomb et
de cadmium était liée à un trafic intense dans la zone, notamment aux heures de pointe du
matin et du soir. La concentration moyenne de PM2.5 observée pendant deux semaines en
juillet 2009 dans différents sites à Nairobi et dans ses environs ont été estimées à 35
μg/m3 (Kinney et al. 2011).
Selon Pennise et al. (2009), les niveaux de particules provenant du bois de feu utilisé
dans les ménages subsahariens étaient de 10 à 50 fois plus élevés que les valeurs
recommandées par l'OMS. Des concentrations élevées de particules fines dépassant les
valeurs recommandées par l'OMS ont été mesurées dans les régions rurales de Chikwawa
au Malawi en raison de l'utilisation de la biomasse pour la cuisson (Fullerton et al.,
2009). Ezzati et Kammen (2001) ont analysé les conditions de la qualité de l'air dans une
ville rurale du Kenya où les gens utilisent la biomasse comme la principale source
d'énergie domestique ; ils ont signalé que les personnes vivant dans la région étaient
exposées à des niveaux élevés de fumée pendant plusieurs jours, car les niveaux
quotidiens moyens de PM10 étaient de 2000 μg/m3. Les niveaux de particules en
suspension rejetées par les décharges publiques dans le delta du Niger variaient de 773 à
801 μg/m3, soit plus de trois fois la limite réglementaire locale de 250 μg/m3 (Rim-Rukeh
2014). Dans le secteur minier, Kříbek et al. (2014) ont fait état de concentrations
annuelles moyennes de TSP de 100 à 300 μg/m3 autour des gisements de plomb et de
zinc de Rosh Pinah, en Namibie. Dans le secteur industriel, selon Akeredolu (1989), le
torchage des gaz dans les raffineries du Nigéria est responsable de niveaux de PM10
dépassant 139 μg/m3. Les concentrations totales de poussières (> 0,5 μm) à Jos, situé
dans le nord du Nigéria, ont atteint 911 et 385 μg/m3 pour la saison de Haramattan de
1979 et 1980 (Simoneit et al., 1988). À Bagauda, un site rural du nord du Nigéria, la
concentration moyenne d'aérosols pendant la saison sèche était de 175 μg/m3 contre
seulement 34 μg/m3 pendant la saison des pluies (Beavington et Cawse, 1978).
Beavington et Cawse (1979) ont indiqué que les dépôts annuels totaux de Co, Cr, Cu, Ni
et Pb à Bagauda, dans le nord du Nigéria, étaient respectivement de 1,4, 3,3, 6, 7 et 8,4
mg/m2 par an. Afin d’obtenir plus d’informations sur la quantité de poussière saharienne
60
dans l’Afrique ouest, dans le cadre du programme AMMA, trois stations ont été installées
à Banizoumbou (Niger), Cinzana (Mali) et M’bour (Sénégal). Les données recueillies au
cours de la période 2006 à 2010 ont indiqué que les concentrations mensuelles médianes
de PM10 variaient de 10 à 100 μg/m3 et augmentaient d'ouest en est. Les concentrations
estimées pendant la saison sèche se situaient entre 140 et 200 μg/m3. Très peu d'études
décrivant l'impact des poussières sahariennes sur la qualité de l'air ont été menées en
Afrique. De Longueville et al. (2013) ont fourni des informations sur les niveaux mesurés
des poussières sahariennes dans trois stations rurales de Banizoumbou (Niger), Cinzana
(Mali) et M’bour (Sénégal) pour la période 2006-2007. Les concentrations annuelles de
PM10 étaient respectivement de 187, 129 et 108 μg/m3. Ils ont attribué les niveaux de
PM10 principalement aux poussières sahariennes. Le nombre de jours par an avec des
concentrations de PM10 y dépassant 50 μg/m3 était de 237, 237 et 287, respectivement.
Une telle étude met en évidence le risque potentiel pour la santé des populations de ces
régions.
61
PARTIE 3 :
Répartition des sources
d’émission
62
1. Méthodologies de répartition des sources d’émission
La répartition des sources de pollution par les particules dans l'air est importante pour le
développement des mesures d'atténuation et de réduction des émissions. Les méthodes de
répartition des sources d’émission permettent également de définir les impacts de ces
sources sur la qualité de l’air. L'utilisation de la relation source-récepteur de particules est
une méthode de contrôle des aérosols connue depuis plus de 50 ans (Cass, 1978).Les
échantillons de particules peuvent être analysés pour identifier les éléments-clés qui
servent de traceurs spécifiques à la source. Il est important de surveiller ces éléments
traceurs qui sont propres à des sources particulières et qui peuvent être utilisés pour
identifier avec précision la contribution de celles-ci aux particules.
Viana et al., 2008 distinguent trois techniques de répartition des sources d’émission :
a) Méthodes basées sur l'évaluation des données de surveillance. Un traitement de base
des données numériques est utilisé pour identifier les sources. Voici des exemples :
✓ Corrélation de la direction du vent avec les niveaux des composants mesurés pour
identifier les emplacements des sources.
✓ La corrélation des polluants gazeux avec les composants PM pour identifier les
associations de sources.
✓ Soustraction des niveaux mesurés au niveau régional de ceux obtenus au niveau
urbain pour identifier les contributions du contexte régional et du contexte urbain.
✓ Quantification des contributions naturelles aux particules (par exemple, les
poussières désertiques) en soustrayant les niveaux de particules sur les sites de
fond régionaux de ceux des sites de fond urbains pour des jours spécifiques
Le principal avantage de ces méthodes est la simplicité des méthodes et le faible impact
des artefacts mathématiques qui en résulte en raison du traitement des données.
b) Méthodes basées sur des inventaires d'émissions et / ou des modèles de dispersion
pour simuler l'émission, la formation, le transport et le dépôt d'aérosols. Ces modèles
nécessitent des inventaires d'émissions détaillés qui ne sont pas toujours disponibles et ils
sont limités par la précision des inventaires d'émissions, en particulier lorsque les
émissions naturelles sont importantes. L’avantage de ces méthodes est qu'elles peuvent
63
être utilisées dans des études de scénarios pour évaluer l'impact des stratégies de
réduction des émissions sur la contribution anthropique aux concentrations ambiantes de
PM.
c) Méthodes basées sur l'évaluation statistique des données chimiques des PM acquises
sur les sites récepteurs (modèles récepteurs).
Traditionnellement, des modèles de dispersion atmosphérique étaient utilisés pour
estimer les contributions des sources d’émission, en combinaison avec les inventaires
d’émissions à la source et les conditions météorologiques (ApSimon et al., 2002; Calori
et al., 2006; Mediavilla-Sahagún & ApSimon, 2006). Néanmoins, la nature complexe de
la formation et du transport des polluants et l'incertitude des taux d'émission ont rendu les
inventaires d'émissions existants très difficiles à modéliser à l'aide de modèles de
dispersion (Maxim & van der Sluijs, 2011; Mediavilla-Sahagún & ApSimon, 2006). Par
conséquent, des modèles récepteurs ont été développés pour surmonter les limites des
modèles de dispersion existants (Council, 1993). Les modèles récepteurs sont des
procédures mathématiques permettant d'identifier et de quantifier les sources de polluants
de l'air ambiant au niveau d'un récepteur, qui sont indépendants des conditions
météorologiques et de la variabilité du taux d'émission.
Comme le montre la figure 14, l’utilisation des techniques de répartition de sources
d’émission s’étend de moins de 20% pour les modèles gaussiens à près de 60% pour les
modèles récepteurs.
64
Figure 14 : Pourcentage d’utilisation des modèles récepteurs pour les répartitions des
sources dans les pays de l’union européenne (Fragkou et al., 2012)
Le principe des modèles récepteurs est basé sur la conservation de la masse (Hopke,
2016). Les modèles récepteurs fournissent une évaluation des contributions provenant de
diverses sources sur la base des observations sur les sites d’échantillonnage « les
récepteurs ». Les modèles récepteurs nécessitent une surveillance des concentrations
atmosphériques qui sont évaluées statistiquement afin de trouver des sources communes
de polluants (Bozlaker et al., 2013; Godoy et al., 2009; Hopke, 1999). De plus, les
modèles récepteurs fonctionnent avec une faible intensité de calcul et plus efficacement
dans des zones plus proches des récepteurs comme les zones urbaines (Belis &
Karagulian, 2011).
Plusieurs techniques de modèles récepteurs ont été appliquées au traitement des données
de particules atmosphériques depuis les années 1960 (Blifford & Meeker, 1967).Ces
dernières années, les quatre approches les plus courantes utilisées dans les études sur les
aérosols sont : l’analyse en composantes principales (ACP) (Pearson, 1901), le bilan de
masse chimique (CMB) (Miller et al., 1972), la factorisation matricielle positive (PMF)
(Paatero & Tapper, 1994) et UNMIX (Lewis et al., 2003).Ces techniques ont été
appliquées à la répartition des sources des éléments métalliques, des ions, du carbone
élémentaire et du carbone organique (Engel-Cox & Weber, 2007; Reff et al., 2007; Viana
et al., 2008).
65
Comme le montre la figure 15, les principales différences entre les modèles récepteurs
concerne le degré de connaissance a priori sur les sources.
Figure 15 : Un aperçu de la large gamme de modèles statistiques et d'approches de
modélisation qui sont actuellement disponibles dans la littérature (Viana et al., 2008)
Le choix de la technique utilisée dépend des connaissances disponibles a priori sur le
profil de source. Les deux principaux extrêmes des modèles de récepteurs sont le bilan
chimique des masses (CMB) et les modèles multivariés. Le modèle CMB suppose une
connaissance de la composition des émissions pour toutes les sources pertinentes. Dans le
cas où le nombre de sources et le profil de la composition des sources sont connus, le
CMB s’impose comme la méthode la plus appropriée pour la répartition des sources
primaires (Hopke, 2016). Cependant, ces exigences ne sont presque jamais remplies.
Les modèles récepteurs multivariés comme ACP, PMF et UNMIX sont basés sur
l'analyse de la corrélation entre les concentrations mesurées (Paatero & Tapper, 1994;
Vidal et al., 2016). Ces types de modèles récepteurs sont largement utilisés car une
connaissance préalable détaillée des sources et des profils de source n'est pas requise (Dai
et al., 2020; Jolliffe & Cadima, 2016; Lingwall & Christensen, 2007). L'hypothèse est
que les composés hautement corrélés proviennent de la même source et que les
caractéristiques chimiques des sources sont constantes tout au long de la période de
mesure. Pour ces raisons, de nombreux utilisateurs choisissent PMF pour une analyse
plus ouverte qui produit des facteurs physiquement réalistes.
66
2. Modèles récepteurs
La répartition des sources particulaires nécessite une compréhension des différentes
options disponibles pour réaliser l'étude. Selon l’étude réalisée par Karagulian et Belis
(2012), ACP et l’analyse factorielle étaient les modèles les plus fréquemment utilisés
jusqu'en 2007. Une augmentation de l'utilisation de PMF et de CMB a été observée à
partir de 2006 (figure 16).
Figure 16 : Tendance temporelle des études de modèles récepteurs en Europe entre 2001
et 2010 (Karagulian & Belis, 2012)
La section suivante fournit une brève présentation des différents modèles largement
utilisés dans la répartition des sources.
2.1. Le bilan de masse chimique (CMB)
Au début des années 1970, Winchester et al. (1971) et Miller et al. (1972) ont évalué une
composition élémentaire des sources et ont comparé la composition observée par rapport
à celle connue. Cette approche est appelée le bilan de masse chimique (Hopke & Cohen,
2011). Ensuite, cette approche a été largement utilisée dans le domaine des sciences
environnementales pour modéliser les particules dans l'air ambiant en ajustant les
données d’entrées aux données correspondantes aux échantillons sur un site récepteur
67
(Friedlander, 1973; Hidy & Venkataraman, 1996). Cela permet l'identification des
sources qui contribuent au polluant, les profils de source et l'estimation de l'incertitude
des concentrations ambiantes (Chen et al., 2015).
Le modèle actuel de CMB a été initialement développé par le Desert Research Institute
en 1998 pour l'USEPA (Watson et al., 2004). Chow et Watson (2002) ont révélé que le
modèle est la technique idéale dans la répartition des sources primaires de polluants qui
ne subissent pas de transformations chimiques dans l'atmosphère. Cette méthode de
modélisation est facile et simple mais la difficulté réside dans la détermination du nombre
et du profil des sources avant l’utilisation du modèle. Le modèle CMB repose
physiquement sur les six hypothèses suivantes :
1) La composition des émissions à la source est constante pendant la période
d'échantillonnage dans l’air ambiant et au niveau de la source.
2) Les espèces chimiques ne réagissent pas entre elles (c'est-à-dire qu'elles s'ajoutent
linéairement).
3) Toutes les sources susceptibles de contribuer au récepteur ont été identifiées et
leurs émissions ont été caractérisées.
4) Le nombre de sources ou de catégories de sources est inférieur ou égal au nombre
d'espèces (J <I).
5) Les profils source sont linéairement indépendants les uns des autres.
6) Les incertitudes de mesure sont aléatoires, non corrélées et normalement
distribuées.
Il y a sept étapes à suivre pour utiliser CMB. Elles sont illustrées dans la figure 17.
68
Figure 17 : Étapes de modélisation par CMB (Coulter, 2004)
Le modèle CMB peut être téléchargé sur le site web de l'USEPA
(https://www.epa.gov/scram/chemical-mass-balance-cmb-model). La base de données
USEPA SPECIATE est un recueil des profils de sources disponibles dans la littérature
qui sont requis comme entrée pour l'exécution du modèle (speciate_5.0.pdf, s. d.).
2.2. L’analyse en composantes principales (ACP)
Au contraire des modèles basés sur l’analyse factorielle, le manque de profils de sources,
la nature complexe du transport des particules et la formation de particules secondaires
dans l'atmosphère limitent principalement le modèle CMB. Ces méthodes ne nécessitent
pas d'informations sur les sources. L’analyse en composantes principales (ACP) est l’une
des techniques les plus courantes d’analyse factorielle appliquée aux études sur les
particules depuis la fin des années 60 dans le domaine de la pollution atmosphérique
(Blifford Jr & Meeker, 1967).Cette méthode permet de définir les variations observées et
les corrélations similaires dans un ensemble de données, les variables inter-corrélées
peuvent être regroupées en un seul ensemble de composantes principales indépendantes.
Les sources peuvent être identifiées en fonction de l'ensemble des données ambiantes sur
les PM. L’inconvénient majeur de la ACP est qu'elle ne peut pas estimer les contributions
de la source aux concentrations ambiantes de polluants (Zhou et al., 2016).
2.3.Facteur d'enrichissement (FE)
Le facteur d'enrichissement (FE) est une technique de corrélation qui est généralement
utilisée pour les études de répartition des sources d’éléments métalliques d’origine
69
naturelle ou anthropique (Cesari et al., 2012; Cheng et al., 2018; Szefer & Skwarzec,
1988). Le FE est calculé pour les sources de poussières terrigènes et de sels marins. Afin
de trouver le facteur d'enrichissement terrigène (ERc), un échantillon de sol est utilisé
comme référence ; cependant, un sel marin est utilisé dans le calcul du facteur
d'enrichissement marin (ERm). Les éléments typiques tels que Al, Fe, Mn et Rb sont les
plus courants comme élément de référence pour ERc (Ackermann, 1980; Balls et al.,
1997; Loring et al., 1995; Sinex & Wright, 1988). Le sodium est utilisé comme élément
de référence de ERm. Le calcul du facteur d'enrichissement est effectué par l'équation 1
(Klos et al., 2011; Popovic et al., 2008). L’élément de référence choisi ne doit pas être
affecté par les sources anthropiques (Hsu et al., 2016).
FE = (Cx/CR) Aérosol
(Cx/CR)Référence Equation 1
Dans l'équation 1, Cx correspond à la concentration d'un élément atmosphérique, et CR est
celle des matériaux de référence, comme expliqué ci-dessus. Le rapport Cx/CR dans
l'aérosol de référence donne des informations sur la source de l'élément. Si le rapport est
proche de 1, on peut conclure que l'élément a une source terrigène ou marine
(Chiarenzelli et al., 2001). A l’inverse, si la valeur est bien supérieure à 1, on peut
conclure que l'élément a une origine anthropique puisque les FE ont généralement une
origine naturelle (Reimann & Caritat, 2000). De façon générale si :
• FE > 5 indique qu’on peut attribuer l'élément à des sources anthropiques
(Budhavant et al., 2015; Enamorado-Báez et al., 2015).
• FE > 100 indique que l’élément peut être considéré comme hautement
enrichi et modérément enrichi si 10 < FE <100 et moins enrichi si FE < 10
(Alleman et al., 2010a; Mijić et al., 2010; Yadav & Satsangi, 2013).
Sutherland (2000) a classé les valeurs des EF en cinq catégories : enrichissement nul ou
minimal (FE <2), enrichissement modéré (2 ≤ FE <5), enrichissement significatif (5 ≤ FE
<20), enrichissement très élevé (20 ≤ FE <40) et un enrichissement extrêmement élevé
(FE ≥ 40).
70
2.4. UNMIX
Le modèle Unmix a été proposé pour résoudre le problème des contributions
quantitatives des sources d’émission (Henry & Kim, 1990; Kim & Henry, 1999, 2000)et
a été recommandé par l'Agence américaine de protection de l'environnement (US EPA)
comme outil de modélisation général pour les études de répartition des sources (Taiwo,
Harrison, et al., 2014; Zhao et al., 2014). Cette technique basée sur l’analyse factorielle
réduit le nombre de variables dans le jeu de données à des types de sources et
contributions de sources (Zhang et al., 2012; Zhao et al., 2014).Les types de sources sont
identifiés en les comparant aux profils mesurés (Henry et al., 1999a).Les contributions
des sources sont utilisées pour déterminer la contribution de chaque source à la masse de
PM dans chaque échantillon (Henry et al., 1999b). Le modèle EPA Unmix dispose d'un
algorithme intensif qui estime le nombre de sources qui aident à trouver les régions
sources (Larsen & Baker, 2003). Le modèle utilise une transformation basée sur la
résolution de courbe d'auto-modélisation (SMCR) pour trouver une solution unique
(Hopke, 2003). Une description détaillée de la courbe de résolution d'auto-modélisation
est fournie par Henry (1997). Le modèle permet à l'utilisateur d'appliquer des contraintes
supplémentaires en fonction des connaissances développées à partir des données pour
définir les bords et trouver les points source (Henry, 2003).
Un certain nombre d'études de répartition des sources par Unmix sont rapportées dans la
littérature (Jain et al., 2018; Lewis et al., 2003; Song, Xie, Zhang, et al., 2006). La
répartition des sources par des facteurs avec des restrictions explicites (SAFER) est un
autre modèle similaire à Unmix basé sur la technique SMCR qui permet à l'utilisateur
d'imposer des contraintes physiques supplémentaires à la composition de source (Henry,
2002, 2003).
EPA Unmix 6.0 est un logiciel autonome doté d'interfaces conviviales pour exécuter le
modèle et analyser les résultats (US EPA, 2007).
2.5.La factorisation matricielle positive (PMF)
La factorisation matricielle positive ou PMF (Paatero, 1999; Paatero & Tapper, 1994) est
l'un des modèles récepteurs les plus utilisés (Hopke et al., 2016) pour résoudre le
71
problème de répartition des sources. En Europe, plus de 40% des études ont utilisé le
modèle PMF (Belis et al., 2013). La PMF est un outil d'analyse factorielle multivariée,
mais elle est différente de la ACP en ce que la non-négativité des facteurs est intégrée au
modèle. Elle est basé sur l’ajustement des moindres carrés pondérés et les incertitudes des
données mesurées (Chueinta et al., 2004; Ogulei et al., 2005). Elle décompose une
matrice d’un ensemble de données (les éléments et leurs concentrations dans le cas de la
pollution particulaire) en deux matrices, la contribution des sources et le profil de chaque
source (Brown et al., 2015a; Comero et al., 2009). Les résultats de la PMF dépendent du
nombre de facteurs inclus dans le modèle et de la valeur de rotation imposée à la solution
(Comero et al., 2009; Ulbrich, 2011). Les solutions optimales et interprétables sont celles
qui regroupent un ensemble de marqueurs spécifiques à chaque facteur distinct (Heo et
al., 2013; Shrivastava et al., 2007; Xie et al., 2012). Ce modèle permet à l’utilisateur de
pondérer les données d’entrée et de gérer celles inferieures à la limite de détection ou peu
fiables, en utilisant l'incertitude de ces points de données (Jeong et al., 2016; Manousakas
et al., 2017). Encore, les solutions générées sont plus susceptibles d'être physiquement
interprétables en imposant la contrainte de non-négativité à la sortie (Henry &
Christensen, 2010). La PMF comme tous les modèles statistiques multivariés nécessite
beaucoup de données d’entrée, un nombre relativement important d'échantillons ainsi que
la détermination d'un certain nombre d'espèces chimiques dans la fraction PM pertinente
(Gournay, 2012; Viana et al., 2008), mais il n’y a pas encore un nombre minimum
acceptable des données pour le bon fonctionnement du modèle. Henry et al. (1984)
proposent d’utiliser un rapport de degrés de liberté dans l’ensemble de données (nombre
d’échantillons x les espèces déterminées) supérieur à 30, d’autres auteurs suggèrent 50
échantillons (Brown & Hafner, 2005; Johnson et al., 2011; Thurston & Spengler, 1985).
Par contre, Norris et al. 2014 suggèrent d’impliquer au moins 100 échantillons et entre 10
à 20 espèces. En revanche, l'inclusion d'un grand nombre d'espèces pourrait ajouter une
source de bruit et entraîner des problèmes avec l'ajustement du modèle (Reff et al., 2007).
72
CHAPITRE II
MATERIELS ET METHODES
73
1. Description du site d’échantillonnage
Constantine est une ville du nord-est de l'Algérie, située à environ 390 km d’Alger, la
capitale du pays (figure 18) et à 63 km de la côte algérienne. Cette métropole est la
troisième ville la plus peuplée du pays. L'agglomération de Constantine comptait 943 112
habitants en 2015, dont seulement 54 % habitent la commune de Constantine (448 000
habitants). Cette ville se caractérise par un climat semi-aride chaud et sec en été avec une
température moyenne maximale de 36 °C et une humidité d'environ 25% alors que l'hiver
est froid et humide. Les précipitations totalisent 560 mm par an, avec des précipitations
mensuelles variant de 0 à 80 mm (Bencharif-Madani et al., 2019). De plus, l’intensité du
rayonnement solaire sur cette région est très élevée avec un ciel clair et des périodes
ensoleillées occupant une grande partie de la journée. La direction du vent vient
relativement du nord avec une vitesse moyenne atteignant 2,8 m/s (Hammouche, 1990).
Tout cela contribue à la rudesse climatique de cette ville.
Figure 18 : Emplacement de la ville de Constantine, Algérie
Pour répondre aux objectifs de notre travail, un site trafic a été choisi à Zouaghi,
Constantine (36º 31’ Nord, 6º 62’ Est, 649 mètres d'altitude). Le site se situe à 5,65
kilomètres au sud-sud-ouest de la ville de Constantine (Figure 19). Il comptait plus de
20 000 habitants en 2008 (ONS, 2011). Les sources industrielles représentées sur la
74
figure 19 ne sont pas susceptibles d'avoir un effet significatif sur les niveaux d'aérosols
sur le site d’échantillonnage du fait que ce site est relativement éloigné des activités
industrielles. La présence des obstacles topographiques empêche la bonne circulation
atmosphérique. Les principales activités industrielles sont :
- La cimenterie à 13 km au nord du site,
- L’usine de fabrication de machines agricoles, de tracteurs et de moteurs pour
plusieurs constructeurs automobiles algériens à 6,35 km au sud-est,
- Le grand complexe mécanique à Ain Smara (fabrication de pelles, grues,
compresseurs, compacteurs et chariots élévateurs) à 9,88 km,
- Plusieurs carrières d'extraction et de transformation de pierre à 23 km au sud-
ouest ainsi que l’industrie pharmaceutique, l’industrie plastique, l’industrie
chimique, l’industrie agroalimentaire à 3,7 km au nord-est.
Figure 19 : Site d’échantillonnage et les sources d’émission industrielles
(1) Cimenterie Hamma Bouziane, (2) usine de fabrication mécanique (Oued Hmeimim), (3) carrières de
production de pierre, (4) complexe mécanique (Ain Smara), (5) zone d’activité industrielle (Palma).
Deux précédentes études réalisées à proximité de notre site de prélèvement ont montré
qu'il existe quatre sources d'émission : source terrigène, remise en suspension des
75
poussières de sol et de la route, trafic routier et activités industrielles (Bencharif-Madani
et al., 2019; Terrouche et al., 2016).La route principale la plus proche (route nationale
N79) est à environ 5 m, à l’ouest du site, et comporte deux voies de circulation dans
chaque sens. Elle ne montre aucune pente et la vitesse limite est de 40 km / h (figure 20).
Cette route relie la ville de Constantine à la nouvelle ville, Ali Mendjli, ainsi qu’à
d’autres villes telles que Batna, Oum El Bouaghi et Biskra. La densité du trafic est plus
élevée les jours de semaine que lors du weekend et pendant les heures de pointe (à 8h et à
16h). L’autoroute Est-Ouest est à 1,7 km au sud du site ; elle relie la frontière tunisienne
à la frontière marocaine en passant près de grandes villes telles qu’Annaba, Skikda,
Constantine, Sétif, Alger et Oran, sur une distance de 1 216 km. La contribution directe
du trafic aux niveaux de PM2.5 au niveau du site de mesure devrait être significative.
Ce site est également entouré de trois zones urbaines. Ces dernières se situent à l’est, au
sud et au nord-ouest du site (figure 20). De plus, l’aéroport Mohamed Boudiaf se situe à
2,86 km au sud du site d’échantillonnage.
Figure 20 : Localisation géographique du site de mesure et les routes proches
76
2. Méthodologie
Pour pouvoir caractériser et analyser les données sur la concentration massique et la
composition des PM2.5 à Zouaghi, Constantine, différents outils ont été utilisés pour
traiter, comprendre, sélectionner et modéliser les données obtenues. Des outils tels que
Microsoft Excel, Origin v.8, XLSTAT 2020, R-Studio, IBM SPSS Statistics 20,
HYSPLIT, la fonction de probabilité conditionnelle (CPF) et WRPLOT View ont été
choisis pour l’élaboration des différentes catégories d'inventaires de concentrations
ambiantes et de données météorologiques et leur analyse. Le modèle EPA PMF a été
utilisé pour modéliser la caractérisation et les contributions source-récepteur. L’ensemble
de données obtenu pour les 20 espèces ont été analysés. Cet ensemble contient des
informations concernant le site, les dates d'échantillonnage, la durée d'échantillonnage,
l'instrument utilisé, la concentration de l'espèce, la limite de détection moyenne (LD)
pour l'instrument utilisé, la méthode d'analyse de l'espèce et l'incertitude associée à
chaque échantillon.
2.1.Campagne d’échantillonnage
Les PM2.5 ont été collectés sur des filtres en fibres de quartz (WHATMAN®, diamètre 47
mm, grade QMA) à la fréquence d’un prélèvement tous les 03 jours à l’entrée de la
Faculté des Sciences de la Terre à Zouaghi. La campagne de prélèvement s’est étalée du
15 mars 2017 au 15 mars 2018 en utilisant un échantillonneur à faible débit (5 litres/min).
L'échantillonnage de PM2.5 sur site a été réalisé à l'aide d'un échantillonneur à faible débit
LVS (low volume sampler) de marque « Tactical Air Sampler » (figure 21). Chaque
échantillonnage a été effectué pour une durée de 24 heures avec un débit d’aspiration de
5 litres d’air/min. L’air est aspiré à l’aide d’une pompe contrôlée par une minuterie
programmable qui peut être réglée pour effectuer jusqu'à six cycles en 24 heures ou tout
au long d'une semaine. La minuterie programmable éteint automatiquement la pompe à la
fin de la période d'échantillonnage tout en assurant un débit constant de 5 litres/min à des
températures et des pressions atmosphériques différentes (changements saisonniers).
Dans la procédure d'étalonnage, on a un utilisé un dispositif de mesure de débit à flux
laminaire (LFE) fourni par le producteur. Six débits, allant d'environ 4 à 6,5 l/min, sont
mesurés. L'entrée du LFE est ouverte à l'atmosphère tandis que la sortie est fixée à
77
l'entrée de l'échantillonneur. Pour chaque point de la procédure d'étalonnage, le débit
indiqué par le débitmètre, Qind, est enregistré et le débit réel, Qstd et Qact, sont calculés à
partir de l’équation 1 et 2 respectivement :
Qstd = mvol x Qind + bvol Equation 1
Où :
mvol est la pente de la ligne tracée
bvolest l’intersection de la ligne tracée
Qind est le débit indiqué par le rotamètre sur l'échantillonneur.
Qact est le débit aux conditions d'étalonnage réelles telles que déterminées à partir du
LFE.
Qstd est le débit aux conditions standard pour la perte de charge LFE indiquée. Les
conditions standard sont définies comme une pression atmosphérique (Pstd) de 760 mm
Hg et une température (Tstd) de 298 ° K.
Qcalc est le débit calculé de l'échantillonneur qui est déterminé à partir des résultats de la
régression linéaire.
Le débit dans les conditions réelles d'échantillonnage (Qact) est donné par l'équation
suivante :
Equation 2
L'échantillonneur est conçu pour fonctionner à 5 L / min dans des conditions réelles. Le
réglage du rotamètre pour ce débit nominal (Isp) peut être calculé en utilisant l'équation
suivante :
Equation 3
78
Dans notre étude le débit de l'échantillonneur (point de consigne du débitmètre, Isp) a été
ajusté tous les trois mois.
Figure 21 : Echantillonneur (LVS) utilisé pour le prélèvement des aérosols au niveau du
site de Zouaghi
L’échantillonneur est fixé sur un tuyau métallique à une hauteur de 1,80 m et à une
distance d’environ 5 m de la route nationale N79. Il fonctionne à partir d’une batterie qui
peut alimenter le préleveur pendant au moins 24 heures en continu, rendant ainsi le site
d'échantillonnage indépendant de l'alimentation secteur. Un séparateur granulométrique
(impacteur) avec un point de coupure de 2,5 microns (PM2.5) a été placé à l’entrée du
préleveur (figure 22). L'utilisation de l'échantillonneur sans impacteur permet de collecter
les particules totales en suspension (TSP).
79
Figure 22 : Impacteur avec un point de coupure de 2,5 microns (PM2.5)
L'échantillonneur est toujours entretenu et configuré pour la période d'échantillonnage
suivante. L'entretien comprend le retrait du porte-filtre avec le filtre exposé à l'intérieur
de l'échantillonneur, la fixation d'un nouveau porte-filtre avec un filtre neuf et le
remplacement de la batterie par une batterie complètement chargée. Le graissage et le
nettoyage du disque de l’impacteur sont effectués initialement et tous les cinq
échantillons. La fréquence de nettoyage peut être augmentée ou diminuée en fonction de
la charge de poussières. Le filtre exposé est récupéré dans les heures qui suivent la fin de
la période d’échantillonnage pour éviter l'endommagement du filtre ou le changement
dans la masse des particules due au dépôt passif ou de la volatilisation.
Les filtres exposés sont mis dans des boites de pétri (placés avec le côté exposé du filtre
vers le haut) et conservés dans le dessiccateur pendant 48 heures. Ils doivent être pesés
avant et après chaque prélèvement à l’aide d’une microbalance ayant une précision d’un
microgramme (Shimadzu AUW 120D) afin de déterminer la masse de particules captées
sur les filtres. Toutes les précautions sont prises lors de la mise en place et la récupération
des filtres (port des gants, utilisation de la pince) pour éviter toute contamination. Un
80
total de 120 échantillons a été collecté tout au long de la période d’échantillonnage (12
mois).
Pour calculer la concentration de PM d'un échantillon prélevé, le volume d'air qui a
traversé le filtre dans des conditions standard, Vstd (en m3), ou dans des conditions
ambiantes, Vamb(en m3), doit être calculé. Cela se fait en plusieurs étapes. On calcule le
volume d'air qui traverse le filtre pendant la période d'échantillonnage dans les conditions
ambiantes réelles, Vact (en mètres cubes), à l'aide de l'équation 4 :
Equation 4
Où thr est la période d'échantillonnage, en heures.
Pour calculer la concentration dans des conditions standard, on corrige le volume d'air
dans les conditions ambiantes réelles, Vact, au volume d'air dans les conditions standard,
Vstd comme suit :
Equation 5
Enfin, pour calculer la concentration de PM2.5 ou des éléments, on divise la masse nette
des particules (en microgrammes) par le volume d'air (mètre cube) ayant traversé le filtre.
Equation 6
Les résultats d'échantillonnage sont exprimés en microgrammes/mètre cube (µg/m3).
2.2.Protocole de minéralisation
Nous avons choisi la méthode de minéralisation proposée par Querol et al. (2001).
Kemmouche et al. (2017) ont pu démontrer que le protocole choisi est le plus efficace
puisqu’il favorise la récupération complète de tous les éléments par l’utilisation
indispensable de l’acide fluorhydrique (HF) qui reste le seul réactif capable de libérer des
éléments majeurs et traces liés à la silice avec des taux de recouvrement supérieurs à
81
80%. Ce protocole est le plus adapté aux études de répartition des sources (où un grand
nombre d’éléments est nécessaire), où il est fortement recommandé d'envisager la
dissolution totale des échantillons en utilisant HF afin d'assurer la fiabilité des résultats.
Tout d’abord, les filtres sont coupés en deux. Une moitié subit le protocole de
minéralisation et l’autre moitié reste conservée au frigo à 3°C pour d’autres analyses. Les
demi-filtres sont digérés dans une solution contenant 1 ml d’acide nitrique (HNO3) et 2
ml de HF dans des flacons en téflon-PFA (PerFluorAlkoxy) fermés dans l’étuve à 90°C
pendant une nuit (au moins 8 heures de temps). Après refroidissement, on ajoute 1 ml de
l'acide perchlorique (HClO4). Ensuite, on chauffe les récipients pendant 4 heures sur une
plaque chauffante à 240°C jusqu’à l’évaporation complète des acides. On ajoute ensuite
2,5 ml de HNO3 au résidu sec restant puis on le dilue dans une fiole de 25 ml en
complétant le volume avec l’eau ultra pure (MilliQ) pour obtenir des solutions de HNO3 à
5%. Ensuite, le contenu de chaque fiole est transféré dans des tubes à essai puis
centrifugé pendant 2 minutes à 3000 tr/min afin d’éliminer les résidus des filtres
minéralisés. Les solutions obtenues sont conservées dans des flacons en polypropylène
(PP) munis de bouchons étanches.
Le protocole de nettoyage de la verrerie se fait comme suit :
✓ Nettoyage des fioles : on lave les fioles 3 fois avec de l’eau de robinet puis 3 fois
avec du HNO3 à 2%, ensuite, 3 fois avec de l’eau ultra pure.
✓ Les bouchons des fioles : on met les bouchons dans un bécher rempli de HON3 à
2% pendant quelques minutes puis on les rince avec de l’eau pure.
✓ Les flacons en téflon-PFA : on lave les flacons avec le savon alcalin puis on rince
avec de l’eau de robinet, puis on ajoute 5 ml de HNO3 concentré et on les laisse
fermés dans l’étuve à 95°C toute la nuit ; le lendemain on les rince 3 fois avec
l’eau ultra pure.
2.3.Analyse des filtres
Les 120 échantillons de PM2.5, y compris les 5 filtres blancs, ont été analysés par deux
instruments, la spectroscopie d'émission de plasma à couplage inductif (ICP-OES) pour
le soufre (S) et la spectrométrie de masse par plasma à couplage inductif (ICP-MS) pour
82
le reste des éléments, au laboratoire d’Équipe de Développement Durable CEREGE
(UM34 l’Université de Aix Marseille), Technopole Environnement Arbois-Méditerranée.
Les tableaux 9 et 10 ci-dessous indiquent les caractéristiques des deux instruments
d’analyse élémentaire et les conditions de travail.
Tableau 9 : ICP-MS modèle Perkin Elmer NexIon 300 X
Puissance (Puissance RF)
1600 W
Débit de gaz plasma
15,0 L / min
Débit de gaz auxiliaire
1,2 L / min
Débit du nébuliseur
0,95 – 1,05 L / min
140 CeO+/140Ce+ < 0.025 Ce70++/Ce140+ <0,03
Prise d'échantillon
0,4 mL/mn
L'acquisition des données
Peak Hopping
15 balayages-temps de pause 50 ms – 3 répétitions
Standard interne
Rh 103 - injection en ligne
Mode de collision
Il 4,3 mL / min
Dans ce mode, LQ de As est d'environ 0,010 µg / L
83
Tableau 10 : ICP-OES modèle Perkin Elmer Optima 4300 DV
Puissance (Puissance RF)
1300 W
Débit de gaz plasma
15,0 L / min
Débit de gaz auxiliaire
0,2 L / min
Débit du nébuliseur
0,8 L / min
Prise d'échantillon
0,8 mL/ mn
L'acquisition des données
Capteur CCD – Simultané
Temps d'intégration automatique entre 1 et 5 s
3 répliques
Standard interne
Y - injection en ligne T
Purge du détecteur de ligne UV par Argon
Les réactifs utilisés pour les deux techniques d’analyse sont :
-Eau ultra pure : 18,2 MOhm.cm à 25°C - Milli-Q Reference-Millipore-78054 France
-HNO3 69% : Analyse de métaux en traces -VWR France
-Courbe d'étalonnage réalisée par dilution dans HNO3 2% : Multi solution Standard
CCS4, CCS5, CCS6 de Inorganic Ventures (New Jersey, USA).
Les limites de détection des éléments analysés par ICP-MS et ICP-OES sont reportées en
µg/m3 et µg/L dans le tableau 11.
84
Tableau 11 : Limites de détection des éléments majeurs et traces analysés par ICP-OES
et ICP-MS
Elément
Limite de détection (µg/m3)
Limite de détection (µg/L)
Na
0,0098559
10
Mg
0,0000493
0,05
P
0,0197118
20
K
0,0098559
10
Ca
0,0098559
10
Sr
0,0000099
0,01
Zr
0,0000099
0,01
Ba
0,0000493
0,05
Pb
0,0000197
0,01
Al
0,0000197
0,02
Ti
0,0000493
0,05
V
0,0000099
0,01
Cr
0,0000099
0,01
Mn
0,0000197
0,02
Fe
0,0000986
0,1
Ni
0,0000099
0,01
Cu
0,0000493
0,05
Zn
0,0000986
0,1
Mo
0,0000493
0,.05
S
0,1478383
150
85
3. Traitement des données
3.1.Modèles numériques
Il est souvent utile de pouvoir combiner les résultats d'une répartition des sources obtenus
à partir de PMF ou d’autres approches avec les données météorologiques locales ou
régionales pour aider à l'identification de sources. Il existe plusieurs approches pour
effectuer de telles analyses, notamment HYSPLIT (HYbrid Single-Particle Lagrangian
Integrated Trajectory), les cartes d'aérosols BSC/DREAM, la rose des vents, la fonction
de probabilité conditionnelle (CPF) et la fonction de contribution à la source potentielle
(PSCF). Ces modèles complètent les modèles récepteurs et peuvent donner des
informations utiles pour développer et appliquer des stratégies de gestion et
d’amélioration efficace de la qualité de l'air.
Les données météorologiques telles que la température, la vitesse du vent, les
précipitations totales, l'humidité relative et la direction du vent qui pourraient avoir un
impact potentiel sur les concentrations de polluants ont été obtenues auprès du Centre
National de Données Climatiques (NCDC, NOAA)
(https://www7.ncdc.noaa.gov/CDO/cdodateoutmod.cmd). Ces données sont recueillies
auprès de l’office national de la météorologie qui se situe à 1,0 km au sud du site
d’échantillonnage dont les caractéristiques sont proches de celles du site de prélèvement.
Les données brutes ont été traitées pour les quatre saisons. Les données météorologiques
horaires ont été utilisées afin de calculer les moyennes quotidiennes susceptibles d’être
exploitées dans cette étude. Les vents faibles dont la vitesse est inférieure à 1 m/s ont été
exclus.
3.1.1. Le modèle HYSPLIT
Un certain nombre de méthodes et d'outils secondaires aident, en sus des méthodes de
répartition des sources, à affiner la relation source-récepteur établie en associant les
résultats de répartition aux données météorologiques. Les roses des vents et les rétro-
trajectoires en sont quelques exemples. Les roses des vents aident à estimer la fréquence
et l’intensité des vents et les sources d’émission qui leurs associées. Les données
météorologiques recueillies sont considérées suffisamment précises car le site de
86
prélèvement et le site de l’office national de la météorologie ne sont distants que d’un
kilomètre.
Les rétro-trajectoires permettent de localiser des sources plus ou moins distantes dont les
rejets transportés par les masses d’air arrivant sur le site de mesure pourraient expliquer
la présence d’éléments traceurs typiques de ces sources (Stein et al., 2011). HYSPLIT
demeure l'un des modèles de transport et de dispersion atmosphériques, les plus utilisés
dans la recherche dans les sciences de l'atmosphère (Stein et al., 2015).
Il est pratiquement impossible de décrire les phénomènes de transport et de dépôt en
utilisant seulement une seule rétro-trajectoires (Stohl et al., 2002 ; Abdalmogith &
Harrison, 2005). Les limitations et les incertitudes qui s’appliquent aux calculs de
trajectoires individuelles peuvent être surmontées par une approche statistique prenant en
compte des groupes de rétro-trajectoires ayant un comportement similaire (Cape et al.,
2000). Récemment, l’analyse par regroupement de rétro-trajectoires similaires dite «
clusturing », a souvent été utilisée. Selon Borge et al. (2007), cette méthode nécessite de
calculer un grand nombre de rétro-trajectoires.
Des détails sur HYSPLIT et de rétro-trajectoires peuvent être obtenus sur le site Web du
NOAA Air Resources Laboratory (NOAA, source attribution methods).
3.1.2. Les cartes d'aérosols BSC/DREAM
BSC/DREAM (Barcelona Supercomputing Center- Dust REgional Atmospheric Model),
qui fournit les cartes de concentrations de poussières est considéré comme un outil utile
pour simuler et prévoir le cycle des poussières dans l'atmosphère. Le modèle
atmosphérique régional (BSC/DREAM) a atteint un niveau de prédiction fiable des
concentrations et des retombées de poussières et est capable de prédire les principaux
épisodes de poussières d’origine naturelle en Méditerranée (Papanastasiou et al., 2010).
La version du modèle BSC-DREAM, BSC-DREAM8b fournit des cartes d’aérosols
actuelles et passées pour les régions d’Afrique du Nord, de Méditerranée, du Moyen-
Orient et d’Asie. Ces dernières années, BSC-DREAM8b (https://ess.bsc.es/bsc-dust-
daily-forecast/) distingue bien entre les événements de poussières désertiques et les
événements sans poussières désertiques (Pérez et al., 2006).
87
3.1.3. IBM SPSS Statistics
La corrélation entre la concentration massique des particules, les facteurs
météorologiques et les polluants atmosphériques est analysée à l'aide de la méthode de
corrélation de Spearman. L'analyse de corrélation de Spearman a été calculée par IBM
SPSS Statistics v.20. La formule de calcul du coefficient de corrélation de Spearman était
la suivante :
Equation 7
Où x est la concentration quotidienne des éléments métalliques et des PM2.5, et y est la
moyenne quotidienne de facteurs météorologiques. Lorsque y tend à augmenter avec x, le
coefficient de corrélation de Spearman est positif. Inversement, le coefficient de
corrélation est négatif.
Les variables météorologiques quotidiennes moyennes telles que la température,
l'humidité et la vitesse du vent, les rayonnements, les concentrations des éléments et les
concentrations massiques de PM2.5, ont été utilisées pour la période du 15 mars 2017 au
15 mars 2018.
Des outils graphiques simples tels que Microsoft Excel et Origin v.8 ont été utilisés pour
représenter graphiquement les données et illustrer les tendances.
3.1.4. Fonction de probabilité conditionnelle (CPF)
On a utilisé la fonction de probabilité conditionnelle (CPF) pour localiser les sources
locales potentielles en se basant sur les données météorologiques locales (direction et
vitesse du vent) (Begum et al., 2004; Kim & Hopke, 2004). CPF calcule la probabilité
d'une source qui se trouve dans un secteur de direction du vent particulier, ΔƟ :
Equation 8
88
Où nΔƟ est le nombre de fois où le vent a traversé le secteur de direction, et mΔƟ est le
nombre de fois où la contribution de la source a atteint son maximum pendant que le vent
traversait le secteur (Ashbaugh, 1985). Il convient de noter que le CPF ne convient pas
aux sources éloignées car les particules d'air peuvent être détournées de leur trajectoire.
Afin d'assurer la fiabilité statistique, les données de contribution de la source moyenne
sur 24 heures ont été appliquées à toutes les moyennes de direction du vent sur 60
minutes mesurées sur le site pour chaque date. La plage de direction du vent a été divisée
en 24 secteurs de 15°. Toutes les périodes associées à des vitesses de vent inférieures à 1
m/s ont été supprimées de l'ensemble de données. CPF est utile pour déterminer la
direction d'une source à partir d'un site récepteur ; cependant, il ne peut pas déterminer
l'emplacement réel de la source.
3.1.5. Fonction de contribution à la source potentielle
L'analyse de la fonction de contribution à la source potentielle (PSCF) a été largement
utilisée pour identifier les sources régionales qui augmentent le niveau de concentration
des polluants. PSCF est calculé avec la probabilité de concentration en chaque point et est
calculé en utilisant l'équation suivante
Où mij est le nombre de points dont la concentration est supérieure à un seuil et nij
représente le nombre de points d'extrémité des trajectoires de retour qui passent par
chaque cellule de la grille (Karnae et John, 2011). Les rétrotrajectoires requises pour
l'analyse sont générées à l'aide d'un modèle développé par l'Administration Nationale
Océanique et Atmosphérique (NOAA), appelé modèle hybride de trajectoire intégrée
lagrangienne à particule unique (HYSPLIT4). Le niveau de concentration du polluant
dans chacun des paramètres est calculé. En utilisant le système d'information
géographique (SIG), une grille spatiale de résolution requise est générée et un seuil de 90e
centile est établi pour la masse répartie de chaque source.
89
3.2.Modélisation par PMF
3.2.1. Traitement des données
Deux fichiers d'entrée doivent être spécifiés, un fichier de concentrations et un fichier
d'incertitudes associées à ces concentrations pour pouvoir exploiter PMF (Huang et al.,
2001; Poirot et al., 2001). Comme la solution de PMF dépend fortement de la
concentration et des incertitudes, leur estimation est cruciale pour obtenir des résultats
fiables. Au départ, toutes les espèces et les échantillons disponibles (20 éléments
chimiques et 116 échantillons) dans l’ensemble de données sont pris en compte pour la
répartition des sources de PM2.5 avec PMF, puis un traitement des données a été effectué
pour exclure les espèces, les échantillons ou les mesures aberrantes.
Pour assurer un signal fort des données, seulement les échantillons possédant moins de
10 % de données inferieures à zéro ou inferieures à la limite de détection (LD) sont
acceptés ; l’incertitude attribuée à ces valeurs est donnée comme suit :
σa2 = LDj2 + (αij .Xij) Equation 9
Où LDj est la limite de détection de l’élément j, αij est l’incertitude de mesure (%) de la
concentration de l’élément j dans l’échantillon i et Xij est la concentration de l’élément Xj
dans l’échantillon i.
De plus, la détermination analytique comprend également la soustraction des
concentrations des éléments métalliques des filtres vierges qui sont des filtres différents
de ceux ayant servi à l’échantillonnage. Les blancs entraînent une source supplémentaire
d'incertitude σblc qui doit être propagée conjointement avec σa pour obtenir l'incertitude
de détermination analytique σA: σA2 = σa2 + σ2blc
Afin d'inclure des sources supplémentaires d'incertitude, l'incertitude globale a été
estimée par la formule suivante (Amato et al., 2009):
σij2 = √σA2
Vi2+(β . Xij)2 Equation 10
90
Où Vi est le volume d'air échantillonné pour chaque échantillon i et β est un coefficient
estimé à 0,15.
Les espèces dont la concentration est inférieure à la limite de détection ont été remplacées
par LD/2 et l'incertitude Sij de ces valeurs est calculée comme suit :
σij = 5/6 LD Equation 11
Les données obtenues sont systématiquement filtrées pour détecter les événements
inhabituels et les performances des instruments, et sont validées avant la modélisation. Le
test de Grubbs a été également appliqué sur l’ensemble des données pour détecter les
valeurs aberrantes maximales. Ces valeurs sont supprimées de l'ensemble des données et
le test est répété jusqu'à ce qu'aucune valeur aberrante ne soit détectée. Une valeur
aberrante peut indiquer un événement particulier qui a perturbé le phénomène observé au
point de le rendre incomparable aux autres. Dans de tels cas, la valeur extrême est soit
corrigée dans la mesure du possible, ou supprimée de l’ensemble des données. Dans notre
étude, les valeurs aberrantes obtenues lors des intrusions de poussières désertiques ou
autres évènements inhabituels ont été examinées et retenues et les incertitudes calculées
pour ces valeurs ont été augmentées d’un facteur 3 (Kim et al., 2004, 2005).
Les séries chronologiques des espèces ont également été représentées par des graphiques
et étudiées afin d'identifier toute observation inhabituelle ou valeur aberrante. Les séries
chronologiques des incertitudes attribuées aux concentrations des espèces ont également
été représentés graphiquement pour détecter toute anomalie. Si l'une des données est
erronée, la date de l'échantillon est réexaminée pour justifier l’observation extrême. Si les
données ne sont pas justifiées, elles sont considérées comme des valeurs réelles et
considérées comme telles dans la procédure de modélisation. Les ensembles de données
finales contiennent 95 échantillons et 20 espèces.
Chaque ensemble de données a également été analysé pour trouver le nombre
d'informations manquantes, le nombre de données validées et le nombre d'échantillons
dont la concentration est inférieure à la valeur MDL. Seules les espèces dont 50% des
données sont au-dessus de la limite de détection moyenne ont été prises en compte. Les
échantillons pour lesquels des données manquaient ont été retirés de l'analyse PMF.
91
Les contributions des sources ont été estimées pour les quatre saisons : l’hiver (décembre,
janvier et février), le printemps (mars, avril et mai), l’été (juin, juillet et août) et
l’automne (septembre, octobre et novembre).
3.2.2. Détermination de la solution optimale
L’approche PMF est une technique d'analyse factorielle multivariée qui a été largement
appliquée dans de nombreuses études au cours des dernières années, comme détaillé dans
la partie bibliographique. Le principe fondamental de PMF est de décomposer la matrice
des données ambiantes X comprenant les mesures de concentration de n espèces
chimiques dans m échantillons et leurs incertitudes correspondantes, en deux matrices, la
matrice G qui représente la contribution de chaque facteur pour chaque échantillon et la
matrice F qui représente la composition chimique du profil de chaque facteur. PMF
calcule les profils de source spécifiques au site avec les variations temporelles de ces
sources sur la base des corrélations entre les données telles que représentées dans
l'équation 13.
Equation 12
Où xij est la concentration des espèces j mesurée sur l'échantillon i, gik est la contribution
relative de tout facteur k à l'échantillon i, fkj est la concentration de l'espèce j dans le
profil de facteur k, eij est le résidu associé à la concentration d'espèce j mesurée dans
l’échantillon i, et p est le nombre de sources indépendantes.
Le modèle PMF essaie de reproduire xij en minimisant la somme des carrés des résidus
mis à l'échelle (Q) :
Equation 13
Ainsi, PMF identifie un ensemble de p facteurs qui caractérisent le mieux les PM2.5 sur
notre site. Les résultats sont limités de sorte qu'aucun échantillon ne puisse avoir une
contribution négative à la source.
92
L'identification des principales sources de pollution particulaires ainsi que la contribution
de chaque source aux niveaux de la fraction PM2.5 dans ce travail est sont basées sur le
protocole compilé par Belis et al. (2014), les recommandations du guide EPA PMF v.5
(Norris et al., 2014) ainsi que les recommandations de Brown et al. (2015).
Le nombre de facteurs (p) a été déterminé à l'aide de deux critères : l'interprétabilité des
profils de facteurs PMF résultants et le taux de réussite de l'appariement des facteurs pour
les essais bootstrap (BS), déplacement (DISP) et la combinaison deux (BS - DISP).
L’approche suivante a été systématiquement utilisée : la solution avec le plus grand
nombre de facteurs physiquement significatifs est celui qui a été retenu. Ce choix est
également éclairé par l'inspection visuelle de toute chute brutale dans les graphiques de
Qvrai/Qexp, par rapport au nombre de facteurs ajustés. Un examen détaillé des résultats du
modèle et de la qualité de l'ajustement a été effectué pour les solutions de 2 à 9 facteurs.
3.2.2.1.Détermination des espèces ‘fortes’, ‘faibles’ et ‘mauvaises’
Dans l’analyse factorielle multivariée, l'inclusion de toutes les espèces analysées pourrait
influencer la solution ; les espèces en dessous de leur limite de détection ou les espèces
qui ont beaucoup d'erreur dans leurs mesures ne devraient pas être incluses dans ces
modèles (Paatero & Hopke, 2003). L’examen du rapport signal/bruit (S/N) pour chaque
espèce est une étape importante pour décider d’inclure l’espèce dans le modèle PMF (si
l'espèce était suffisamment forte), la pondérer et la conserver dans le modèle (si elle est
faible) ou la supprimer du modèle (si elle est qualifiée de mauvaise).
Dans la dernière version de EPA PMF v5.0, le rapport (S/N) est calculé à l'aide de
l'équation :
Equation 14
D’où :
93
Avec : χij la concentration de l’espèce i dans l’échantillon j
Sij l’incertitude liée à la concentration de l’espèce i dans l’échantillon j
Le rapport (S/N) pour chaque espèce est calculé par le modèle PMF après la saisie des
données de concentration et d'incertitude. Une espèce peut être considérée comme forte si
S/N> 2, faible si le S/N est compris entre 0,2 et 2, et mauvaise si S/N <0,2 (Paatero &
Hopke, 2003). Reff et al. (2007) ont calculé les solutions de PMF avec et sans espèces
faibles (les espèces présentant des difficultés analytiques ou des valeurs anormales), et
ont constaté que l'inclusion de ces éléments tendait à entraîner des facteurs qui ne sont
pas physiquement interprétables, et ont conclu que l'exclusion des éléments faibles
améliore les solutions de PMF. La figure 23 présente les mesures de PM2.5 ainsi les
valeurs de S/N pour chaque espèce.
Figure 23 : Statistiques récapitulatives des espèces utilisées dans l'analyse PMF et les
valeurs de S/N
Dans notre étude, l’examen du rapport S/N n'était pas la méthode ultime de classification
des espèces fortes, faibles et mauvaises. Les histogrammes des résidus mis à l'échelle
fournis par le modèle PMF sont utiles pour comprendre l'ajustement de chaque espèce. Si
94
l'espèce a une bonne distribution, elle est considérée comme forte et celles qui ont une
distribution plus large et un mauvais ajustement sont classées comme faibles alors que les
espèces qui ont une mauvaise distribution sont classées comme mauvaises. Les séries
chronologiques et le coefficient de régression des concentrations observées par rapport
aux concentrations prédites pour chaque espèce ont été également pris en considération
dans la classification des espèces.
3.2.2.2.Examen de la valeur Q
Le but de répartition des sources par PMF est la minimisation du paramètre d'ajustement
(Q) pour que le modèle atteigne un minimum global. Cela a été assuré dans notre travail
en exécutant le modèle plusieurs fois, chaque exécution commençant par un numéro de
graine (Seed number) aléatoire et avec 20 itérations pour chaque opération (100 itérations
pour la solution optimale). La procédure adoptée est similaire à celle décrite dans le guide
de l'utilisateur de EPA PMF v5.0 (Norris et al., 2014). Les changements de la valeur Q
ont été examinés visuellement lors du calcul de facteurs supplémentaires, en partant de 2
facteurs jusqu'à 9. Une fois qu’un nombre approprié de facteurs est inclus dans
l'ajustement, les facteurs supplémentaires n'entraîneront pas d'autres améliorations
significatives à la valeur Q/Qexp. Des informations utiles peuvent être récupérées en
comparant la valeur théorique Qthéorique valeurs Qvrai et Qrobuste, qui sont générées par
chaque exécution de PMF. Qrobuste est calculé en excluant les valeurs aberrantes et le Qvrai
inclut tous les points. Alors que Qthéorique est approximée sous la forme nm - p (n + m), où
n est le nombre d'espèces, m est le nombre d'échantillons et p est le nombre de facteurs
ajustés par le modèle (Paatero et Hopke, 2009).
Les solutions où Qvrai est supérieur à Qrobuste par un facteur de 1,5 peuvent indiquer que le
PMF modélise les données de manière incohérente. Les valeurs aberrantes peuvent en
être la cause et peuvent être sous-pondérées afin qu'elles aient moins d'influence dans le
modèle (Brown & Hafner, 2005; Paatero, 2010). Les valeurs de Qrobuste et Qvrai qui sont
proches de la valeur Qthéorique reflètent un ajustement raisonnable des données (Brown &
Hafner, 2005).
95
3.2.2.3.Estimation des erreurs
Les erreurs dans la solution PMF retenue peuvent être estimées en utilisant trois
techniques d'estimation d’erreur : bootstrap (BS), déplacement (DISP) et une
combinaison de ces deux (BS-DISP). Les trois méthodes sont complémentaires et
peuvent être utilisées pour comprendre l'incertitude d'une solution PMF.
Comme décrit en détail dans Paatero et al. (2014) la variabilité de la solution PMF a
traditionnellement été évaluée par bootstrap (BS), où le modèle sélectionne au hasard des
blocs d'échantillons et crée un nouveau fichier de données d'entrée des échantillons
sélectionnés, avec les mêmes dimensions (nombre d'échantillons et nombre d'espèces)
comme ensemble de données de référence. Le PMF est ensuite exécuté sur le nouvel
ensemble de données rééchantillonné, et chaque facteur BS est mappé à un facteur
d'exécution de base en comparant les contributions des facteurs pour les échantillons
inclus dans l'ensemble de données rééchantillonné. Si aucun facteur de base n’a de
corrélation au-dessus du seuil pour un facteur BS donné, ce facteur est considéré comme
‘non mappé’. Si plus d'un facteur BS de la même série est corrélé avec le même facteur
de base, ils seront tous mappés à ce facteur de base. Ce processus est répété pour autant
d'exécutions BS. De cette manière, une compréhension de l'incertitude de la répartition de
chaque espèce dans chaque facteur est trouvée.
Pour le DISP, chaque élément ajusté dans la matrice de profil factoriel (F) de la solution
de base est déplacé suffisamment loin de sa valeur ajustée pour que Q augmente d'une
quantité prédéterminée appelée dQmax (dQmax= 4, 8, 15 et 25). Chacun de ces
déplacements est interprété comme l'estimation d'intervalle supérieur ou inférieur de la
variable perturbée, donnant ainsi une estimation d'incertitude pour chaque espèce dans
chaque profil factoriel. L'estimation de l'incertitude comprend à la fois les incertitudes
des données (bruit des données) et l'ambiguïté de rotation. Il est à noter que seules les
espèces fortes sont déplacées dans DISP. Puisque l’incertitude des espèces faibles est
augmentée déjà d'un facteur 3 et que les intervalles DISP sont directement liés aux
incertitudes des espèces, ceux-ci se traduisent par des estimations d'erreur importantes
pour les espèces faibles.
96
BS-DISP a été développé pour combiner la force de robustesse de BS aux erreurs de
données et la force de DISP de capturer l'incertitude de rotation. BS-DISP est une
combinaison de méthodes BS et DISP dans laquelle chaque ensemble de données
rééchantillonnées est décomposé en matrices de profil et de contribution, puis les
éléments ajustés dans F sont déplacés. La collection de tous les résultats du processus de
rééchantillonnage, de décomposition et de déplacement est ensuite résumée pour en
déduire des estimations d'incertitude. Donc, BS et DISP déterminent respectivement les
erreurs aléatoires et les erreurs dues à l'ambiguïté rotationnelle, tandis que BS-DISP
mesure les erreurs dues aux deux ensemble (Norris et al., 2014).
Les trois techniques ont été exécutées sur les solutions P-1, P et P+1, dont p est le nombre
de facteur de la solution choisie, afin d'étudier la validité de la solution optimale. Dans les
trois solutions, on a impliqué 100 essais dans BS avec la corrélation R égale à 0,6.
97
CHAPITRE III
RESULTATS ET DISCUSSION
98
1. Caractérisation et tendance temporelle des PM2.5 et des éléments métalliques
1.1. PM2.5
La concentration annuelle moyenne de PM2.5 au site d'échantillonnage de Zouaghi, est de
54,07 ± 28,81. Il est à noter que l’écart-type relativement élevé est dû à une forte
variation saisonnière des PM2.5 et à l’enregistrement de concentrations élevées de PM2.5
pendant les évènements inhabituels. Les concentrations maximales et minimales sont de
132,52 et 16,91μg/m3 respectivement (figure 24).
Figure 24 : Variations mensuelles des concentrations moyennes de PM2.5. La plage de la
boîte représente le 25ème et le 75ème centile des données. Les extrémités de la boîte à
moustaches représentent la min et le max
99
Figure 25 : Concentrations mensuelles moyennes de PM2.5
La figure 25 illustre les concentrations mensuelles moyennes de PM2.5 observées entre le
15/3/2017 et le 15/3/2018 au niveau du site de mesure. Les moyennes les plus élevées ont
été enregistrées pendant la période sèche (juin-juillet-août). La concentration annuelle
moyenne de PM2.5 obtenue dans cette campagne est plus élevée que celles mesurées au
niveau des sites trafic des autres villes algériennes (Belarbi et al., 2020; Khadidja et al.,
2019; Oucher et al., 2015; Talbi et al., 2018) et comparable à d’autres villes nord
africaines (Boman et al., 2013b; Hassan & Khoder, 2017; Tahri et al., 2013; Zghaid,
Noack, Boukla, et al., 2009).Cette valeur est beaucoup plus élevée que le seuil annuel
recommandé par l’OMS de 10 μg/m3, la limite annuelle américaine (NAAQS) pour les
PM2.5 (32 μg/m3) et dépasse d’un facteur de 2 la norme édictée par la Commission
Européenne (25 μg/m3). Néanmoins, cette valeur est inférieure à la valeur limite fixée par
la règlementation algérienne (80 µg/m3). D’après l’étude réalisée par le Health Effects
Institute et le projet Global Burden of Disease (GBD) de l’Institute for Health Metrics
and Evaluation (IHME) en 2019, 90% de la population mondiale vit dans un
environnement où les concentrations annuelles moyennes de PM2.5 dépassent le seuil
recommandé par l’OMS (figure 26). L’Algérie figure parmi les pays les plus exposés aux
particules fines au monde, avec des concentrations annuelles moyennes comprises entre
35 µg/m3 et 45 µg/m3 au nord et dépassant 70 µg/m3 au sud. Les zones les plus polluées
au monde par les particules fines sont l’Asie du sud et du sud-est, l’Afrique du nord, le
100
moyen orient et les pays d’Afrique subsaharienne. Les niveaux annuels les plus élevés
ont été enregistrés au Népal (100 µg/m3), au Niger (94 µg/m3), en Inde (91 µg/m3), au
Qatar (91 µg/m3), en Arabie saoudite (88 µg/m3), en Égypte (87 µg/m3), au Cameroun
(73 µg/m3) et au Nigéria (72 µg/m3) (Health Effects Institute, 2019).
Figure 26 : Concentrations annuelles moyennes de PM2.5 en 2019 (Health Effects
Institute, 2019)
La limite journalière recommandée par l’OMS (25 µg/m3) a été dépassée 83 fois durant la
période d’échantillonnage, représentant 88% de l’ensemble des jours d’échantillonnage
(figure 27).
101
Figure 27 : Variation temporelle des concentrations journalières moyennes de PM2.5
montrant les jours de dépassement par rapport au seuil fixé par l’OMS de 25 µg/m3
Les niveaux élevés de pollution de l’air par les particules à Constantine sont influencés
par les épisodes de poussières sahariennes (Ali-Khodja et al., 2008; Bencharif-Madani et
al., 2019; Terrouche et al., 2016). La proximité géographique de l’Afrique du Nord des
zones d’émission de poussières désertiques particulièrement actives (Engelstaedter et al.,
2006) comme le désert de la Libye, le Niger et le Mali, explique les niveaux élevés des
particules dans l’air dans cette région (Evan et al., 2015; Safar & Labib, 2010). De plus,
le climat semi-aride, chaud et sec en été et froid et humide en hiver où la fréquence et
l'intensité des précipitations sont concentrées sur une courte période (en moyenne de 20
jours par année), qui caractérise la ville de Constantine favorisent la resuspension des
poussières et accroît les concentrations de particules dans l'air ambiant. Il est à noter que
les activités liées à l’agriculture sont également une source importante de poussières et
conduisent à l’érosion du sol (Avecilla et al., 2015; Ginoux et al., 2012; Webb & Strong,
2011). Constantine est traditionnellement une ville à vocation agricole ; les terrains
agricoles représentent 82% de la superficie totale de la wilaya dont les forêts occupent
seulement près de 8% soit 17858 hectares (ANDI, 2013). Ces facteurs expliquent la
présence importante des poussières soulevées par les vents surtout par temps sec.
102
1.2. Eléments métalliques
L'analyse élémentaire des PM2.5 a révélé que Ca, Na et Al sont majoritaires, suivis par les
éléments S, Fe, K, Ba et Mg (Tableau). La composante terrigène est importante étant
donné que les espèces terrigènes Al, Ca, Fe, K, Mg et Ti représentent environ 62% de la
masse totale des éléments métalliques et la composante minérale représente 16,6 % de la
masse des PM2.5. Des résultats similaires ont également été observés à Barcelone (Pérez
et al., 2008; Querol et al., 2004).Les concentrations des métaux en traces sont dans l'ordre
décroissant Pb > P > Mo > Zn > Zr > Cr > Sr > Mn > Ni > Cu > V et se situent entre 0,3
et 42 ng/m3. Les concentrations de Pb et Ni ne sont pas alarmantes. Leurs valeurs
maximales sont de 124 ng/m3 et 14 ng/m3 respectivement.
103
Tableau 12 : Données statistiques relatives aux concentrations de PM2.5 (µg/m3) et leurs
composants (ng/m3)
La concentration annuelle de Pb est largement inférieure à la limite de 500 ng/m3
recommandée par l'OMS et la limite fixée par la Commission Européenne (200 ng/m3).
Cette valeur est inférieure à celles qui ont été signalées dans les PM2.5 en site trafic à
Alger (371 ng/m3, Talbi et al., 2017 ; 283 ng/m3, Oucher et al., 2015), mais elle est
proche de celle enregistrée à Barcelone (37 ng/m3) (Querol et al., 2008). En Algérie, la
principale source d’émission du Pb est l’essence plombée couramment utilisée par les
automobilistes (Bencharif-Madani et al., 2019; Naidja et al., 2018). La suppression de
plomb dans l’essence conduit à une baisse significative des niveaux de cet élément dans
l'environnement. Aux États-Unis, le taux de plomb dans le sang est passé
Espèces
Min
25th
Médiane
75th
Max
Écart-type
PM2.5
16,72
32,82
49,51
70,80
132,52
28,81
Na
9,58
351,93
745,71
987,35
2439,96
524,4
Mg
33,47
74,03
98,55
123,13
343,50
64,7
P
5,08
20,53
27,32
37,51
128,96
19,6
K
38,54
115,18
164,06
221,14
605,24
110,0
Ca
174,88
774,34
1157,44
1533,87
3771,19
668,3
Sr
1,99
4,15
5,30
7,37
13,61
2,6
Zr
6,73
10,38
13,47
16,68
27,24
4,5
Ba
10,53
65,44
109,32
138,83
442,22
75,6
Pb
-4,45
30,20
42,47
57,88
123,74
24,5
Al
445,29
549,51
699,65
883,88
1766,82
285,5
Ti
6,98
13,51
16,04
22,05
62,47
11,8
V
0,14
0,30
0,48
0,69
2,17
0,4
Cr
0,01
3,58
5,85
7,24
28,31
3,5
Mn
1,74
3,93
4,44
5,59
49,21
4,9
Fe
57,27
122,35
158,30
217,55
5399,72
102,4
Ni
0,08
2,17
2,79
3,64
13,96
1,9
Cu
0,20
1,17
1,74
3,05
17,75
3,5
Zn
-4,41
10,07
15,50
22,40
98,11
15,5
Mo
9,08
28,44
30,05
32,04
80,89
7,1
S
136,83
191,41
228,36
294,10
600,75
87,9
104
progressivement de 60 µg/dl avant 1975 (prohibition de l'essence plombée en 1975 aux
Etats-Unis) à 25 µg/dl en 1985 et 10 µg/dl en 1991(Schwartz, 1994). En Italie, une
diminution progressive de la teneur en plomb dans l'essence de 0,6 g/l en 1974 à 0,15 g/l
en 1993 a entraîné une diminution d'environ 89% de la concentrations de ce métal dans
l’air (Bono et al., 1995). En Suède, les émissions de plomb issu de la combustion
d'essence sont passées de 1637 tonnes en 1976 à 133 tonnes en 1993 (Lovei, 1998).En
Bulgarie, les concentrations annuelles moyennes de plomb sont passées de 1,6 µg/m3 à
0,8 µg/m3 après l'introduction de mesures encourageant l’utilisation de l’essence sans
plomb (Lovei, 1996).
Les concentrations annuelles moyennes mesurées de Cr, Ni et Zn sont de 6 ng/m3,
3 ng/m3 et 16 ng/m3 respectivement. Elles sont inférieures à celles enregistrées à Alger
(46 ng/m3, 14 ng/m3, 78ng/m3) (Talbi et al., 2018) et à Kénitra, au Maroc (84 ng/m3, 166
ng/m3, 1413 ng/m3) (Zghaid et al., 2009).
Les corrélations entre les PM2.5, les poussières minérales (MD), les métaux mesurés et les
paramètres météorologiques sont présentés dans la figure 30. Celle-ci illustre une forte
corrélation entre les poussières minérales (MD) et les éléments terrigènes tels que Al, Ca,
Mg, Ti, K (0,76 < r2 < 0,93), à l’exception de Fe (r2 = 0,36). Fe est influencé par des
sources anthropiques diverses (trafic et industrie notamment). Kandler et al. (2007) ont
analysé des panaches de poussières issues du Sahara et ont observé la prédominance des
éléments majeurs Al, Si, Fe, Ti, Ca, S, Na et Mg auxquels s’ajoutent quelques éléments
traces Sr, Zr, Ba, La, Ce, Nd. Par ailleurs, une forte corrélation entre Fe et les poussières
minérales a été enregistrée en été et en automne (r2 = 0,91 et 0,81 respectivement) alors
qu’au printemps, cette corrélation est moyenne (51%) (figure 32, 33). Fe en hiver est
corrélé négativement avec les poussières minérales (figure 34). Cette tendance a été
soulignée par Bencharif-Madani et al. (2019) qui ont observé des concentrations élevées
de ces éléments au niveau du même site pendant le printemps, l’été et l’automne,
phénomène qui s’expliquerait par la fréquence des épisodes de poussières sahariennes en
Algérie. Fe a une excellente corrélation avec le Mn (r2 = 0,97). Mn est souvent un alliage
avec Fe pour fabriquer l’acier. Une source d’émission probable de ces deux éléments est
l’entreprise de tracteurs agricoles d’Oued Hmimime à 10 km au sud-est de Constantine et
le complexe sidérurgique d’El-Hadjar, Annaba, situé à 117 km au nord-est de notre site
105
d’échantillonnage. Ce complexe assure toutes les étapes de la production de fonte et
d'acier. Des études réalisées à proximité du complexe ont révélé des concentrations très
élevées en Mn et Fe dans les eaux superficielles et souterraines de la région (Bougherira
& Hani, 2012; Debieche, 2002).
Hormis Cr et Ni qui sont assez bien corrélés (59%), les éléments traces Pb, Mo, Cu, Zn
ne présentent pas de bonne corrélation entre eux, avec Ni et Cr et les éléments majeurs.
Cela reflète la diversité des sources d’émission de ces éléments traces contrairement aux
éléments majeurs qui proviennent essentiellement de la croûte terrestre.
La figure 28 illustre une évolution temporelle similaire pour les éléments majeurs Na, Ca,
al, K et Mg dénotant l’existence d’une source commune. Les éléments majeurs Fe, Ba et
S n’épousent pas le même profil de variation temporelle. Cela est dû à la diversité des
sources de ces éléments majeurs. En effet, Fe, Ba et S sont liés aux émissions trafic,
industrielles, naturelles. V et Ti sont, par contre, intimement liés du point de vue de
l’évolution temporelle et présentent d’ailleurs une bonne corrélation (76%). Plusieurs
éléments majeurs (Na, Ca, Al, S, K, Mg, Ba) et traces (Sr, Ti, V, Cr) atteignent un pic
durant la période de juillet-août (figure 28, 29). Comme cette saison est connue pour être
fortement impactée par les poussières désertiques (Lokorai et al., 2021) et les pics de
température favorables au soulèvement des poussières de sol, il s’ensuit que ces éléments
sont essentiellement liés aux sources d’émission éoliennes.
Figure 28 : L’histogramme représente les valeurs mensuelles minimales, maximales
moyennes des éléments majeurs
106
Figure 29 : L’histogramme représente les valeurs mensuelles minimales, maximales
moyennes des éléments traces
107
Figure 30 : Matrice de corrélation montrant les relations entre les concentrations
annuelles moyennes des composants de PM2.5 et les différents paramètres
météorologiques
Prec : précipitations, RH : humidité relative, winddir : direction du vent, Temp : température, MD :
poussière minérale, windspd : vitesse du vent.
108
Figure 31 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant le printemps
109
Figure 32 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant l’été
110
Figure 33 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant l’automne
111
Figure 34 : Matrice de corrélation montrant les relations entre les concentrations
saisonnières moyennes des composants de PM2.5 et les différents paramètres
météorologiques durant l’hiver
1.3. Influence des conditions météorologiques sur les concentrations de PM2.5
Les paramètres météorologiques conventionnels tels que la température, la vitesse du
vent, la direction du vent, l’humidité relative et les précipitations ont un effet important
sur les concentrations de PM (Kassomenos et al., 2014; Tran & Mölders, 2011). Les
variations de ces facteurs au cours d'une année ont un impact sur la saisonnalité des
profils annuels. Cette tendance a également été observée dans notre étude. Le tableau 13
résume les valeurs saisonnières et annuelles moyennes des paramètres météorologiques
112
(sauf les précipitations) ainsi que les écart-types associés (valeur ± écart-type) pour la
période 15/3/217 au 15/3/2018.
Tableau 13 : Données statistiques des paramètres météorologiques durant la période
d’échantillonnage
Printemps
Eté
Automne
Hiver
Année
Précipitations
(mm)
Min
Max
4,66± 0,61
0
2,12
4,77 ± 0,69
0
3,04
30,94 ± 3,06
0
11,39
35,32 ± 1,93
0
6,11
75,69 ± 1,93
0
11,39
Température
(°C)
Min
Max
15,72 ± 4,42
10,53
24,86
27,28 ± 3,90
19,26
31,64
16,41 ± 4,97
7,56
24,05
6,92 ± 2,14
3,36
11,46
15,90 ± 8,26
3,36
31,64
Humidité
relative (%)
Min
Max
55,48 ± 12,92
32,27
82,65
41,74 ± 14,06
22,40
70,04
61,62 ± 15,81
29,88
84,13
76,94 ± 9,33
49,48
91,21
60,18 ± 18,19
22,40
91,21
Vitesse du
vent (m/s)
Min
Max
3,52 ± 0,99
2,14
4,26
4,01 ± 0,80
2,80
5,84
3,65 ± 1,02
2,24
6,11
3,62 ± 1,47
1,00
6,78
3,96 ± 1,12
1,00
6,78
La période d'échantillonnage a été caractérisée par un faible niveau de précipitations ; un
volume total de 476,62 mm a été enregistré. La valeur quotidienne moyenne de
l’humidité relative varie entre 22,40 % et 91,21 % avec une moyenne annuelle de 60,18 ±
18,12, les valeurs élevées ayant été enregistrées pendant l’hiver (tableau).
La rose des vents propre à notre site (figure 35) indique que les vents dominants sont de
nord-ouest (19,38%), du nord (18,95%) et d’ouest (15,61%), respectivement. La vitesse
annuelle moyenne du vent était de 3,96 m/s.
113
Figure 35 : Rose des vents pour le site de Zouaghi pour la période du 15/3/2017 au
15/3/2018
Figure 36 : Roses des vents saisonnières pour le site de Zouaghi
114
La figure des corrélations entre les PM2.5 et ses composés métalliques et plusieurs
variables météorologiques, indique que l’humidité relative (RH) et les précipitations
(Prec) ont une corrélation négative avec la plupart des polluants pendant toute la période
d’étude (figure 30). Cela était prévisible du fait du lessivage de l’atmosphère par les
précipitations (Dawson et al., 2007; Feng & Wang, 2012). En outre, l’humidité favorise
l’agglomération des particules dans l’air et leurs dépôts humides ou secs (Anda et al.,
2015; Kang et al., 2015; Sun et al., 2012) ou réduit considérablement la remise en
suspension des poussières par le vent (Hieu & Lee, 2010).
La température est assez bien corrélée avec les PM2.5 (r = 0,63). Les concentrations les
plus élevées de PM2.5 ont été observées à des températures élevées qui facilitent la
resuspension des poussières du sol par le vent.
La figure 37 présente les effets combinés de la température (Temp), de la vitesse du vent
(ws), et l'humidité relative (HR) sur les concentrations de PM2.5.
Ces résultats ont montré que, pour une HR < 60%, les concentrations de PM2.5 ont
tendance à : (i) augmenter sensiblement avec T ; (ii) augmenter avec la vitesse du vent
(WS). Pour une HR > 60%, les concentrations de PM2.5 ont tendance à (i) augmenter
légèrement avec T mais (ii) elles sont indépendantes de la vitesse du vent.
Pour une température inférieure à 15°C, les concentrations de PM2.5 sont indépendantes
de la vitesse du vent et de l’humidité relative. Au-delà de 15°C, les concentrations des
PM2.5 diminuent avec l’humidité relative mais augmentent avec la vitesse du vent.
Par ailleurs, les concentrations de PM2.5 ne sont pas affectées par la vitesse du vent pour
une température < 15°C et une humidité relative > 60%. Dans ce dernier cas, l'humidité
relative est liée à l'agglomération des particules, ce qui affaiblit l'influence de la vitesse
du vent. Ce comportement des PM2.5 vis-à-vis de la vitesse du vent et de l’humidité
relative a été souligné par Wang et Ogawa (2015) et Chen et al. (2016).
115
Figure 37 : Diagramme de dispersion des concentrations journalières de PM2.5par rapport
à l’humidité (RH) et la vitesse du vent (windspd) répartis par année
116
2. Identification des sources d’émission de PM2.5 à l’aide du modèle PMF
2.1. Identification du nombre de facteur ‘p’
L'identification des différents facteurs d’émission et de leurs contributions à la masse
totale de PM2.5 constitue la dernière étape de l'approche PMF. Afin d'identifier les
différentes catégories de sources qui contribuent à la masse totale de PM2.5, une
discussion approfondie sur la qualité, le traitement et la sélection des données d’entrée du
modèle PMF est présentée au chapitre II.
Après exclusion des échantillons dont plus de 50% des composants présentent des
concentrations inférieures à leurs limites de détection, le modèle PMF a été appliqué aux
échantillons retenus dont le nombre total est de 95 échantillons.
Le nombre optimal de facteurs a été choisi après l'analyse de la qualité des valeurs
d'ajustement (Q), des résidus échelonnés, de la signification physique des profils de
facteurs et des contributions pour chaque exécution. Une discussion sur les diagnostics de
modélisation est donnée ci-dessous.
Comme décrit précédemment, le rapport S/N est un critère de base de classification ;
cependant, la décision finale dépend des résultats de la modélisation et de la capacité à
distinguer les sources. Dans notre étude, le rapport S/N pour les composants de PM2.5 est
compris entre 2,8 et 5,6 et n’est donc pas un critère décisif de classification des espèces.
L’espèce PM2.5 a été incluse dans toutes les exécutions du modèle comme espèce faible et
son incertitude a été fixée automatiquement à 3 fois sa concentration(Lee et al., 2011)
pour diminuer son influence dans l'ajustement du modèle (Kim & Hopke, et al., 2003).
Dans un premier temps, on a calculé les solutions du modèle PMF en classant toutes les
espèces comme étant « fortes » à l’exception de PM2.5. Une première estimation du
nombre de facteurs p a été réalisée en analysant visuellement les changements des valeurs
Qrobuste, Qréel et Qthéorique (Qexp) pour plusieurs exécutions avec un nombre croissant de
facteurs allant de 2 à 9 (tableau). Quel que soit le nombre de facteurs, il faut noter que
toutes les exécutions de base ont convergé. Les variations entre Qrobuste et Qrèel sont moins
importantes (<0,02%) à partir du choix de 5 facteurs, indiquant un faible impact des
valeurs aberrantes sur les valeurs de Q (tableau 14).
117
Tableau 14 : Résumé des diagnostics PMF par exécution
Nombre de
facteurs
Qrobuste
Qrèel
Qexp
Q/Qexp
2
7228,6
8548,3
1652
5,18
3
5168,1
5543,5
1538
3,61
4
3761,4
3927,9
1424
2,77
5
2621,5
2671,0
1310
2,05
6
1861,2
1861,1
1196
1,56
7
1484,4
1484,4
1082
1,38
8
1171,0
1171,0
968
1,21
9
907,0
907,0
845
1,07
Le choix de la solution optimale peut se faire également sur la base de la courbe du
nombre p de facteurs en fonction de Q/Qexp. La valeur Q/Qexp doit être idéalement proche
de 1. Une valeur de Q/Qexp largement supérieure à 1 indique une sous-estimation des
erreurs ou l'incapacité de la solution PMF à expliquer la variabilité des profils factoriels
avec le nombre de facteurs p choisi (Ulbrich et al., 2009).
Parmi toutes les solutions explorées, seules les solutions p > 3 facteurs présentent des
paramètres statistiques robustes (Q/Qexp<3) (tableau 14) (Belis et al., 2013b). Cela
indique que le nombre optimal de facteurs est égal ou supérieur à 4.
Comme le montre la figure 38, les valeurs Q/Qexp présentent une forte diminution de p=2
à 5 facteurs (>29 % de baisse à chaque ajout de facteur). Ensuite, la courbe amorce une
pente très faible inférieure à 20 % (pour p > 5). La diminution du rapport Q/Qexp lors du
passage d'une solution à cinq facteurs à une solution à six facteurs est plus importante que
lors du passage de six à sept facteurs ; le choix de la solution à 7 facteurs (p=7)
n'entraînera pas d’amélioration significative à la valeur Q/Qexp. La solution optimale est
obtenue probablement avec six facteurs. En effet, si une forte diminution du rapport
Q/Qexp est observée avec l’ajout d’un facteur supplémentaire, alors ce facteur additionnel
explique une part significative de la fraction non-expliquée par les facteurs précédents et
il peut alors être retenu (Paatero & Tapper, 1993).
118
Figure 38 : Variation des rapports Q/Qexp avec p croissant pour des solutions de 2 à 9
facteurs
Il est à noter que le choix d'un nombre de facteurs p =7 dans la solution PMF entraîne une
dissociation d’un facteur réel en deux sources non existantes en créant des profils sans
signification physique, l’un de ces facteurs générés contribuant à 0% de la masse de
PM2.5 (Annexe 1). Ce phénomène est connu sous le nom de fractionnement et est discuté
par Ulbrich et al. (2009). Par conséquent, le rejet des solutions avec p ≥ 7 est évident. En
revanche, le choix d’un nombre insuffisant de facteurs conduit à fusionner des sources
avec des caractéristiques d'émission différentes et aboutit à une solution qui sera difficile
à interpréter (Hopke, 2000).
Le facteur Cu a été envisagé dans la solution à 6 facteurs car il présente une contribution
de 74,5% (Annexe 2). Les éléments présents dans le facteur Cu sont Zn, Fe, Mn, P dont
les contributions, relativement faibles, sont inférieures à 13%. Dans les zones urbaines ou
à proximité des routes, le Cu est attribué principalement au trafic routier et plus
particulièrement aux émissions résultant de l'usure des garnitures des freins (Beck et al.,
2009; Riediker et al., 2003). Des études réalisées sur la composition élémentaire des
plaquettes de freins ont révélé des concentrations massiques de Cu comprises entre
14,2% (Legret & Pagotto, 1999) et 25% (Kennedy & Gadd, 2003). En revanche, Von
Uexküll et al. (2005) ont signalé des concentrations beaucoup plus faibles de Cu (1,4 à
119
2,7%), témoignant de différences significatives concernant la proportion de Cu dans les
plaquettes de freins selon les fabricants. En plus de l'acier (Gerlofs-Nijland et al., 2019),
les garnitures de frein renferment généralement K, Ba, Ti, Mn, Sb et Sn (Iijima et al.,
2007; Wahlström et al., 2010). Le Zn est un autre élément issu de l'usure des
freins(Hjortenkrans et al., 2007; Thorpe & Harrison, 2008), bien qu'il ne s'agisse pas d'un
marqueur spécifique à cette source (Fabretti et al., 2009). Le Sb est présent dans les
plaquettes de frein sous forme de Sb2S3 et est oxydé en Sb2O3 à des températures
supérieures à 200 °C pendant le freinage(Jang & Kim, 2000; von Uexküll et al., 2005).
Les méthodes d’identification des sources d’émission potentielles dépendent
principalement de l’utilisation des bases de données des profils de sources, telles que
Specieurope (Pernigotti et al., 2016) et USEPA Speciate (Rizzo & Scheff, 2007), de la
comparaison entre les résultats obtenus aux données publiées, ou éventuellement de
l'utilisation des rapports élémentaires entre les traceurs spécifiques de la même source
(Dvorská et al., 2011).
De nombreux ingrédients sont utilisés dans la fabrication des garnitures de freins, à des
proportions très variables entre les fabricants avec, dans certains cas, plusieurs ordres de
grandeur (Chan & Stachowiak, 2004; Kennedy & Gadd, 2003). La quantité et la
composition des poussières de freins varient largement d’un site à un autre (Grigoratos &
Martini, 2015). Cela rend difficile la comparaison des profils de sources liés à l’usure des
freins dans notre site avec ceux d’autres études. Dans notre cas, le facteur Cu de la
solution à six facteurs contribue à hauteur de 13,2% à la masse de PM2.5, avec une
prédominance du traceur Cu. Une étude réalisée à Dakar révèle que la contribution de
l’usure des freins varie de 4 à 12% et identifie Cu comme l’espèce dominante (71%) en
sus de Se (29%) et Sb (31%) (Doumbia, 2012). Une autre étude réalisée en bordure de
route dans la ville de Chennai, en Inde, a révélé que l'usure des freins contribue à moins
de 0,3% aux PM2.5, avec la prépondérance de Fe (63,93%), Ba (19,66%) et Cu
(16,44%)(Srimuruganandam & Nagendra, 2012).
L’antimoine (Sb) est toujours associé avec le Cu comme traceur de source de l’usure de
freins, le rapport Cu/Sb a été souvent utilisé comme indicateur de cette source (Alleman
et al., 2010b; Voutsa et al., 2002). Ce ratio varie considérablement d’une étude à autre,
120
Hjortenkrans et al. (2007) ont trouvé un ratio d'émission de Cu/Sb de 5,3 à Stockholm, un
rapport de 9,1 a été calculé à Marylebone Road à Londres (Gietl et al., 2010) et Hueglin
et al., 2005 ont trouvé un ratio de 12,1 à Zurich (Hueglin et al., 2005). Dans notre étude,
le Sb n'était pas disponible dans l’ensemble de données. Il semble être difficile de décider
si le facteur Cu générer par la solution à six est un facteur réaliste et fournit un aperçu
supplémentaire aux données. D’autre part, la distribution très étroite et symétrique du
résidu échelonné de Cu pour la solution à six facteurs peut être un indicateur de création
d’un facteur fantôme (Annexe 3), cela peut survenir si des incertitudes trop faibles sont
spécifiées pour une espèce, suggérant la présence d'une surestimation du nombre de
facteurs et que d'autres solutions doivent être recherchées (Amato & Hopke, 2012; Brown
et al., 2015; Juntto & Paatero, 1994). Mais, il est acceptable d'avoir un facteur unique
pour une espèce spécifique, mais cette solution doit avoir un sens physique et réaliste
(Hemann et al., 2008).
Afin d'interpréter avec précision le nombre de facteurs optimal, il est nécessaire
d'analyser les solutions à cinq, six et sept facteurs à l'aide des techniques DISP, BS et BS-
DISP.
Pour les trois solutions, il n'y a pas eu d’échanges (swaps) dans tous les niveaux de
dQmax lors de l’exécution de DISP et la plus grande baisse observée de Q pendant DISP
était inférieure à 0,01%. Pour la solution à cinq facteurs, les facteurs BS ont été mappés
de 99%, 99%, 99%, 100% et 99% avec les facteurs de base (Annexe 4). Les espèces clés
pour chaque facteur ont été sélectionnées pour l'estimation d'erreur BS-DISP. Le nombre
de swaps DISP est égal à 1 et les swaps BS-DISP sont répartis en deux facteurs sur cinq
(dQmax = 4), 4% des exécutions BS-DISP sont rejetées. L’espèce Cu pour cette solution
est mal ajustée par le modèle (comme en témoigne le résidu échelonné, large et mal
distribué) (Annexe 5). Alors on peut considérer que les incertitudes spécifiées pour cette
espèce sont peut-être trop petites, ce qui signifie que la solution nécessitait des
améliorations supplémentaires. Le Cu est classé comme espèce « faible » et les
incertitudes sont augmentées automatiquement par un facteur de 3. Le modèle PMF a été
réexécuté une autre fois dans des conditions identiques en classant l’espèce Cu comme
faible. Il n'y avait pas eu d’échanges (swaps) dans tous les niveaux de dQmax lors de
121
l’exécution de DISP. Les facteurs BS ont été mappés de 99%, 100%, 99%, 100% et 99%
avec les facteurs de base (Annexe 6). Le nombre de swaps DISP est égal à 0 et100% des
exécutions BS-DISP sont acceptées, ce qui offre une meilleure stabilité à la solution
choisie (Achilleos et al., 2016). Pour la solution à six facteurs, les facteurs BS ont été
mappés à 100%, 100%, 100%, 100%, 87% et 100% avec les facteurs de base dans tous
les essais (>75%) (Annexe 7), ce qui est relativement stable (Brown et al., 2015). Le
nombre de swaps dans BS-DISP égale à 4 est relativement élevé par rapport à la solution
à cinq facteurs, ce qui indique une certaine ambiguïté entre les facteurs et les swaps BS-
DISP se produisent entre cinq facteurs sur six, qui ont de nombreux éléments communs
(dQmax= 0,5, 1, 2 et 4) ; 9% des exécutions BS-DISP sont rejetées. Les facteurs pour la
solution à six facteurs montrent moins de stabilité que les facteurs trouvés dans la
solution à cinq facteurs. Tandis que pour la solution à sept facteurs, la solution était
moins stable. Le facteur 5 a été mappé avec BS dans 50% des essais, facteur 7 dans 96%,
facteur 4 dans 94% et facteur 1 dans 96%, tandis que les autres facteurs ont été mappés
dans 100% des essais (Annexe 8). Ces résultats montrent qu'il y avait des erreurs
aléatoires pour cette solution et confirme encore le choix d’exclure la solution à sept
facteurs.
Au final, le choix de la solution optimale est basé sur les connaissances disponibles a
priori du profil de la composition chimique des sources et sur les résultats des méthodes
d’estimation des erreurs. Cette subjectivité fait partie du processus du choix de la solution
optimale (Ulbrich et al., 2009). Donc, le facteur Cu a été retiré de la solution à six
facteurs et le nombre de facteurs a été réduit à cinq. Ces résultats discutés ci-dessus
indiquent que la solution à cinq facteurs est la solution la plus stable et réaliste que les
solutions à six et à sept facteurs, en raison des plus faibles erreurs aléatoires et de
l'ambiguïté rotationnelle. De plus, les résidus échelonnés (d) pour tous les éléments sont
dans la plage -3 <d <3 et obéissent majoritairement à une distribution normale, ajoutant
de la crédibilité à la solution retenue.
2.2. Identification des sources d’émission (profils / contributions)
Cinq facteurs se sont révélés être physiquement significatifs (figure 39). Le modèle PMF
a permis d'identifier les sels marins (15,1%), les activités industrielles (18,9%), les
122
émissions hors échappement (24,2%), les émissions à l’échappement (15,8%) et les
poussières minérales (25,9%) comme étant les principales sources d’émission de PM2.5 à
Constantine. Les poussières minérales et les émissions hors échappement s’avèrent être
les deux principaux contributeurs de PM2.5. Les résultats montrent également que 40% de
la masse des PM2.5 sont attribuables aux émissions des véhicules.
Figure 39 : Contributions des cinq sources d’émission aux PM2.5
Figure 40 : Profils des facteurs PMF pour les sources identifiées
123
Les contributions des sources d’émissions issues de l’analyse PMF ont été analysées à
l'aide de la fonction de probabilité conditionnelle (CPF) et la fonction de contribution de
source potentielle (PSCF) pour identifier les emplacements géographiques des sources
probables. L'utilisation simultanée de ces deux outils est un moyen efficace d’identifier
les sources locales et régionales affectant le site d’échantillonnage (Wimolwattanapun et
al., 2011). On a appliqué la CPF au percentile 75 des contributions et la PSCF aux
percentile 90 (Pekney et al., 2006; Wang, Hopke, et al., 2011; Wimolwattanapun et al.,
2011). Quelques valeurs négatives des contributions ont été considérées comme des
valeurs nulles.
Il est à noter qu’aucune étude de répartition des sources par la méthode PMF n'a été
réalisée en Afrique du nord. La seule étude de répartition des sources menée à
Constantine est celle de Bencharif-Madani et al. (2019), dans laquelle les auteurs ont
utilisé l'analyse en composantes principales (ACP) pour effectuer la spéciation chimique
et l'identification des sources de PM10.
Figure 41 : Fonction de probabilité conditionnelle (CPF)pour les sources identifiées
contribuant aux PM2.5 (percentile 75)
124
Figure 42 : Probabilités PSCF (percentile90) pour les contributions de : a) sels marins, b)
activités industrielles, c) émissions hors échappement, d) émissions à l’échappement et e)
poussières de sol
2.2.1. Sels marins
Les espèces contribuant au premier facteur comprennent principalement Na (86,7%), K
(56%) et Mg (42,3%) (figure 40). Cette source est attribuée aux sels marins et contribue à
hauteur de 15,1% à la concentration de PM2.5. En effet, les rétrotrajectoires des aérosols
marins (percentiles 85) montrent que dans bien des cas, l’apport de la mer méditerranée
est indéniable (figure 43). Cependant, on ne peut négliger la contribution des lacs salés
dans la région et du grand chott d’El Djerid que les masses d’air provenant du sud-est
traversent souvent (Trousset, 1995). L’importance de cette source s’explique par la
proximité de la ville de Constantine par rapport à la Méditerranée (60km). Des éléments
traceurs tels que Na, Ket Mg sont couramment utilisés pour identifier les sels marins en
tant que source (Gupta et al., 2012; Saradhi et al., 2008). Plusieurs auteurs ont utilisé le
rapport Mg/Na (Buat-Menard et al., 1974; Savoie & Prospero, 1980). Les aérosols marins
125
sont généralement caractérisés par un ratio Mg/Na proche de 0,12 (Brewer et al., 1975).
Un rapport égal à 0,129 a été enregistré sur l'île de Lampedusa (Kishcha et al., 2011),
alors qu’à Athènes, Bâle et Helsinki, ce ratio était compris entre 0,11 et 0,14 (Ilacqua et
al., 2007). Dans notre étude, le ratio Mg/Na est de 0,066. L’enrichissement de Na dans ce
facteur pourrait être expliqué par la teneur élevée de Na dans les poussières du sol ainsi
que dans les aérosols des lacs salés et des sources anthropiques (Hoffman & Duce, 1972).
Selon ces derniers auteurs, les poussières continentales transportées à travers le Pacifique
sont à l’origine de l’excès de Na dans les sels marins. En Algérie, les lacs salés
« sabkhas » possèdent de fortes concentrations de Na (Demdoum et al., 2015; Lamini &
Hacini, 2018). Doumbia (2012) a trouvé un ratio égal à 0,33 et a conclu que les lacs salés
sont la principale source de Na, Mg et Cl. D’autres études ont confirmé l’association
entre les niveaux élevés de Na et les lacs salés (Cao et al., 2008; Wen, 1989).
La présence des éléments tels que Sr, Zr, Ca, Ba, Al et Ti dans ce facteur pourrait être
liée aux poussières désertiques, susceptibles d’être soulevées par les masses d’air issues
de la mer méditerranée. Le rapport Ca/Al (0,77) calculé dans ce facteur est en accord
avec les rapports d’autres études (0,84) (Kong et al., 2011), (0.81) (Xu et al., 2004),
(0,76) (Shen et al., 2007) et (0,74) (Kim, et al., 2003) qui reflètent l’apport déterminant
des poussières désertiques. La figure 42a nous renseigne que la mer méditerranée est la
principale source à ce facteur, la contribution orientale étant plus déterminante que
l’apport septentrional. L’apport du Sahara n’est pas à négliger, non plus.
126
Figure 43 : Rétrotrajectoires pour les 15% des contributions les plus élevées développées
par HYSPLIT à une altitude de 750, 1500 et 2500 m au-dessus du niveau de la mer pour
un temps de remontée de 5 jours
Le facteur « sels marins » est plus significatif durant les mois de mai, juillet et août
comme l’indique la figure 44. La rareté des précipitations pendant la saison sèche facilite
l’érosion éolienne du sol et des lacs salés.
127
Figure 44 : Contribution quotidienne et mensuelle du facteur « sels marins »
2.2.2. Activités industrielles
Le deuxième facteur est attribué aux émissions industrielles qui sont caractérisées par des
contributions élevées de Cr (76,1%), Ni (48,3%), Cu (31,2%), S (29,3%) V (26,4%), Mo
(25,9%), Fe (22,1%) et Mn (21,3%) (figure 40). Les émissions industrielles sont
généralement hétérogènes et diffèrent en fonction des processus de fabrication et du type
de combustible utilisé (Singh et al., 2017). En revanche, le choix des traceurs métalliques
spécifiques à une source industrielle est souvent difficile (Banerjee et al., 2015).S, Ni, Mo
et V sont liés aux activités anthropiques tels que les processus de combustion et les
processus industriels (Marcazzan et al., 2003). Ni et V sont des constituants naturels du
pétrole et se retrouvent dans tous ses produits dérivés (Turunen et al., 1995; Vale et al.,
2004).
Ni et V sont largement associés à la combustion du mazout et à l’industrie du raffinage
(Celis et al., 2004; Pey et al., 2009). Le rapport V/Ni dans ce facteur est de 0,11 et ne
peut être représentatif des émissions diesel dont le facteur caractéristique est > 4 (Moreno
et al., 2010). Un rapport <2 reflète la présence de Ni enrichi par les émissions de
l’industrie du traitement des surfaces située à l’ouest-sud-ouest de notre site de
prélèvement (Bencharif-Madani et al., 2019). La rose de pollution de Cr et Ni indique un
profil de concentrations similaire indiquant que ces deux éléments ont une source
d’émission commune (figure 45). A 10 km de notre site et dans cette direction se trouve
un grand pôle industriel de mécanique au niveau de la zone d’activités d’Ain Smara.
128
Figure 45 : Distribution spatiale des concentrations de Cr et Ni en fonction de la
direction et la vitesse du vent
En général, le Ni, Cr, Fe, Mn, Zn, Fe, S, Cu, Mo et Cd sont utilisés comme traceurs des
émissions industrielles (Sharma et al., 2014; Song et al., 2006; Tauler et al., 2009). Des
métaux comme Co, Cr, Fe, Mn, Mo, Ni et Sn sont associés aux industries métallurgique
et sidérurgique (Lodhi et al., 2009; Mansha et al., 2012). La production de fer et d'acier
est une source importante de particules dans l'air ambiant autour des zones
industrielles(Kumar et al., 2001; Mazzei et al., 2006). Des études ont rapporté que les
particules émises par la fonderie d'acier dans la région de Cornigliano, Italie, représentent
60% de la masse de PM10 (Prati et al., 2000) et 45% de la masse de PM10 à Port Talbot,
Royaume-Uni (Taiwo, Beddows, et al., 2014). Cr, Niet Cu sont généralement utilisés
dans l'industrie de la métallurgie et dans les fonderies comme élément hautement
résistant à la corrosion dans le processus de plaquage de l’acier (Diagomanolin et al.,
2004; Kulshrestha et al., 2009; Wadden et al., 1991). Fe, Cr, Ni et Cu sont probablement
issus des chantiers de construction (Kulshrestha et al., 2009) à Didouche Mourad et à la
nouvelle ville Ali Mendjeli (figure 46). Ni peut également être émis par la cimenterie, la
verrerie et la briqueterie dans la zone industrielle de Didouche Mourad (Hasheminassab
et al., 2014; Tian et al., 2012). En outre, selon la figure 41b, ces éléments traceurs
peuvent émaner des zones industrielles d’El Khroub et de Palma.
129
Figure 46 : Fonction de probabilité conditionnelle (CPF)pour la source « activités
industrielles » (percentile 95)
Mo est utilisé comme additif dans les lubrifiants (Zainal et al., 2018)et il est rejeté dans
l'environnement par la combustion de combustibles fossiles utilisés dans l’industrie,
expliquant sa présence significative dans ce facteur (Salminen et al., 2005). S en forme de
SO2 est un polluant émis par les centrales électriques, les raffineries de pétrole ainsi que
les activités industrielles tel que le traitement de l'acier (Salminen et al., 2005; Shahbazi
et al., 2016). Enfin, Fe et Mn sont des traceurs de la sidérurgie (Adachi & Tainosho,
2001; Owoade et al., 2015).
La figure 42b indique le niveau de contribution des zones lointaines. Deux zones sont
identifiées comme des sources d’émission lointaines ; il s’agit de l’extrême nord-est de
l’Algérie et du nord de la Tunisie, d’une part, et de l’extrême nord-ouest de l’Algérie et
du nord du Maroc. Les sources industrielles potentielles sont les raffineries de pétrole
situées à Bizerte (Tunisie), Skikda à l’est et à Arzew et Mohammedia (Maroc) à l’ouest
ainsi que le complexe sidérurgique d’El Hadjar.
130
Figure 47 : Contribution quotidienne et mensuelle du facteur « activités industrielles »
L’été et le printemps enregistrent les plus fortes concentrations de ce facteur. L’impact
d’une zone industrielle est intimement lié à la fréquence des vents qui la traversent. En
effet, la rose des vents (figure 36) indique que les vents de N, N-NE et SE sont plus
fréquents durant l’été comparativement à l’automne et l’hiver. Les zones industrielles de
Didouche Mourad, Skikda et d’El Khroub situées dans ces directions respectives seraient
à l’origine de cet accroissement marqué de ce facteur en été. Au printemps, les vents N-
N-E et SE sont plus fréquents qu’en automne et en hiver. L’apport des zones industrielles
Skikda et d’El Khroub serait déterminant. D’ailleurs, la figure 47 illustre parfaitement
l’accroissement nuancé de ce facteur entre l’été et le printemps.
2.2.3. Emissions hors échappement
Le troisième facteur regroupe des éléments résultant de l’usure des freins, des pneus et du
revêtement des routes ainsi que de la remise en suspension des particules de sol. Querol
et al. (2004) ont montré que dans les villes européennes, les sources hors échappement
représentent la moitié de toutes les émissions liées au trafic. Harrison et al. (2001)
estiment également que les particules remises en suspension par les véhicules
représentent une fraction équivalente à celle des gaz d'échappement. Dans certains pays
nord-européens, les concentrations des particules hors échappement dans les PM10
peuvent représenter jusqu'à 90% des particules en suspension dans l'air à proximité de la
route (Omstedt et al., 2005; Forsberg et al., 2005). La contribution de cette source au
niveau de notre site d’échantillonnage est estimée à 24,2% de la masse totale de PM2.5
131
(figure 39), ce qui représente plus de 60% des émissions totales liées au trafic routier. Ce
facteur est principalement caractérisé par des charges élevées de Zn (84,6%), Ni (37%), S
(34,5%), P (32,5%), Cu (22,5%), Mo (31,8%), Zr (21,2%) et Pb (20,8%) (figure 40). Les
sources principales des émissions hors échappement sont l’usure des freins et des pneus
ainsi que l’abrasion de la chaussée(Pant et al., 2017; Thorpe & Harrison, 2008).Plusieurs
études ont indiqué que Fe, Cu, Pb et Zn sont des traceurs élémentaires et des marqueurs
fiables de l’usure des freins (Hildemann, Markowski, & Cass, 1991; Legret & Pagotto,
1999; Westerlund & Johansson, 2002). Hulskotte et al. (2014) ont rapporté que Cu, Zn,
Fe et Sn représentent entre 80% à 90% des métaux présents dans les plaquettes de freins.
Par ailleurs, Hjortenkrans et al. (2007) ont rapporté que les poussières de freins
contiennent des quantités importantes de Cu, Sb, Ba, Al, Si, S, Ti, Zn, Ni, Cr et Pb.
Kennedy et Gadd (2003) ont rapporté que les concentrations de Cu sont de 11 mg/kg
(25% en masse). D’autres études ont révélé que Cu est l’espèce la plus abondante et
représente 11,8% (Westerlund & Johansson, 2002), 14,2% (Legret & Pagotto, 1999) et
2,4% de la masse totale des garnitures de frein (von Uexküll et al., 2005). Une grande
variété de composants est couramment utilisée dans les garnitures de freins (Chan &
Stachowiak, 2004). Cela contribue à la difficulté d'identifier la composition chimique de
particules qui en résultent. La présence de Zr sous forme d'oxyde de zirconium peut être
attribuée à l’usure des freins, (Eriksson et al., 1999) ou à l’usure des routes (Huzita &
Kasama, 1983).
Zn est considéré, selon plusieurs études comme le principal indicateur de l’usure des
pneus dans les sites trafic ou les zones urbaines (Adamiec et al., 2016). Les pneus
contiennent entre 0,4 et 4,3% de Zn (Ozaki et al., 2004; Smolders & Degryse, 2002). Ces
teneurs élevées résultent de l'ajout de ZnO et de ZnS au pneu lors de la vulcanisation
(Heideman et al., 2004, 2005). Zn, Cd, Co, Cr, Cu, Hg, Mo, Ni et Pb sont associés à
l'usure des pneus (Adachi & Tainosho, 2004; Hjortenkrans et al., 2007). Amato et al.
(2011) ont montré la prédominance de Zn, Sb, Cu, S, Ni et Cr dans le facteur
représentatif de l’usure des pneus. Des résultats similaires ont été rapportés dans des
études de répartition de sources utilisant PMF (Bukowiecki et al., 2010; Doumbia, 2012).
En revanche, l'absence d’autres métaux caractéristiques de l'usure des pneus et, par voie
de conséquence, de rapport élémentaire rend difficile son exploitation comme traceur de
132
pneus lorsqu’il émane d’autres sources anthropiques ou naturelles. Ce facteur contient
également des espèces terrigènes tels que Ca, Al, Ti, Fe et Mn ainsi que d’autres éléments
en traces comme Ni, Mo, S, Zr et P liés à l'usure de la chaussée (Amato et al., 2011;
Arditsoglou & Samara, 2005; Lindgren, 1996). Fe et Mn sont associés généralement à
l'usure mécanique des pièces de moteur et de diverses garnitures (Hildemann,
Markowski, Jones, et al., 1991).
Selon la figure 41c, les principales sources du facteur « hors échappement » sont l’entrée
de la faculté, le parking, le rond-point en face de l’entrée de la faculté et les passages
pour piétons. En effet, les émissions croissent de façon significative lors du freinage, de
la décélération, notamment au niveau du rond-point.
La figure 42c illustre la position des zones lointaines contribuant à ce facteur. Elles sont
localisées au niveau des capitales Alger, Tunis et Tripoli. Cela s’explique par le trafic
routier intense dans ces villes et les réseaux routiers denses qu’elles renferment. La figure
48 illustre l’effet saisonnier du facteur « hors échappement » sur l’évolution temporelle
de la contribution. Cette dernière est minimale en hiver durant les mois de janvier et
février et maximale au printemps durant les mois de mars à juin. En été, une baisse de
cette contribution est observée, car elle correspond à une baisse notable du trafic qui
coïncide avec la période des vacances. En hiver, l’effet des précipitations sur les
particules générées par l’usure de divers composants est évident.
Figure 48 : Contribution quotidienne et mensuelle du facteur « hors échappement »
133
2.2.4. Emissions à l’échappement
Le quatrième facteur est dominé par la présence de Pb, Ba, Mo, S, Sr, et Mn, qui
contribuent à hauteur de 73,9%, 57,6%, 41,5%, 33,9% 32,4% et 22,9%, respectivement,
reflétant les émissions à l’échappement. En Inde, les émissions des véhicules ont été
identifiées par Pb, Ni, Cu, Zn et Mn (Deshmukh et al., 2013; Kulshrestha et al., 2009;
Sharma et al., 2016).Ba, Cd, Pb, Sb et Zn ont été utilisés comme traceurs des émissions
véhiculaires au Pakistan (Lodhi et al., 2009; Mansha et al., 2012). Au Sri Lanka,
Seneviratne et al. (2011) ont identifié BC, K, Pb, Fe et S comme traceurs des émissions
véhiculaires.
Pb, Ba, Mn sont utilisés comme additifs aux carburants pour améliorer les performances
des moteurs (Belis et al., 2013; Karar et al., 2006; Pant & Harrison, 2012). La
combustion de l’essence plombée reste la principale source d’émission de plomb dans le
monde (Pacyna & Pacyna, 2001) ; c’est un élément qui est souvent utilisé comme
marqueur des émissions automobiles (Sabin et al., 2006; Zhu et al., 2018). L’Algérie
figure parmi les rares pays à utiliser l’essence plombée jusqu’à nos jours (Naidja et al.,
2018). Ba est considéré comme traceur potentiel des émissions des moteurs à essence et
au GPL (Cheng et al., 2010; Lin et al., 2005) ; il est également utilisé comme inhibiteur
de corrosion dans les huiles de lubrification des moteurs (Bem et al., 2003).
Le profil de ce facteur contient également une proportion substantielle d'éléments
terrigènes tels que Ca (23%), Ti (22,5%), Al (22%), P (16%) et Mg (15,4%) révélant
l’apport non négligeable des poussières remises en suspension par le trafic routier. Dans
notre étude le ratio Ca/Al = 1,56 est proche de ceux annoncés par Ho et al. (2003) (1,19)
et par Kong et al. (2011) (1,29) qu’ils attribuent aux poussières de routes pavées.
La figure 41d montre la probabilité des différentes directions contribuant au facteur
« échappement » à l’échelle locale. Les principales sources sont la route longeant la
faculté ainsi que le rond-point se trouvant en face de son entrée.
A l’échelle régionale, la figure 42d indique une zone à fort impact sur le facteur qui est
située à l’extrême ouest-sud-ouest du pays. C’est une zone désertique et il est, à priori,
improbable qu’elle puisse contribuer aux émissions à l’échappement. Cependant, cette
134
contribution se superpose à celle des gaz à l’échappement par le biais des poussières
désertiques provenant de la région mise en relief dans la figure 42d. Les deux sources
déterminant ce facteur sont issues de la direction ouest du site d’étude.
L’évolution temporelle de la contribution indique que l’hiver connaît une hausse
drastique des contributions au facteur « émissions à l’échappement » (figure 49). Le trafic
routier est habituellement intense durant cette saison (Bencharif-Madani et al., 2019). Ce
facteur, associé à la réduction de la hauteur de la couche limite atmosphérique et la
stabilité des basses couches atmosphériques connaît une hausse remarquable durant
l’hiver. De surcroît, la rose des vents durant l’hiver est caractérisée par des vents
dominants d’ouest où se trouve la source principale d’émission contribuant au facteur
« échappement », à savoir la route nationale n° 79.
Figure 49 : Contribution quotidienne et mensuelle du facteur « émissions à
l’échappement »
2.2.5. Poussières de sol
Le cinquième facteur représente 25,9% de la masse totale de PM2.5 et il est dominé par V
(56,7%), Ca (52,6%), Fe (43%), Ti (34,2%), Mn (32,9%), Mg (30,8%), P (30,3%) et K
(27,7%) qui sont tous des éléments terrigènes (figure 40). Par conséquent, ce facteur
pourrait être associé à la remise en suspension des poussières de sol. Selon Lough et al.
(2005) et Lutgens et al. (2006), ces poussières renferment la plupart des éléments
terrigènes Fe, Ca, Na, Mg, Al et K à des concentrations élevées. A un élément près, ce
sont les mêmes éléments terrigènes qui sont considérés comme traceurs des poussières de
135
sol : Al, Si, Ca, Mg, Fe et Na par Begum et al. (2006). Un ratio de x/Al (où x est
n'importe quel élément) pourrait être considéré comme un bon critère pour distinguer les
différentes sources de poussières (Shen et al., 2016; Wang et al., 2006). Les rapports
élémentaires calculés dans cette étude sont plus ou moins proches des ratios figurants au
tableau 15. Les rapports Ca/Al et Pb/Al de notre site d’étude sont relativement plus
élevés par rapport à ceux d’autres sites. Cela s’explique par l’influence des émissions
anthropiques (Athanasopoulou et al., 2010). Selon la figure 41e, on peut supposer que les
chantiers de construction proches du site d'échantillonnage (Ali Mendjeli, El Khroub), les
carrières près d’El Khroub au sud-est et d’Ain Smara au sud-ouest et la zone industrielle
de Didouche Mourad au nord (cimenterie, briqueterie, carrières) sont les sources proches
qui contribuent le plus à ce facteur. A l’échelle régionale, la figure 42e révèle que la
région Est de Constantine contribue fortement au facteur « poussières de sol ». Cette
région se situe en Afrique du Nord, entre l’est de la Tunisie et l'est de l'Algérie, et est
considérée comme une source de poussières particulièrement intense et persistante
(Prospero et al., 2002). En effet, les vents synoptiques dominants sont de nord-ouest
(41,5%), est (39,4%) et d’ouest (19,1%) (figure 50).
Figure 50 : Rose des vents synoptiques (clusters de rétrotrajectoires calculées pour notre
site pour la période d’étude)
136
Tableau 15 : Comparaison entre les rapports élémentaires
K/Al
Ca/Al
Ti/Al
Mn/Al
Fe/Al
Pb/Al
Références
Constantine
0,48
5,92
0,06
0,02
0,75
0,021
Cette étude
Hong Kong
0,40
1,93
0,05
0,03
1,54
0,030
(Ho et al., 2003)
Nord-ouest
de la Chine
0,73
3,73
0,12
0,04
1,35
0,008
(Shen et al., 2016)
Nord-est de
la Chine
0,41
2,65
0,09
0,03
0,95
0,004
(Shen et al., 2016)
Nord de la
Chine
0,47
3,07
0,10
0,03
1,14
0,006
(Shen et al., 2016)
Figure 51 : Contribution quotidienne et mensuelle du facteur « poussières de sol »
L’évolution temporelle des contributions des poussières de sol illustre parfaitement
l’influence de la saison chaude sur ce facteur. La période de juin à septembre est la plus
favorable au soulèvement des poussières de sol (figure 51).
137
2.3. Influence des conditions météorologiques sur les contributions des facteurs
En ce qui concerne le facteur « sels marins », sa contribution a tendance à croître lorsque
HR<30%, T>20 °C et WS>3 m/s (figure 52).
Figure 52 : Contributions (µg/m3) des sels marins en fonction de la vitesse du vent (WS),
l’humidité relative (HR) et la température (T)
Lorsque HR diminue, les sels marins ont tendance à passer de l’état de biphasique
(solution saline) à l’état de cristaux susceptibles de séjourner plus longtemps dans
l’atmosphère et d’atteindre des zones plus éloignées de la mer (Morcillo et al., 2000;
Zezza & Macrì, 1995). L’augmentation de température coïncide avec les saisons chaudes
(été et printemps) au cours desquelles les précipitations enregistrées sont plus faibles. Par
conséquent, le lessivage de l’atmosphère est moins fréquent et conduit à une plus forte
concentration de sels marins dans l’air (Cole & Paterson, 2004; Feliu et al., 1999; Gong
et al., 1997). Par ailleurs, la vitesse de vent favorise la production d’aérosols marins et
138
cet effet est observé à des vitesses de vent supérieures à 3 m/s (M. E. Gustafsson &
Franzén, 1996; McKay et al., 1994; Morcillo et al., 2000). D’ailleurs, selon ces auteurs,
les concentrations de sel augmentent de façon exponentielle avec la vitesse du vent au-
delà de 3 m/s.
Le facteur « activités industrielles et de construction » ne semble pas affecté par les
paramètres météorologiques. Aucune tendance particulière n’est observée avec la
variation de ces paramètres (figure 53).
Figure 53 : Contributions (µg/m3) des activités industrielles en fonction de la vitesse du
vent (WS), l’humidité relative (HR) et la température (T)
La direction des vents et l’intensité des émissions représentent les facteurs déterminants
des concentrations de particules issues des zones industrielles. La figure 54 permet de
situer les sources des émissions contribuant au facteur 2. Ces sources se trouvent dans les
zones industrielles d’El Khroub (sud-ouest), de Didouche Mourad (nord), Palma (nord-
ouest) et les chantiers de construction à Ali Mendjeli (sud-ouest), à Didouche Mourad
139
(nord-nord-est), du plateau d’El Hadaba (nord-ouest) et la carrière de l’entreprise
nationale des granulats (sud-est).
Figure 54 : Contribution des activités industrielles et de construction en fonction de la
vitesse et la direction du vent
La contribution des émissions au facteur « hors échappement » augmente lorsque
HR<50% et la température est en-dessous de 15 °C (figure 55). En effet, les basses
températures réduisent l’élasticité du revêtement de la chaussée exacerbant la friction sur
la couche interne plus dure. De surcroît, les faibles températures ont tendance à durcir les
pneus augmentant de la sorte la force de friction (Gustafsson et al., 2008). L’effet de
l’humidité relative est tel que sa diminution conduit à des conditions de sol favorables à
la resuspension des particules produites par les processus d’usure divers (Jeong et al.,
2019). Cependant, la vitesse du vent ne semble pas avoir d’effet quelconque (figure 55).
140
Figure 55 : Contributions (µg/m3) des émissions hors échappement en fonction de la
vitesse du vent (WS), l’humidité relative (HR) et la température (T)
Pour ce qui est du facteur « émissions à l’échappement », sa contribution augmente
lorsque HR>60% et T<10°C (figure 56). Aux faibles températures, les conditions
métrologiques sont plus stables qu’en été (Taghvaee et al., 2018). Il en résulte une faible
dispersion qui est à l’origine de concentrations élevées de particules primaires et
secondaires émises directement dans l’atmosphère. Le brassage des vapeurs chaudes à
l’échappement avec l'air froid favorise considérablement les phénomènes
de nucléation pour les aérosols atmosphériques (Charron & Harrison, 2003; Nilsson &
Kulmala, 1998). Il est admis que la nucléation augmente la masse totale de particules
(Maso Kulmala et al., 2001). Les faibles températures associées à des taux d’humidité
relative élevés favorisent la formation de nouvelles particules (Easter & Peters, 1994). En
141
outre, une humidité relative élevée favorise la nucléation binaire de l'acide sulfurique et
de l'eau (Easter & Peters, 1994; Hinds, 1999; Seinfeld & Pandis, 2016b). Jamriska et al.
(2008) suggèrent que l'influence significative de HR sur les émissions à l’échappement
pourrait être liée à l’agglomération des particules et à des modifications des propriétés
hygroscopiques des particules primaires émises par le trafic qui deviennent hydrophiles
dans des conditions de forts taux d’humidité.
Figure 56 : Contributions (µg/m3) des émissions à l’échappement en fonction de la
vitesse du vent (WS), l’humidité relative (HR) et la température (T)
La contribution au facteur « poussières de sol » est favorisée par HR<35% et T>15 °C et
une vitesse de vent > 3 m/s (figure 57). L’influence de l'humidité relative sur les niveaux
de poussières a été mise en relief par plusieurs auteurs en raison de son impact sur la
teneur en humidité de la surface du sol, et par conséquent, sur la cohésion des particules
du sol (McKenna Neuman & Sanderson, 2008; Ravi et al., 2004). Csavina et al. (2014)
142
que l'humidité relative et la vitesse du vent sont des paramètres déterminants de la
resuspension des poussières de sol dans les régions semi-arides. A l’inverse, lorsque HR
est relativement faible, les particules de sol sont plus lâches et se dispersent plus
facilement sous l’effet du vent.
Figure 57 : Contributions (µg/m3) des poussières de sol en fonction de la vitesse du vent
(WS), l’humidité relative (HR) et la température (T)
D’ailleurs, la vitesse du vent est un facteur principal de la resuspension des poussières de
sol (Yin et al., 2007). La température est aussi fortement corrélée avec les concentrations
de poussière (Hussein et al., 2006). La contribution de ce facteur augmente en saison
chaude en raison de l'absence de lessivage de l’atmosphère qui conduit à l'accumulation
des poussières dans l’air. Associé aux vents forts, le sol sec génère plus de poussière par
temps chaud (Kassomenos et al., 2014; Li et al., 2015).
143
L’influence des épisodes de poussières sahariennes, qui sont généralement plus fréquents
en été, a été mise en évidence par plusieurs auteurs (Kopanakis et al., 2018; Matassoni et
al., 2009; Querol et al., 2019).
144
CONCLUSION GENERALE
ET PERSPECTIVES
145
L’Algérie figure parmi les pays les plus exposés aux particules fines au monde, avec des
concentrations annuelles moyennes comprises entre 35 µg/m3 et 45 µg/m3 au nord et
dépassant 70 µg/m3 au sud. Malgré la proximité du Sahara, très peu d'études sur l'impact
de la poussière sur la qualité de l'air et la santé humaine ont été menées dans cette région.
Il est pourtant de la plus haute importance que des stratégies d'amélioration de la qualité
de l'air ambiant impliquant la réduction des émissions des sources primaires soient mises
en place. Il est donc primordial de pouvoir identifier et répartir les contributions de ces
sources et mettre ensuite en œuvre des réglementations et des politiques efficaces qui
réduisent les niveaux de la pollution particulaire.
Afin d’estimer les niveaux de PM2.5 et de leurs teneurs métalliques, et d’identifier les
sources contribuant à ces polluants, une campagne d'échantillonnage a été menée sur un
site trafic à Zouaghi, Constantine. 115 échantillons ont été collectés, et ont ensuite été
caractérisés par spectrométrie à plasma à couplage inductif (ICP-MS) et spectroscopie
d'émission de plasma à couplage inductif (ICP-OES) pour leur contenu métallique.
La concentration annuelle moyenne de PM2.5 au site d'échantillonnage de Zouaghi, est de
54,07 ± 28,81. Cette concentration est beaucoup plus élevée que le seuil annuel
recommandé par l’OMS de 10 μg/m3, la limite annuelle américaine (NAAQS) pour les
PM2.5 (32 μg/m3) et dépasse d’un facteur de 2 la norme édictée par la Commission
Européenne (25 μg/m3). Néanmoins, cette valeur est inférieure à la valeur limite fixée par
la règlementation algérienne (80 µg/m3).
La route choisie est impactée par un trafic important. L'étude consiste en l'identification
des sources d’émission particulaire et leurs contributions à la masse de PM2.5 à l’aide de
la factorisation à matrice positive (EPA PMF v.5). L’utilisation conjointe d’autres
méthodes a permis de localiser et de répartir cinq sources d'émission particulaires. C’est
ainsi que nous avons dû recourir à plusieurs approches pour effectuer de telles analyses,
notamment HYSPLIT (HYbrid Single-ParticleLagrangian Integrated Trajectory), les
cartes d'aérosols BSC/DREAM, la rose des vents, la fonction de probabilité
conditionnelle (CPF) et la fonction de contribution à la source potentielle (PSCF). Ces
modèles complètent les modèles récepteurs et peuvent donner des informations utiles
pour développer et appliquer des stratégies de gestion et d’amélioration efficace de la
qualité de l'air.
146
L’étude de l’influence des facteurs météorologiques sur les concentrations de PM2.5
indique que pour une température inférieure à 15°C, les concentrations de PM2.5 sont
indépendantes de la vitesse du vent et de l’humidité relative. Au-delà de 15°C, les
concentrations des PM2.5 diminuent avec l’humidité relative mais augmentent avec la
vitesse du vent.
Par ailleurs, les concentrations de PM2.5 ne sont pas affectées par la vitesse du vent pour
une température <15°C et une humidité relative>60%.
La matrice des corrélations indique une forte corrélation entre les poussières minérales
(MD) et les éléments terrigènes tels que Al, Ca, Mg, Ti, K (0,76 < r2 < 0,93), à
l’exception de Fe (r2 = 0,36). Fe est influencé par des sources anthropiques diverses
(trafic et industrie notamment).
L’évolution temporelle similaire pour les éléments majeurs Na, Ca, al, K et Mg dénote
l’existence d’une source commune. Les éléments majeurs Fe, Ba et S n’épousent pas le
même profil de variation temporelle. Cela est dû à la diversité des sources de ces
éléments majeurs. En effet, Fe, Ba et S sont liés aux émissions trafic, industrielles,
naturelles. V et Ti sont, par contre, intimement liés du point de vue de l’évolution
temporelle et présentent d’ailleurs une bonne corrélation (76%).
Plusieurs éléments majeurs (Na, Ca, Al, S, K, Mg, Ba) et traces (Sr, Ti, V, Cr) atteignent
un pic durant la période de juillet-août (figure 28, 29). Comme cette saison est connue
pour être fortement impactée par les poussières désertiques (Lokorai et al., 2021) et les
pics de température favorables au soulèvement des poussières de sol, il s’ensuit que ces
éléments sont essentiellement liés aux sources d’émission éoliennes.
L'identification des différents facteurs d’émission et de leurs contributions à la masse
totale de PM2.5 constitue la dernière étape de l'approche PMF. Après exclusion des
échantillons dont plus de 50% des composants présentent des concentrations inférieures à
leurs limites de détection, le modèle PMF a été appliqué aux échantillons retenus dont le
nombre total est de 95 échantillons.
Le nombre optimal de facteurs a été choisi après l'analyse de la qualité des valeurs
d'ajustement (Q), des résidus échelonnés, de la signification physique des profils de
facteurs et des contributions pour chaque exécution.
147
Le rapport S/N est un critère de base de classification ; cependant, la décision finale
dépend des résultats de la modélisation et de la capacité à distinguer les sources. Dans
notre étude, le rapport S/N pour les composants de PM2.5 est compris entre 2,8 et 5,6 et
n’est donc pas un critère décisif de classification des espèces. L’espèce PM2.5 a été
incluse dans toutes les exécutions du modèle comme espèce faible et son incertitude a été
fixée automatiquement à 3 fois sa concentration pour diminuer son influence dans
l'ajustement du modèle.
Dans un premier temps, on a calculé les solutions du modèle PMF en classant toutes les
espèces comme étant « fortes » à l’exception de PM2.5. Une première estimation du
nombre de facteurs p a été réalisée en analysant visuellement les changements des valeurs
Qrobuste, Qréel et Qthéorique (Qexp) pour plusieurs exécutions avec un nombre croissant de
facteurs allant de 2 à 9 (tableau). Quel que soit le nombre de facteurs, il faut noter que
toutes les exécutions de base ont convergé. Les variations entre Qrobuste et Qrèel sont moins
importantes (>0,02%) à partir du choix de 5 facteurs, indiquant un faible impact des
valeurs aberrantes sur les valeurs de Q.
Le choix de la solution optimale peut se faire également sur la base de la courbe du
nombre p de facteurs en fonction de Q/Qexp. La valeur Q/Qexp doit être idéalement proche
de 1. Une valeur de Q/Qexp largement supérieure à 1 indique une sous-estimation des
erreurs ou l'incapacité de la solution PMF à expliquer la variabilité des profils factoriels
avec le nombre de facteurs p choisi.
Parmi toutes les solutions explorées, seules les solutions p>3 facteurs présentent des
paramètres statistiques robustes (Q/Qexp<3). Cela indique que le nombre optimal de
facteurs est égal ou supérieur à 4. La solution à cinq facteurs est la solution la plus stable
et réaliste que les solutions à six et à sept facteurs, en raison des plus faibles erreurs
aléatoires et de l'ambiguïté rotationnelle. De plus, les résidus échelonnés (d) pour tous les
éléments sont dans la plage -3 <d <3 et obéissent majoritairement à une distribution
normale, ajoutant de la crédibilité à la solution retenue.
Le modèle PMF a permis d'identifier les sels marins (15,1%), les activités industrielles et
de construction (18,9%), les émissions hors échappement (24,2%), les émissions à
l’échappement (15,8%) et les poussières minérales (25,9%) comme étant les principales
sources d’émission de PM2.5 à Constantine. Les poussières minérales et les émissions hors
148
échappement s’avèrent être les deux principaux contributeurs de PM2.5. Les résultats
montrent également que 40% de la masse des PM2.5 sont attribuables aux émissions des
véhicules.
Les contributions des sources d’émissions issues de l’analyse PMF ont été analysées à
l'aide de la fonction de probabilité conditionnelle (CPF) et la fonction de contribution de
source potentielle (PSCF) pour identifier les emplacements géographiques des sources
probables. L'utilisation simultanée de ces deux outils est un moyen efficace d’identifier
les sources locales et régionales affectant le site d’échantillonnage (Wimolwattanapun et
al., 2011). On a appliqué la CPF au percentile 75 des contributions et la PSCF aux
percentile 90 (Pekney et al., 2006; Wang, Hopke, et al., 2011; Wimolwattanapun et al.,
2011). Quelques valeurs négatives des contributions ont été considérées comme des
valeurs nulles.
Il est à noter qu’aucune étude de répartition des sources par la méthode PMF n'a été
réalisée en Afrique du nord.
La mer méditerranée est la principale source à ce facteur, la contribution orientale étant
plus déterminante que l’apport septentrional. L’apport du Sahara n’est pas à négliger, non
plus. Les poussières désertiques, susceptibles d’être soulevées par les masses d’air issues
de la mer méditerranée pourraient contribuer à ce facteur.
En ce qui concerne le facteur « activités industrielles et de construction », les deux zones
abritant des chantiers de construction à Didouche Mourad et à la nouvelle ville Ali
Mendjeli et les zones industrielles d’El Khroub et de Palma sont identifiées comme des
sources d’émission proches. Deux zones sont identifiées comme des sources d’émission
lointaines ; il s’agit de l’extrême nord-est de l’Algérie et du nord de la Tunisie, d’une
part, et de l’extrême nord-ouest de l’Algérie et du nord du Maroc. Les sources
industrielles potentielles sont les raffineries de pétrole situées à Bizerte (Tunisie), Skikda
à l’est et à Arzew et Mohammedia (Maroc) à l’ouest ainsi que le complexe sidérurgique
d’El Hadjar.
Les principales sources du facteur « hors échappement » sont l’entrée de la faculté, le
parking, le rond-point en face de l’entrée de la faculté et les passages pour piétons. En
149
effet, les émissions croissent de façon significative lors du freinage, de la décélération,
notamment au niveau du rond-point. Les zones lointaines contribuant à ce facteur sont
localisées au niveau des capitales Alger, Tunis et Tripoli. Cela s’explique par le trafic
routier intense dans ces villes et les réseaux routiers denses qu’elles renferment.
Les principales sources contribuant localement au facteur « Emissions à l’échappement »
sont la route longeant la faculté ainsi que le rond-point se trouvant en face de son entrée.
A l’échelle régionale, une zone à fort impact sur le facteur est située à l’extrême ouest-
sud-ouest du pays. C’est une zone désertique et il est, à priori, improbable qu’elle puisse
contribuer aux émissions à l’échappement. Cependant, cette contribution se superpose à
celle des gaz à l’échappement par le biais des poussières désertiques provenant de la
région.
Le facteur « poussières désertiques » est affecté par les chantiers de construction proches
du site d'échantillonnage (Ali Mendjeli, El Khroub), les carrières près d’El Khroub au
sud-est et d’Ain Smara au sud-ouest et la zone industrielle de Didouche Mourad au nord
(cimenterie, briqueterie, carrières). A l’échelle régionale, la région Est de Constantine
contribue fortement au facteur « poussières de sol ». Cette région se situe en Afrique du
Nord, entre l’est de la Tunisie et l'est de l'Algérie, et est considérée comme une source de
poussières particulièrement intense et persistante.
Parmi les perspectives à donner à ce travail, on peut considérer, à l’avenir, l'élargissement
de la base de données des composés analysés. Afin de pouvoir discriminer les sources
influentes, il serait judicieux d’analyser un plus grand nombre d’éléments métalliques et
si possible d’autres polluants tels que les cations et anions. L’analyse des traceurs
organiques pourrait être envisagée, et intégrée dans les prochaines études de répartition
des sources d’émission.
Un nombre de données suffisamment important peut également permettre des études
distinctes selon les saisons. Dans une perspective plus large, il apparait très souhaitable
de poursuivre sur le long terme les mesures de composition chimique des PM avec le cas
échéant une plus forte résolution temporelle.
Le recours aux rapports élémentaires peut s’avérer utile pour un discernement plus fin
entre les sources. Cette étude d’attribution des sources gagnerait à utiliser les teneurs
150
métalliques propres au sol entourant le site de mesure pour un maximum d’éléments
traceurs de sources.
151
REFERENCES BIBLIOGRAPHIQUES
Abu-Allaban, Lowenthal, D. H., Gertler, A. W., & Labib, M. (2007). Sources of PM 10
and PM 2.5 in Cairo’s ambient air. Environmental Monitoring and Assessment,
133(1-3), 417‑425.
Abu-Allaban, M., Gillies, J. A., & Gertler, A. W. (2003). Application of a multi-lag
regression approach to determine on-road PM10 and PM2. 5 emission rates.
Atmospheric Environment, 37(37), 5157‑5164.
Abu-Allaban, M., Hamasha, S., & Gertler, A. (2006). Road dust resuspension in the
vicinity of limestone quarries in Jordan. Journal of the Air & Waste Management
Association, 56(10), 1440‑1444.
Achilleos, S., Wolfson, J. M., Ferguson, S. T., Kang, C.-M., Hadjimitsis, D. G.,
Hadjicharalambous, M., Achilleos, C., Christodoulou, A., Nisanzti, A., &
Papoutsa, C. (2016). Spatial variability of fine and coarse particle composition
and sources in Cyprus. Atmospheric Research, 169, 255‑270.
Ackermann, F. (1980). A procedure for correcting the grain size effect in heavy metal
analyses of estuarine and coastal sediments. Environmental Technology, 1(11),
518‑527.
Adachi, K., & Tainosho, Y. (2004). Characterization of heavy metal particles embedded
in tire dust. Environment international, 30(8), 1009‑1017.
Adachi, & Tainosho, Y. (2001). The behavior of spherical iron particles in soils and street
dusts : Pollution analysis using field emission scanning electron microscope. Man
Environ, 27, 52‑58.
Adamiec, E., Jarosz-Krzemińska, E., & Wiesza\la, R. (2016). Heavy metals from non-
exhaust vehicle emissions in urban and motorway road dusts. Environmental
monitoring and assessment, 188(6), 1‑11.
Adamo, P., Giordano, S., Naimo, D., & Bargagli, R. (2008). Geochemical properties of
airborne particulate matter (PM10) collected by automatic device and biomonitors
in a Mediterranean urban environment. Atmospheric environment, 42(2), 346‑357.
Agrawal, A., Sahu, K. K., & Pandey, B. D. (2004). Solid waste management in non-
ferrous industries in India. Resources, conservation and recycling, 42(2), 99‑120.
Aiken, A. C., Decarlo, P. F., Kroll, J. H., Worsnop, D. R., Huffman, J. A., Docherty, K.
S., Ulbrich, I. M., Mohr, C., Kimmel, J. R., & Sueper, D. (2008). O/C and
OM/OC ratios of primary, secondary, and ambient organic aerosols with high-
resolution time-of-flight aerosol mass spectrometry. Environmental Science &
Technology, 42(12), 4478‑4485.
Akeredolu, F. (1989). Atmospheric environment problems in Nigeria—An overview.
Atmospheric Environment (1967), 23(4), 783‑792.
Akinbami, J.-F., Akinwumi, I. O., & Salami, A. T. (1996). Implications of environmental
degradation in Nigeria. Natural resources forum, 20(4), 319‑332.
152
Ali-Khodja, H., Belaala, A., Demmane-Debbih, W., Habbas, B., & Boumagoura, N.
(2008). Air quality and deposition of trace elements in Didouche Mourad,
Algeria. Environmental monitoring and assessment, 138(1‑3), 219‑231.
Alleman, L. Y., Lamaison, L., Perdrix, E., Robache, A., & Galloo, J.-C. (2010a). PM10
metal concentrations and source identification using positive matrix factorization
and wind sectoring in a French industrial zone. Atmospheric Research, 96(4),
612‑625.
Allen, J. O., Hughes, L. S., Salmon, L. G., Mayo, P. R., Johnson, R. J., & Cass, G. R.
(2000). Characterization and evolution of primary and secondary aerosols during
PM2. 5 and PM10 episodes in the South Coast Air Basin. Environmental
Engineering and Science Department California Institute of Technology,
Pasadena, CA. Final report, CRC Project No, A-22.
Altieri, K. E., Carlton, A. G., Lim, H.-J., Turpin, B. J., & Seitzinger, S. P. (2006).
Evidence for oligomer formation in clouds : Reactions of isoprene oxidation
products. Environmental science & technology, 40(16), 4956‑4960.
Alvarez, R., Weilenmann, M., & Favez, J.-Y. (2008). Evidence of increased mass
fraction of NO2 within real-world NOx emissions of modern light vehicles—
Derived from a reliable online measuring method. Atmospheric Environment,
42(19), 4699‑4707.
Amann, M., Klimont, Z., & Winiwarter, W. (2012). Emissions from agriculture and their
control potentials.
Amato, F., & Hopke, P. K. (2012). Source apportionment of the ambient PM2. 5 across
St. Louis using constrained positive matrix factorization. Atmospheric
Environment, 46, 329‑337.
Amato, F., Karanasiou, A., Moreno, T., Alastuey, A., Orza, J. A. G., Lumbreras, J.,
Borge, R., Boldo, E., Linares, C., & Querol, X. (2012). Emission factors from
road dust resuspension in a Mediterranean freeway. Atmospheric Environment,
61, 580‑587.
Amato, F., Nava, S., Lucarelli, F., Querol, X., Alastuey, A., Baldasano, J. M., & Pandolfi,
M. (2010). A comprehensive assessment of PM emissions from paved roads :
Real-world emission factors and intense street cleaning trials. Science of the Total
Environment, 408(20), 4309‑4318.
Amato, Pandolfi, M., Escrig, A., Querol, X., Alastuey, A., Pey, J., Perez, N., & Hopke, P.
K. (2009). Quantifying road dust resuspension in urban environment by
multilinear engine : A comparison with PMF2. Atmospheric Environment, 43(17),
2770‑2780.
Amato, Pandolfi, M., Moreno, T., Furger, M., Pey, J., Alastuey, A., Bukowiecki, N.,
Prevot, A. S. H., Baltensperger, U., & Querol, X. (2011). Sources and variability
of inhalable road dust particles in three European cities. Atmospheric
Environment, 45(37), 6777‑6787.
153
Analitis, A., Katsouyanni, K., Dimakopoulou, K., Samoli, E., Nikoloulopoulos, A. K.,
Petasakis, Y., Touloumi, G., Schwartz, J., Anderson, H. R., & Cambra, K. (2006).
Short-term effects of ambient particles on cardiovascular and respiratory
mortality. Epidemiology, 17(2), 230‑233.
Anastasio, C., Faust, B. C., & Rao, C. J. (1996). Aromatic carbonyl compounds as
aqueous-phase photochemical sources of hydrogen peroxide in acidic sulfate
aerosols, fogs, and clouds. 1. Non-phenolic methoxybenzaldehydes and
methoxyacetophenones with reductants (phenols). Environmental science &
technology, 31(1), 218‑232.
Anda, A., Soos, G., da Silva, J. A. T., & Kozma-Bognar, V. (2015). Regional
evapotranspiration from a wetland in Central Europe, in a 16-year period without
human intervention. Agricultural and Forest Meteorology, 205, 60‑72.
ANDI. (2013). La vile de Constantine. Agence Nationale de Développement et de
l’Investissement. http://www.andi.dz/PDF/monographies/Constantine.pdf
Andreae, M. O. (1983). Soot carbon and excess fine potassium : Long-range transport of
combustion-derived aerosols. Science, 220(4602), 1148‑1151.
Andreae, M. O. (1990). Ocean-atmosphere interactions in the global biogeochemical
sulfur cycle. Marine Chemistry, 30, 1‑29.
Andreae, & Merlet, P. (2001). Emission of trace gases and aerosols from biomass
burning. Global biogeochemical cycles, 15(4), 955‑966.
Andreae, Mo., Andreae, T. W., Annegarn, H., Beer, J., Cachier, H., Le Canut, P., Elbert,
W., Maenhaut, W., Salma, I., & Wienhold, F. G. (1998). Airborne studies of
aerosol emissions from savanna fires in southern Africa : 2. Aerosol chemical
composition. Journal of Geophysical Research: Atmospheres, 103(D24),
32119‑32128.
Appel, B. R., Tokiwa, Y., Kothny, E. L., Wu, R., & Povard, V. (1988). Evaluation of
procedures for measuring atmospheric nitric acid and ammonia. Atmospheric
Environment (1967), 22(8), 1565‑1573.
Appel, Tokiwa, Y., Hsu, J., Kothny, E. L., & Hahn, E. (1985). Visibility as related to
atmospheric aerosol constituents. Atmospheric Environment (1967), 19(9),
1525‑1534.
ApSimon, H. M., Warren, R. F., & Kayin, S. (2002). Addressing uncertainty in
environmental modelling : A case study of integrated assessment of strategies to
combat long-range transboundary air pollution. Atmospheric Environment,
36(35), 5417‑5426.
Archibold. (1995). Ecology of World Vegetation.
https://books.google.dz/books?hl=fr&lr=&id=lDjsCAAAQBAJ&oi=fnd&pg=PR
11&dq=Archibold+O+(1995)+Ecology+of+world+vegetation.+Springer,&ots=c4
DqmWL2ud&sig=SmkDOX_NU2XzmvWFUpF5uMsD70s&redir_esc=y#v=one
page&q&f=false
154
Arditsoglou, A., & Samara, C. (2005). Levels of total suspended particulate matter and
major trace elements in Kosovo : A source identification and apportionment
study. Chemosphere, 59(5), 669‑678.
Arita, A., & Costa, M. (2011). Chapter 28—Environmental Agents and Epigenetics. In T.
Tollefsbol (Éd.), Handbook of Epigenetics (p. 459‑476). Academic Press.
https://doi.org/10.1016/B978-0-12-375709-8.00028-9
Ashraful, A. M., Masjuki, H. H., & Kalam, M. A. (2015). Particulate matter, carbon
emissions and elemental compositions from a diesel engine exhaust fuelled with
diesel–biodiesel blends. Atmospheric Environment, 120, 463‑474.
Assamoi, E.-M., & Liousse, C. (2010). A new inventory for two-wheel vehicle emissions
in West Africa for 2002. Atmospheric Environment, 44(32), 3985‑3996.
Athanasopoulou, E., Tombrou, M., Russell, A. G., Karanasiou, A., Eleftheriadis, K., &
Dandou, A. (2010). Implementation of road and soil dust emission
parameterizations in the aerosol model CAMx : Applications over the greater
Athens urban area affected by natural sources. Journal of Geophysical Research:
Atmospheres, 115(D17).
Atkinson, R. (2000). Atmospheric chemistry of VOCs and NOx. Atmospheric
environment, 34(12‑14), 2063‑2101.
Avecilla, F., Panebianco, J. E., & Buschiazzo, D. E. (2015). Variable effects of saltation
and soil properties on wind erosion of different textured soils. Aeolian Research,
18, 145‑153.
Avecilla, F., Panebianco, J. E., & Buschiazzo, D. E. (2016). A wind-tunnel study on
saltation and PM10 emission from agricultural soils. Aeolian research, 22, 73‑83.
Ayers, G. P., Gillett, R. W., Cainey, J. M., & Dick, A. L. (1999). Chloride and bromide
loss from sea-salt particles in Southern Ocean air. Journal of Atmospheric
Chemistry, 33(3), 299‑319.
Balls, P. W., Hull, S., Miller, B. S., Pirie, J. M., & Proctor, W. (1997). Trace metal in
Scottish estuarine and coastal sediments. Marine pollution bulletin, 34(1), 42‑50.
Banerjee, T., Murari, V., Kumar, M., & Raju, M. P. (2015). Source apportionment of
airborne particulates through receptor modeling : Indian scenario. Atmospheric
Research, 164, 167‑187.
Banque Mondiale. (2012). ESMAP, Energy Sector Management Assistance Program.
The World Bank, Annual Report 2011. 2012. Energy Economics.
Banque Mondiale. (2013a). Egypt For better or for worse : Air pollution in Greater
Cairo. . Accessed 09 February 2018. Inderscience Publishers Ltd.
http://documents.worldbank.org/curated/en/ 972321468021568180/Egypt-For-
better-or-for-worse-air-pollutionin-Greater-Cairo-sector-note
Banque Mondiale. (2013b). Kenya economic update. e. www.worldbank.org/
content/dam/.../Kenya/kenya-economic-update-june-2013.pdf.
155
Baumbach, G., Vogt, U., Hein, K. R. G., Oluwole, A. F., Ogunsola, O. J., Olaniyi, H. B.,
& Akeredolu, F. A. (1995). Air pollution in a large tropical city with a high traffic
density—Results of measurements in Lagos, Nigeria. Science of the total
environment, 169(1‑3), 25‑31.
Beck, M. L., Hsu, Y., & Divita Jr, F. (2009). SPECIATE 4.2 speciation database
development documentation. Research Triangle Park, NC.
Begum, B. A., Kim, E., Biswas, S. K., & Hopke, P. K. (2004). Investigation of sources of
atmospheric aerosol at urban and semi-urban areas in Bangladesh. Atmospheric
Environment, 38(19), 3025‑3038.
Belarbi, N., Belamri, M., Dahmani, B., & Benamar, M. A. (2020). Road Traffic and
PM10, PM2. 5 Emission at an Urban Area in Algeria : Identification and
Statistical Analysis. Pollution, 6(3), 651‑660.
Belis, C., & Karagulian, F. (2011). Source Apportionment with Receptor Models : Needs,
trends and prospects. Geophys. Res. Abstr, 13.
Belis, Karagulian, F., Larsen, B. R., & Hopke, P. K. (2013). Critical review and meta-
analysis of ambient particulate matter source apportionment using receptor
models in Europe. Atmospheric Environment, 69, 94‑108.
Bell, M. L., Dominici, F., Ebisu, K., Zeger, S. L., & Samet, J. M. (2007). Spatial and
temporal variation in PM2. 5 chemical composition in the United States for health
effects studies. Environmental health perspectives, 115(7), 989‑995.
Bem, H., Gallorini, M., Rizzio, E., & Krzemińska, M. (2003). Comparative studies on the
concentrations of some elements in the urban air particulate matter in Lodz City
of Poland and in Milan, Italy. Environment International, 29(4), 423‑428.
Bencharif-Madani, F., Ali-Khodja, H., Kemmouche, A., Terrouche, A., Lokorai, K.,
Naidja, L., & Bouziane, M. (2019). Mass concentrations, seasonal variations,
chemical compositions and element sources of PM10 at an urban site in
Constantine, northeast Algeria. Journal of Geochemical Exploration, 206,
106356.
Bevan, D. R., & Manger, W. E. (1985). Effect of particulates on metabolism and
mutagenicity of benzo [a] pyrene. Chemico-biological interactions, 56(1), 13‑28.
Biersteker, K. (1976). Sulfur dioxide and suspended particulate matter : Where do we
stand? Environmental research, 11(3), 287‑304.
Blifford Jr, I. H., & Meeker, G. O. (1967). A factor analysis model of large scale
pollution. Atmospheric Environment (1967), 1(2), 147‑157.
Boko, G., Bunch, M. J., Suresh, V. M., & Kumaran, T. V. (2003). Air pollution and
respiratory diseases in African Big Cities : The CASE of Cotonou in Benin.
Proceedings of the Third International Conference on Environment and Health,
Chennai, India, 15‑17.
156
Boman, J., Shaltout, A. A., Abozied, A. M., & Hassan, S. K. (2013). On the elemental
composition of PM2. 5 in central Cairo, Egypt. X-Ray Spectrometry, 42(4),
276‑283.
Bono, R., Pignata, C., Scursatone, E., Rovere, R., Natale, P., & Gilli, G. (1995). Updating
about reductions of air and blood lead concentrations in Turin, Italy, following
reductions in the lead content of gasoline. Environmental research, 70(1), 30‑34.
Borbély-Kiss, I., Kiss, A. Z., Koltay, E., Szabó, G., & Bozó, L. (2004). Saharan dust
episodes in Hungarian aerosol : Elemental signatures and transport trajectories.
Journal of Aerosol Science, 35(10), 1205‑1224.
Bougherira, N., & Hani, A. (2012). Évaluation du risque pour l’environnement des
métaux lourds [Fe (T)-Mn+ 2] issus du milieu Industriel : Cas de la plaine de la
Meboudja, Nord-Est Algérien. Afrique Science: Revue Internationale des
Sciences et Technologie, 8(1).
Bove, M. C., Massabò, D., & Prati, P. (2018). PMF5. 0 vs. CMB8. 2 : An inter-
comparison study based on the new European SPECIEUROPE database.
Atmospheric Research, 201, 181‑188.
Boyd, R., Barnes, S.-J., De Caritat, P., Chekushin, V. A., Melezhik, V. A., Reimann, C.,
& Zientek, M. L. (2009). Emissions from the copper–nickel industry on the Kola
Peninsula and at Noril’sk, Russia. Atmospheric Environment, 43(7), 1474‑1480.
Bozlaker, A., Prospero, J. M., Fraser, M. P., & Chellam, S. (2013). Quantifying the
contribution of long-range Saharan dust transport on particulate matter
concentrations in Houston, Texas, using detailed elemental analysis.
Environmental science & technology, 47(18), 10179‑10187.
Brewer, P. G., Riley, J. P., & Skirrow, G. (1975). Chemical oceanography.
Brook, Franklin, B., Cascio, W., Hong, Y., Howard, G., Lipsett, M., Luepker, R.,
Mittleman, M., Samet, J., & Smith Jr, S. C. (2004). Air pollution and
cardiovascular disease : A statement for healthcare professionals from the Expert
Panel on Population and Prevention Science of the American Heart Association.
Circulation, 109(21), 2655‑2671.
Brook, J. R., & Dann, T. F. (1999). Contribution of nitrate and carbonaceous species to
PM2. 5 observed in Canadian cities. Journal of the Air & Waste Management
Association, 49(2), 193‑199.
Brown, Cook, K. M., Ney, F. G., & Hatch, T. (1950). Influence of particle size upon the
retention of particulate matter in the human lung. American Journal of Public
Health and the Nations Health, 40(4), 450‑480.
Brown, S. G., Eberly, S., Paatero, P., & Norris, G. A. (2015). Methods for estimating
uncertainty in PMF solutions : Examples with ambient air and water quality data
and guidance on reporting PMF results. Science of the Total Environment, 518,
626‑635.
157
Brown, S. G., & Hafner, H. R. (2005). Multivariate receptor modeling workbook.
USEPA, Research Triangle Park, NC.
Buat-Menard, P., Morelli, J., & Chesselet, R. (1974). Water-soluble elements in
atmospheric particulate matter over tropical and equatorial Atlantic. Journal de
Recherches Atmospheriques, 8(3), 661‑673.
Budhavant, K., Safai, P. D., & Rao, P. S. P. (2015). Sources and elemental composition
of summer aerosols in the Larsemann Hills (Antarctica). Environmental Science
and Pollution Research, 22(3), 2041‑2050.
Bukowiecki, N., Lienemann, P., Hill, M., Furger, M., Richard, A., Amato, F., Prévôt, A.
S. H., Baltensperger, U., Buchmann, B., & Gehrig, R. (2010). PM10 emission
factors for non-exhaust particles generated by road traffic in an urban street
canyon and along a freeway in Switzerland. Atmospheric Environment, 44(19),
2330‑2340.
Buseck, P. R., & Adachi, K. (2008). Nanoparticles in the atmosphere. Elements, 4(6),
389‑394.
Cachier, H., Bremond, M.-P., & Buat-Menard, P. (1989). Determination of atmospheric
soot carbon with a simple thermal method. Tellus B: Chemical and Physical
Meteorology, 41(3), 379‑390.
Callén Romero, M., de la Cruz Eiriz, M. T., López Sebastián, J. M., Navarro López, M.
V., & Mastral Lamarca, A. M. (2009). Comparison of receptor models for source
apportionment of the PM10 in Zaragoza (Spain).
Callot, Y., Marticorena, B., & Bergametti, G. (2000). Geomorphologic approach for
modelling the surface features of arid environments in a model of dust emissions :
Application to the Sahara desert. Geodinamica Acta, 13(5), 245‑270.
Calori, G., Clemente, M., De Maria, R., Finardi, S., Lollobrigida, F., & Tinarelli, G.
(2006). Air quality integrated modelling in Turin urban area. Environmental
Modelling & Software, 21(4), 468‑476.
Cao, Chow, J. C., Watson, J. G., Wu, F., Han, Y. M., Jin, Z. D., Shen, Z. X., & An, Z. S.
(2008). Size-differentiated source profiles for fugitive dust in the Chinese Loess
Plateau. Atmospheric Environment, 42(10), 2261‑2275.
Cao, F., Zhang, S.-C., Kawamura, K., & Zhang, Y.-L. (2016). Inorganic markers,
carbonaceous components and stable carbon isotope from biomass burning
aerosols in Northeast China. Science of the Total Environment, 572, 1244‑1251.
CAPMAS. (2014). Bulletin of licensed vehicles. European Centre for Development
Policy Management Discussion Paper. http://www.msrintranet.
capmas.gov.eg/pepo/879_e.pdf
Carslaw, D. C. (2005). Evidence of an increasing NO2/NOx emissions ratio from road
traffic emissions. Atmospheric Environment, 39(26), 4793‑4802.
Cass, G. R. (1978). Methods for sulfate air quality management with applications to Los
Angeles [PhD Thesis]. California Institute of Technology.
158
Castanho, A. D., & Artaxo, P. (2001). Wintertime and summertime São Paulo aerosol
source apportionment study. Atmospheric Environment, 35(29), 4889‑4902.
Celis, J. E., Morales, J. R., Zaror, C. A., & Inzunza, J. C. (2004). A study of the
particulate matter PM10 composition in the atmosphere of Chillán, Chile.
Chemosphere, 54(4), 541‑550.
Cesari, Contini, D., Genga, A., Siciliano, M., Elefante, C., Baglivi, F., & Daniele, L.
(2012). Analysis of raw soils and their re-suspended PM10 fractions :
Characterisation of source profiles and enrichment factors. Applied Geochemistry,
27(6), 1238‑1246.
Cesari, D., Donateo, A., Conte, M., & Contini, D. (2016). Inter-comparison of source
apportionment of PM10 using PMF and CMB in three sites nearby an industrial
area in central Italy. Atmospheric Research, 182, 282‑293.
Chan, D., & Stachowiak, G. W. (2004). Review of automotive brake friction materials.
Proceedings of the Institution of Mechanical Engineers, Part D: Journal of
Automobile Engineering, 218(9), 953‑966.
Charron, A., & Harrison, R. M. (2003). Primary particle formation from vehicle
emissions during exhaust dilution in the roadside atmosphere. Atmospheric
Environment, 37(29), 4109‑4119.
Chen, Chen, D., Zhao, C., Kwan, M., Cai, J., Zhuang, Y., Zhao, B., Wang, X., Chen, B.,
& Yang, J. (2020). Influence of meteorological conditions on PM2. 5
concentrations across China : A review of methodology and mechanism.
Environment International, 139, 105558.
Chen, Huang, J., Kang, L., Wang, H., Ma, X., He, Y., Yuan, T., Yang, B., Huang, Z., &
Zhang, G. (2017). Emission, transport, and radiative effects of mineral dust from
the Taklimakan and Gobi deserts : Comparison of measurements and model
results. Atmospheric Chemistry & Physics, 17(3).
Chen, Pan, G., Kan, H., Tan, J., Song, W., Wu, Z., Xu, X., Xu, Q., Jiang, C., & Chen, B.
(2010). Ambient air pollution and daily mortality in Anshan, China : A time-
stratified case-crossover analysis. Science of the total environment, 408(24),
6086‑6091.
Chen, Wang, T., Hu, X., & Xie, M. (2015). Chemical mass balance source apportionment
of size-fractionated particulate matter in Nanjing, China. Aerosol and Air Quality
Research, 15(5), 1855‑1867.
Chen, Y., & Bond, T. C. (2010). Light absorption by organic carbon from wood
combustion. Atmospheric Chemistry & Physics, 10(4).
Cheng, Huang, Y., Zhang, S.-P., Ni, S.-J., & Long, Z.-J. (2018). Characteristics, sources,
and health risk assessment of trace elements in PM10 at an urban site in Chengdu,
Southwest China. Aerosol Air Qual. Res, 18(2), 357‑370.
159
Cheng, J., Zhou, J., Liu, J., Zhou, Z., Huang, Z., Cao, X., Zhao, X., & Cen, K. (2003).
Sulfur removal at high temperature during coal combustion in furnaces : A
review. Progress in Energy and Combustion Science, 29(5), 381‑405.
Cheng, Lee, S. C., Ho, K. F., Chow, J. C., Watson, J. G., Louie, P. K. K., Cao, J. J., &
Hai, X. (2010). Chemically-speciated on-road PM2. 5 motor vehicle emission
factors in Hong Kong. Science of the Total Environment, 408(7), 1621‑1627.
Chiarenzelli, J., Aspler, L., Dunn, C., Cousens, B., Ozarko, D., & Powis, K. (2001).
Multi-element and rare earth element composition of lichens, mosses, and
vascular plants from the Central Barrenlands, Nunavut, Canada. Applied
Geochemistry, 16(2), 245‑270.
Chow, J. C. (1995). Measurement Methods to Determine Compliance with Ambient Air
Quality Standards for Suspended Particles. Journal of the Air & Waste
Management Association, 45(5), 320‑382.
https://doi.org/10.1080/10473289.1995.10467369
Chow, J. C., Chen, L.-W. A., Watson, J. G., Lowenthal, D. H., Magliano, K. A.,
Turkiewicz, K., & Lehrman, D. E. (2006). PM2. 5 chemical composition and
spatiotemporal variability during the California Regional PM10/PM2. 5 Air
Quality Study (CRPAQS). Journal of Geophysical Research: Atmospheres,
111(D10).
Chow, J. C., & Watson, J. G. (2007). Review of measurement methods and compositions
for ultrafine particles. Aerosol and Air Quality Research, 7(2), 121‑173.
Chow, J. C., Watson, J. G., Lowenthal, D. H., Solomon, P. A., Magliano, K. L., Ziman,
S. D., & Richards, L. W. (1993). PM10 and PM2. 5 compositions in California’s
San Joaquin Valley. Aerosol science and technology, 18(2), 105‑128.
Chow, J. C., Watson, J. G., Lu, Z., Lowenthal, D. H., Frazier, C. A., Solomon, P. A.,
Thuillier, R. H., & Magliano, K. (1996). Descriptive analysis of PM2. 5 and
PM10 at regionally representative locations during SJVAQS/AUSPEX.
Atmospheric Environment, 30(12), 2079‑2112.
Chueinta, W., Hopke, P. K., & Paatero, P. (2004). Multilinear model for spatial pattern
analysis of the measurement of haze and visual effects project. Environmental
science & technology, 38(2), 544‑554.
CIA. (2017). The world factbook. https://www.cia.gov/library/publications/the-
worldfactbook/fields/2085.html
Clague, A. D. H., Donnet, J. B., Wang, T. K., & Peng, J. C. M. (1999). A comparison of
diesel engine soot with carbon black. Carbon, 37(10), 1553‑1565.
Claiborn, C., Mitra, A., Adams, G., Bamesberger, L., Allwine, G., Kantamaneni, R.,
Lamb, B., & Westberg, H. (1995). Evaluation of PM10 emission rates from paved
and unpaved roads using tracer techniques. Atmospheric environment, 29(10),
1075‑1089.
160
Cohen, Crawford, J., Stelcer, E., & Bac, V. T. (2010). Characterisation and source
apportionment of fine particulate sources at Hanoi from 2001 to 2008.
Atmospheric Environment, 44(3), 320‑328.
Cohen, & Pope III, C. A. (1995). Lung cancer and air pollution. Environmental health
perspectives, 103(suppl 8), 219‑224.
Cole, I. S., & Paterson, D. A. (2004). Holistic model for atmospheric corrosion Part 5–
Factors controlling deposition of salt aerosol on candles, plates and buildings.
Corrosion engineering, science and technology, 39(2), 125‑130.
Comero, S., Capitani, L., & Gawlik, B. M. (2009). Positive Matrix Factorisation (PMF).
JRC Scientific and Technical Reports.
Coulter, C. T. (2004). EPA-CMB8.2 User’s Manual. 123.
Council, N. R. (1992). Rethinking the ozone problem in urban and regional air pollution.
National Academies Press.
Council, N. R. (1993). Protecting visibility in national parks and wilderness areas.
National Academies Press.
Crutzen, P. J., & Andreae, M. O. (1990). Biomass burning in the tropics : Impact on
atmospheric chemistry and biogeochemical cycles. Science, 250(4988),
1669‑1678.
Csavina, J., Field, J., Taylor, M. P., Gao, S., Landázuri, A., Betterton, E. A., & Sáez, A.
E. (2012). A review on the importance of metals and metalloids in atmospheric
dust and aerosol from mining operations. Science of the Total Environment, 433,
58‑73.
Csavina, J., Landázuri, A., Wonaschütz, A., Rine, K., Rheinheimer, P., Barbaris, B.,
Conant, W., Sáez, A. E., & Betterton, E. A. (2011). Metal and metalloid
contaminants in atmospheric aerosols from mining operations. Water, Air, & Soil
Pollution, 221(1‑4), 145‑157.
Dabek-Zlotorzynska, E., Dann, T. F., Martinelango, P. K., Celo, V., Brook, J. R.,
Mathieu, D., Ding, L., & Austin, C. C. (2011). Canadian National Air Pollution
Surveillance (NAPS) PM2. 5 speciation program : Methodology and PM2. 5
chemical composition for the years 2003–2008. Atmospheric Environment, 45(3),
673‑686.
Dachs, J., & Eisenreich, S. J. (2000). Adsorption onto aerosol soot carbon dominates gas-
particle partitioning of polycyclic aromatic hydrocarbons. Environmental Science
& Technology, 34(17), 3690‑3697.
Dai, Hopke, P. K., Bi, X., & Feng, Y. (2020). Improving apportionment of PM2. 5 using
multisite PMF by constraining G-values with a priori information. Science of The
Total Environment, 139657.
Dai, Q.-L., Bi, X.-H., Wu, J.-H., Zhang, Y.-F., Wang, J., Xu, H., Yao, L., Jiao, L., &
Feng, Y.-C. (2014). Characterization and source identification of heavy metals in
161
ambient PM10 and PM2. 5 in an integrated iron and steel industry zone compared
with a background site. Aerosol and Air Quality Research, 15(3), 875‑887.
d’Almeida, G. A. (1987). On the variability of desert aerosol radiative characteristics.
Journal of Geophysical Research: Atmospheres, 92(D3), 3017‑3026.
Dasgupta, P. K., Dong, S., Hwang, H., Yang, H.-C., & Genfa, Z. (1988). Continuous
liquid-phase fluorometry coupled to a diffusion scrubber for the real-time
determination of atmospheric formaldehyde, hydrogen peroxide and sulfur
dioxide. Atmospheric Environment (1967), 22(5), 949‑963.
Dawson, J. P., Adams, P. J., & Pandis, S. N. (2007). Sensitivity of PM 2.5 to climate in
the Eastern US : A modeling case study.
De Lima, J., Van Dijk, P. M., & Spaan, W. P. (1992). Splash-saltation transport under
wind-driven rain. Soil Technology, 5(2), 151‑166.
Debieche, T. H. (2002). Evolution de la qualité des eaux (salinité, azote et métaux
lourds) sous l’effet de la pollution saline, agricole et industrielle : Application à
la basse plaine de la Seybouse Nord-Est algérien [PhD Thesis]. Besançon.
Delmas, R., Lacaux, J. P., & Brocard, D. (1995). Determination of biomass burning
emission factors : Methods and results. Environmental monitoring and
assessment, 38(2‑3), 181‑204.
Demdoum, A., Hamed, Y., Feki, M., Hadji, R., & Djebbar, M. (2015). Multi-tracer
investigation of groundwater in El Eulma Basin (Northwestern Algeria), North
Africa. Arabian Journal of Geosciences, 8(5), 3321‑3333.
Deng, J., Zhang, Y., Qiu, Y., Zhang, H., Du, W., Xu, L., Hong, Y., Chen, Y., & Chen, J.
(2018). Source apportionment of PM2. 5 at the Lin’an regional background site in
China with three receptor models. Atmospheric research, 202, 23‑32.
Deshmukh, D. K., Deb, M. K., & Mkoma, S. L. (2013). Size distribution and seasonal
variation of size-segregated particulate matter in the ambient air of Raipur city,
India. Air Quality, Atmosphere & Health, 6(1), 259‑276.
Di Stasio, S. (2001). Electron microscopy evidence of aggregation under three different
size scales for soot nanoparticles in flame. Carbon, 39(1), 109‑118.
Diagomanolin, V., Farhang, M., Ghazi-Khansari, M., & Jafarzadeh, N. (2004). Heavy
metals (Ni, Cr, Cu) in the karoon waterway river, Iran. Toxicology letters, 151(1),
63‑67.
Diaz Olvera, L., Plat, D., & Pochet, P. (2007). Mobilité quotidienne en temps de crise.
Belgeo. Revue belge de géographie, 2, 173‑188.
Dockery, D. W., Pope, C. A., Xu, X., Spengler, J. D., Ware, J. H., Fay, M. E., Ferris Jr,
B. G., & Speizer, F. E. (1993). An association between air pollution and mortality
in six US cities. New England journal of medicine, 329(24), 1753‑1759.
Dockery, D. W., & Stone, P. H. (2007). Cardiovascular risks from fine particulate air
pollution. N Engl J Med, 356(5), 511‑513.
162
Doherty, O. M., Riemer, N., & Hameed, S. (2012). Control of Saharan mineral dust
transport to Barbados in winter by the Intertropical Convergence Zone over West
Africa. Journal of Geophysical Research: Atmospheres, 117(D19).
Dominici, F., Peng, R. D., Bell, M. L., Pham, L., McDermott, A., Zeger, S. L., & Samet,
J. M. (2006). Fine particulate air pollution and hospital admission for
cardiovascular and respiratory diseases. Jama, 295(10), 1127‑1134.
Doumbia, E. H. T. (2012). Caractérisation physico-chimique de la pollution
atmosphérique en Afrique de l’Ouest et étude d’impact sur la santé [PhD Thesis].
Université de Toulouse, Université Toulouse III-Paul Sabatier.
Duce, R. A., & Woodcock, A. H. (1971). Difference in chemical composition of
atmospheric sea salt particles produced in the surf zone and on the open sea in
Hawaii. Tellus, 23(4‑5), 427‑435.
Duncan, B. N., Martin, R. V., Staudt, A. C., Yevich, R., & Logan, J. A. (2003).
Interannual and seasonal variability of biomass burning emissions constrained by
satellite observations. Journal of Geophysical Research: Atmospheres, 108(D2),
ACH-1.
Dvorská, A., Lammel, G., & Klánová, J. (2011). Use of diagnostic ratios for studying
source apportionment and reactivity of ambient polycyclic aromatic hydrocarbons
over Central Europe. Atmospheric Environment, 45(2), 420‑427.
Easter, R. C., & Peters, L. K. (1994). Binary homogeneous nucleation : Temperature and
relative humidity fluctuations, nonlinearity, and aspects of new particle
production in the atmosphere. Journal of Applied Meteorology and Climatology,
33(7), 775‑784.
Eatough, D. J., Lee, M. L., Later, D. W., Richter, B. E., Eatough, N. L., & Hansen, L. D.
(1981). Dimethyl sulfate in particulate matter from coal-and oil-fired power
plants. Environmental Science & Technology, 15(12), 1502‑1506.
Ejaz, N., & Janjua, N. S. (2012). Solid waste management issues in small towns of
developing world : A case study of Taxila City. International Journal of
Environmental Science and Development, 3(2), 167.
ElSeoud. (2010). Egyptian air quality improvement policy. Ministry of State for
Environmental Affairs. Climate Change Research at Universities.
http://staging.unep. org/transport/pcfv/PDF/Tunis-airqualitypolicywb.pdf
Enamorado-Báez, S. M., Gómez-Guzmán, J. M., Chamizo, E., & Abril, J. M. (2015).
Levels of 25 trace elements in high-volume air filter samples from Seville (2001–
2002) : Sources, enrichment factors and temporal variations. Atmospheric
Research, 155, 118‑129.
Engel-Cox, J. A., & Weber, S. A. (2007). Compilation and assessment of recent positive
matrix factorization and UNMIX receptor model studies on fine particulate matter
source apportionment for the eastern United States. Journal of the Air & Waste
Management Association, 57(11), 1307‑1316.
163
Engelstaedter, S., Tegen, I., & Washington, R. (2006). North African dust emissions and
transport. Earth-Science Reviews, 79(1‑2), 73‑100.
Erduran, M. S., & Tuncel, S. G. (2001). Gaseous and particulate air pollutants in the
Northeastern Mediterranean Coast. Science of the total environment, 281(1‑3),
205‑215.
Eriksson, M., Bergman, F., & Jacobson, S. (1999). Surface characterisation of brake pads
after running under silent and squealing conditions. Wear, 232(2), 163‑167.
Ettler, V., Mihaljevič, M., Kříbek, B., Majer, V., & Šebek, O. (2011). Tracing the spatial
distribution and mobility of metal/metalloid contaminants in Oxisols in the
vicinity of the Nkana copper smelter, Copperbelt province, Zambia. Geoderma,
164(1‑2), 73‑84.
Evan, A. T., Fiedler, S., Zhao, C., Menut, L., Schepanski, K., Flamant, C., & Doherty, O.
(2015). Derivation of an observation-based map of North African dust emission.
Aeolian Research, 16, 153‑162.
Ezeh, G. C., Obioh, I. B., Asubiojo, O. I., & Abiye, O. E. (2012). PIXE characterization
of PM10 and PM2. 5 particulates sizes collected in Ikoyi Lagos, Nigeria.
Toxicological & Environmental Chemistry, 94(5), 884‑894.
Ezzati, M., Singer, B. H., & Kammen, D. M. (2001). Towards an integrated framework
for development and environment policy : The dynamics of environmental
Kuznets curves. World Development, 29(8), 1421‑1434.
Fabretti, J.-F., Sauret, N., Gal, J.-F., Maria, P.-C., & Schärer, U. (2009). Elemental
characterization and source identification of PM2. 5 using Positive Matrix
Factorization : The Malraux road tunnel, Nice, France. Atmospheric Research,
94(2), 320‑329.
Fairlie, T. D., Jacob, D. J., & Park, R. J. (2007). The impact of transpacific transport of
mineral dust in the United States. Atmospheric Environment, 41(6), 1251‑1266.
Feliu, S., Morcillo, M., & Chico, B. (1999). Effect of distance from sea on atmospheric
corrosion rate. Corrosion, 55(9), 883‑891.
Feng, X., & Wang, S. (2012). Influence of different weather events on concentrations of
particulate matter with different sizes in Lanzhou, China. Journal of
Environmental Sciences, 24(4), 665‑674.
Ferge, T., Karg, E., Schröppel, A., Coffee, K. R., Tobias, H. J., Frank, M., Gard, E. E., &
Zimmermann, R. (2006). Fast determination of the relative elemental and organic
carbon content of aerosol samples by on-line single-particle aerosol time-of-flight
mass spectrometry. Environmental science & technology, 40(10), 3327‑3335.
Ferin, J., Oberdorster, G., & Penney, D. P. (1992). Pulmonary retention of ultrafine and
fine particles in rats. Am J Respir Cell Mol Biol, 6(5), 535‑542.
Ferm, M., & Sjöberg, K. (2015). Concentrations and emission factors for PM2. 5 and
PM10 from road traffic in Sweden. Atmospheric Environment, 119, 211‑219.
164
Finkelman, R. B., Palmer, C. A., Krasnow, M. R., Aruscavage, P. J., Sellers, G. A., &
Dulong, F. T. (1990). Combustion and leaching behavior of elements in the
Argonne premium coal samples. Energy & fuels, 4(6), 755‑766.
Finlayson-Pitts, B. J., & Pitts Jr, J. N. (1999). Chemistry of the upper and lower
atmosphere : Theory, experiments, and applications. Elsevier.
Fischer, S. L., Dryer, F. L., & Curran, H. J. (2000). The reaction kinetics of dimethyl
ether. I : High-temperature pyrolysis and oxidation in flow reactors. International
Journal of Chemical Kinetics, 32(12), 713‑740.
Forsberg, B., Hansson, H.-C., Johansson, C., Areskoug, H., Persson, K., & Järvholm, B.
(2005). Comparative health impact assessment of local and regional particulate air
pollutants in Scandinavia. AMBIO: A Journal of the Human Environment, 34(1),
11‑19.
Fragkou, E., Douros, I., Moussiopoulos, N., & Belis, C. A. (2012). Current trends in the
use of models for source apportionment of air pollutants in Europe. International
Journal of Environment and Pollution, 50(1‑4), 363‑375.
Frenklach, M. (2002). Reaction mechanism of soot formation in flames. Physical
chemistry chemical Physics, 4(11), 2028‑2037.
Friedlander, S. K. (1973). Chemical element balances and identification of air pollution
sources. Environmental science & technology, 7(3), 235‑240.
Friedli, H. R., Radke, L. F., & Lu, J. Y. (2001). Mercury in smoke from biomass fires.
Geophysical Research Letters, 28(17), 3223‑3226.
Fullerton, D. G., Semple, S., Kalambo, F., Suseno, A., Malamba, R., Henderson, G.,
Ayres, J. G., & Gordon, S. B. (2009). Biomass fuel use and indoor air pollution in
homes in Malawi. Occupational and environmental medicine, 66(11), 777‑783.
Fuzzi, S., Baltensperger, U., Carslaw, K., Decesari, S., Denier van der Gon, H., Facchini,
M. C., Fowler, D., Koren, I., Langford, B., & Lohmann, U. (2015). Particulate
matter, air quality and climate : Lessons learned and future needs. Atmospheric
chemistry and physics, 15(14), 8217‑8299.
Galloway, J., Dentener, F., Burke, M., Dumont, E., Bouwman, A. F., Kohn, R. A.,
Mooney, H. A., Seitzinger, S., & Kroeze, C. (2010). The impact of animal
production systems on the nitrogen cycle. Livestock in a changing landscape, 1,
83‑96.
Galon-Negru, A. G., Olariu, R. I., & Arsene, C. (2019). Size-resolved measurements of
PM2. 5 water-soluble elements in Iasi, north-eastern Romania : Seasonality,
source apportionment and potential implications for human health. Science of The
Total Environment, 695, 133839.
Garg, B. D., Cadle, S. H., Mulawa, P. A., Groblicki, P. J., Laroo, C., & Parr, G. A.
(2000). Brake wear particulate matter emissions. Environmental Science &
Technology, 34(21), 4463‑4469.
165
Gaudichet, A., Echalar, F., Chatenet, B., Quisefit, J. P., Malingre, G., Cachier, H., Buat-
Menard, P., Artaxo, P., & Maenhaut, W. (1995). Trace elements in tropical
African savanna biomass burning aerosols. Journal of Atmospheric Chemistry,
22(1‑2), 19‑39.
Gerlofs-Nijland, M. E., Bokkers, B. G., Sachse, H., Reijnders, J. J., Gustafsson, M.,
Boere, A. J. F., Fokkens, P. F. H., Leseman, D. L., Augsburg, K., & Cassee, F. R.
(2019). Inhalation toxicity profiles of particulate matter : A comparison between
brake wear with other sources of emission. Inhalation toxicology, 31(3), 89‑98.
Gherboudj, I., Beegum, S. N., & Ghedira, H. (2017). Identifying natural dust source
regions over the Middle-East and North-Africa : Estimation of dust emission
potential. Earth-science reviews, 165, 342‑355.
Gietl, J. K., Lawrence, R., Thorpe, A. J., & Harrison, R. M. (2010). Identification of
brake wear particles and derivation of a quantitative tracer for brake dust at a
major road. Atmospheric Environment, 44(2), 141‑146.
Ginoux, P., Prospero, J. M., Gill, T. E., Hsu, N. C., & Zhao, M. (2012). Global-scale
attribution of anthropogenic and natural dust sources and their emission rates
based on MODIS Deep Blue aerosol products. Reviews of Geophysics, 50(3).
Godoy, M. L. D., Godoy, J. M., Roldao, L. A., Soluri, D. S., & Donagemma, R. A.
(2009). Coarse and fine aerosol source apportionment in Rio de Janeiro, Brazil.
Atmospheric Environment, 43(14), 2366‑2374.
Gong, S. L., Barrie, L. A., & Blanchet, J.-P. (1997). Modeling sea-salt aerosols in the
atmosphere : 1. Model development. Journal of Geophysical Research:
Atmospheres, 102(D3), 3805‑3818.
Goudie, A. S., & Middleton, N. J. (2006). Desert dust in the global system. Springer
Science & Business Media.
Goudie, & Middleton, N. J. (2001). Saharan dust storms : Nature and consequences.
Earth-science reviews, 56(1‑4), 179‑204.
Gournay, A. (2012). Analyse statistique mutlivariée. Neuchâtel, Suisse: Université de
Neuchâtel.
Granier, C., Bessagnet, B., Bond, T., D’Angiola, A., van Der Gon, H. D., Frost, G. J.,
Heil, A., Kaiser, J. W., Kinne, S., & Klimont, Z. (2011). Evolution of
anthropogenic and biomass burning emissions of air pollutants at global and
regional scales during the 1980–2010 period. Climatic Change, 109(1‑2), 163.
Grantz, D. A., Garner, J. H. B., & Johnson, D. W. (2003). Ecological effects of
particulate matter. Environment international, 29(2‑3), 213‑239.
Gray, H. A., Cass, G. R., Huntzicker, J. J., Heyerdahl, E. K., & Rau, J. A. (1986).
Characteristics of atmospheric organic and elemental carbon particle
concentrations in Los Angeles. Environmental Science & Technology, 20(6),
580‑589.
166
Grigoratos, T., & Martini, G. (2015). Brake wear particle emissions : A review.
Environmental Science and Pollution Research, 22(4), 2491‑2504.
Grosjean, D. (1975). Solvent extraction and organic carbon determination in atmospheric
particulate matter. Organic extraction-organic carbon analyzer (OE-OCA)
technique. Analytical chemistry, 47(6), 797‑805.
Gupta, I., Salunkhe, A., & Kumar, R. (2012). Source apportionment of PM10 by positive
matrix factorization in urban area of Mumbai, India. The Scientific World Journal,
2012.
Gustafsson, Blomqvist, G., Gudmundsson, A., Dahl, A., Swietlicki, E., Bohgard, M.,
Lindbom, J., & Ljungman, A. (2008). Properties and toxicological effects of
particles from the interaction between tyres, road pavement and winter traction
material. Science of the total environment, 393(2‑3), 226‑240.
Gustafsson, M. E., & Franzén, L. G. (1996). Dry deposition and concentration of marine
aerosols in a coastal area, SW Sweden. Atmospheric Environment, 30(6),
977‑989.
Guthrie, S., Giles, S., Dunkerley, F., Tabaqchali, H., Harshfield, A., Ioppolo, B., &
Manville, C. (2018). The impact of ammonia emissions from agriculture on
biodiversity. RAND Corporation and The Royal Society, Cambridge, UK.
Gwilliam, K. (2011). Africa’s transport infrastructure : Mainstreaming maintenance and
management. The World Bank.
Gwilliam, K., Foster, V., Archondo-Callao, R., Briceño-Garmendia, C., Nogales, A., &
Sethi, K. (2008). The burden of maintenance : Roads in sub-Saharan Africa. AICD
Background Paper, 14.
Hammouche, R. (1990). Atlas vent de l’Algerie. Office National de la Météorologie.
Hao, W. M., Liu, M.-H., & Crutzen, P. J. (1990). Estimates of annual and regional
releases of CO 2 and other trace gases to the atmosphere from fires in the tropics,
based on the FAO statistics for the period 1975–1980. In Fire in the tropical biota
(p. 440‑462). Springer.
Harrison, R. M., Jones, A. M., & Lawrence, R. G. (2004). Major component composition
of PM10 and PM2. 5 from roadside and urban background sites. Atmospheric
Environment, 38(27), 4531‑4538.
Hasheminassab, S., Daher, N., Saffari, A., Wang, D., Ostro, B. D., & Sioutas, C. (2014).
Spatial and temporal variability of sources of ambient fine particular matter (PM
2.5) in California. Atmospheric Chemistry & Physics Discussions, 14(14).
Hassan, S. K., & Khoder, M. I. (2017). Chemical characteristics of atmospheric PM2. 5
loads during air pollution episodes in Giza, Egypt. Atmospheric Environment,
150, 346‑355.
Hayashida, K., Mogi, T., Amagai, K., & Arai, M. (2011). Growth characteristics of
polycyclic aromatic hydrocarbons in dimethyl ether diffusion flame. Fuel, 90(2),
493‑498.
167
He, K., Yang, F., Ma, Y., Zhang, Q., Yao, X., Chan, C. K., Cadle, S., Chan, T., &
Mulawa, P. (2001). The characteristics of PM2. 5 in Beijing, China. Atmospheric
Environment, 35(29), 4959‑4970.
Health Effects Institute. (2019). State of Global Air 2019. Special Report. (ISSN 2578-
6873). Health Effects Institute.
https://www.stateofglobalair.org/sites/default/files/soga_2019_report.pdf
Heideman, Datta, R. N., Noordermeer, J. W., & Baarle, B. van. (2005). Influence of zinc
oxide during different stages of sulfur vulcanization. Elucidated by model
compound studies. Journal of applied polymer science, 95(6), 1388‑1404.
Heideman, Noordermeer, J. W., Datta, R. N., & van Baarle, B. (2004). Zinc loaded clay
as activator in sulfur vulcanization : A new route for zinc oxide reduction in
rubber compounds. Rubber chemistry and technology, 77(2), 336‑355.
Hellén, H., Hakola, H., Haaparanta, S., Pietarila, H., & Kauhaniemi, M. (2008). Influence
of residential wood combustion on local air quality. Science of the total
environment, 393(2‑3), 283‑290.
Hemann, J. G., Brinkman, G. L., Dutton, S. J., Hannigan, M. P., Milford, J. B., & Miller,
S. L. (2008). Assessing positive matrix factorization model fit : A new method to
estimate uncertainty and bias in factor contributions at the daily time scale.
Atmospheric Chemistry and Physics Discussions, 8(1), 2977‑3026.
Hemstock, S. L., & Hall, D. O. (1994). A methodology for drafting biomass energy flow
charts. Energy for Sustainable Development, 1(4), 38‑42.
Henry, R. C. (2002). Multivariate receptor models—Current practice and future trends.
Chemometrics and intelligent laboratory systems, 60(1‑2), 43‑48.
Henry, R. C. (2003). Multivariate receptor modeling by N-dimensional edge detection.
Chemometrics and intelligent laboratory systems, 65(2), 179‑189.
Henry, R. C., & Christensen, E. R. (2010). Selecting an appropriate multivariate source
apportionment model result. Environmental science & technology, 44(7),
2474‑2481.
Henry, R. C., & Kim, B. M. (1990). Extension of self-modeling curve resolution to
mixtures of more than three components : Part 1. Finding the basic feasible
region. Chemometrics and Intelligent Laboratory Systems, 8(2), 205‑216.
Henry, R. C., Park, E. S., & Spiegelman, C. H. (1999). Comparing a new algorithm with
the classic methods for estimating the number of factors. Chemometrics and
Intelligent Laboratory Systems, 48(1), 91‑97.
Heo, J., Dulger, M., Olson, M. R., McGinnis, J. E., Shelton, B. R., Matsunaga, A.,
Sioutas, C., & Schauer, J. J. (2013). Source apportionments of PM2. 5 organic
carbon using molecular marker Positive Matrix Factorization and comparison of
results from different receptor models. Atmospheric Environment, 73, 51‑61.
168
Herman, J. R., Bhartia, P. K., Torres, O., Hsu, C., Seftor, C., & Celarier, E. (1997).
Global distribution of UV-absorbing aerosols from Nimbus 7/TOMS data.
Journal of Geophysical Research: Atmospheres, 102(D14), 16911‑16922.
Hidy, G. M., & Venkataraman, C. (1996). The chemical mass balance method for
estimating atmospheric particle sources in Southern California. Chemical
Engineering Communications, 151(1), 187‑209.
Hieu, N. T., & Lee, B.-K. (2010). Characteristics of particulate matter and metals in the
ambient air from a residential area in the largest industrial city in Korea.
Atmospheric Research, 98(2‑4), 526‑537.
Hildemann, L. M., Markowski, G. R., & Cass, G. R. (1991). Chemical composition of
emissions from urban sources of fine organic aerosol. Environmental Science &
Technology, 25(4), 744‑759.
Hildemann, L. M., Markowski, G. R., Jones, M. C., & Cass, G. R. (1991).
Submicrometer aerosol mass distributions of emissions from boilers, fireplaces,
automobiles, diesel trucks, and meat-cooking operations. Aerosol Science and
Technology, 14(1), 138‑152.
Hinds, W. C. (1999). Aerosol Technology : Properties, Behavior, and Measurement of
Airborne Particles. John Wiley & Sons.
Hjortenkrans, D. S., Bergbäck, B. G., & Häggerud, A. V. (2007). Metal emissions from
brake linings and tires : Case studies of Stockholm, Sweden 1995/1998 and 2005.
Environmental science & technology, 41(15), 5224‑5230.
Ho, K. F., Lee, S. C., Chow, J. C., & Watson, J. G. (2003). Characterization of PM10 and
PM2. 5 source profiles for fugitive dust in Hong Kong. Atmospheric Environment,
37(8), 1023‑1032.
Hoffman, G. L., & Duce, R. A. (1972). Consideration of the chemical fractionation of
alkali and alkaline earth metals in the Hawaiian marine atmosphere. Journal of
Geophysical Research, 77(27), 5161‑5169.
Hopke. (1999). An introduction to source receptor modeling. Gordon and Breach Science
Publishers, Amsterdam.
Hopke. (2016). Review of receptor modeling methods for source apportionment. Journal
of the Air & Waste Management Association, 66(3), 237‑259.
Hopke, P. K. (2003). Recent developments in receptor modeling. Journal of
Chemometrics: A Journal of the Chemometrics Society, 17(5), 255‑265.
Hopke, P. K. (2000). A guide to positive matrix factorization. Workshop on UNMIX and
PMF as Applied to PM2, 5, 600.
Hopke, P. K., & Cohen, D. D. (2011). Application of receptor modeling methods.
Atmospheric Pollution Research, 2(2), 122‑125.
Hopke, P. K., Dai, Q., Li, L., & Feng, Y. (2020). Global review of recent source
apportionments for airborne particulate matter. Science of The Total Environment,
140091.
169
Horne, B. D., Joy, E. A., Hofmann, M. G., Gesteland, P. H., Cannon, J. B., Lefler, J. S.,
Blagev, D. P., Korgenski, E. K., Torosyan, N., & Hansen, G. I. (2018). Short-term
elevation of fine particulate matter air pollution and acute lower respiratory
infection. American journal of respiratory and critical care medicine, 198(6),
759‑766.
Hsu, C.-Y., Chiang, H.-C., Lin, S.-L., Chen, M.-J., Lin, T.-Y., & Chen, Y.-C. (2016).
Elemental characterization and source apportionment of PM10 and PM2. 5 in the
western coastal area of central Taiwan. Science of the Total Environment, 541,
1139‑1150.
Huai, T., Durbin, T. D., Miller, J. W., Pisano, J. T., Sauer, C. G., Rhee, S. H., & Norbeck,
J. M. (2003). Investigation of NH3 Emissions from New Technology Vehicles as
a Function of Vehicle Operating Conditions. Environmental Science &
Technology, 37(21), 4841‑4847. https://doi.org/10.1021/es030403+
Huang, Arimoto, R., & Rahn, K. A. (2001). Sources and source variations for aerosol at
Mace Head, Ireland. Atmospheric Environment, 35(8), 1421‑1437.
Huang, X., Li, M., Friedli, H. R., Song, Y., Chang, D., & Zhu, L. (2011). Mercury
emissions from biomass burning in China. Environmental science & technology,
45(21), 9442‑9448.
Huang, Yu, J. Z., He, L.-Y., & Hu, M. (2006). Size distribution characteristics of
elemental carbon emitted from Chinese vehicles : Results of a tunnel study and
atmospheric implications. Environmental science & technology, 40(17),
5355‑5360.
Hueglin, C., Gehrig, R., Baltensperger, U., Gysel, M., Monn, C., & Vonmont, H. (2005).
Chemical characterisation of PM2. 5, PM10 and coarse particles at urban, near-
city and rural sites in Switzerland. Atmospheric Environment, 39(4), 637‑651.
Hulskotte, J. H. J., Roskam, G. D., & Van Der Gon, H. D. (2014). Elemental composition
of current automotive braking materials and derived air emission factors.
Atmospheric Environment, 99, 436‑445.
Huneeus, N., Schulz, M., Balkanski, Y., Griesfeller, J., Prospero, M. J., Kinne, S., Bauer,
S., Boucher, O., Chin, M., & Dentener, F. (2011). Global dust model
intercomparison in AeroCom phase I. Atmospheric Chemistry and Physics, 11,
7781‑7816.
Huntley, B. J., & Walker, B. H. (2012). Ecology of tropical savannas (Vol. 42). Springer
Science & Business Media.
Huntzicker, J. J., Johnson, R. L., Shah, J. J., & Cary, R. A. (1982). Analysis of organic
and elemental carbon in ambient aerosols by a thermal-optical method. In
Particulate Carbon (p. 79‑88). Springer.
Hussein, T., Karppinen, A., Kukkonen, J., Härkönen, J., Aalto, P. P., Hämeri, K.,
Kerminen, V.-M., & Kulmala, M. (2006). Meteorological dependence of size-
170
fractionated number concentrations of urban aerosol particles. Atmospheric
Environment, 40(8), 1427‑1440.
Huzita, K., & Kasama, T. (1983). Geology of the Kobe district. Quadrangle series (115
pp.) Geol. Surv. Jpn, 1(50,000).
Ibald-Mulli, A., Wichmann, H.-E., Kreyling, W., & Peters, A. (2002). Epidemiological
evidence on health effects of ultrafine particles. Journal of Aerosol Medicine,
15(2), 189‑201.
IEA. (2006). Energy for cooking in developing countries.
IEA. (2014). Morocco 2014. Paris, France. . Accessed. Springer. https://www.iea.org/
publications/.../publication/Morocco2014.pdf
Iijima, A., Sato, K., Yano, K., Tago, H., Kato, M., Kimura, H., & Furuta, N. (2007).
Particle size and composition distribution analysis of automotive brake abrasion
dusts for the evaluation of antimony sources of airborne particulate matter.
Atmospheric Environment, 41(23), 4908‑4919.
Ilacqua, V., Hänninen, O., Saarela, K., Katsouyanni, K., Künzli, N., & Jantunen, M.
(2007). Source apportionment of population representative samples of PM2. 5 in
three European cities using structural equation modelling. Science of the Total
Environment, 384(1‑3), 77‑92.
Imam, A., Mohammed, B., Wilson, D. C., & Cheeseman, C. R. (2008). Solid waste
management in Abuja, Nigeria. Waste management, 28(2), 468‑472.
Inchaouh, M., & Tahiri, P. M. (2017). Air pollution due to road transportation in
Morocco : Evolution and impacts. J. Multidiscip. Eng. Sci. Technol.(JMEST),
4(6).
INS. (2015). Consommation de carburants. . Accessed 06 Februray 2018.
http://www.ins.nat.tn/fr/ themes/energie
Isermann, K. (1990). Share of agriculture in nitrogen and phosphorus emissions into the
surface waters of Western Europe against the background of their eutrophication.
Fertilizer research, 26(1‑3), 253‑269.
Isichei, A. O., & Sanford, W. W. (1976). The effects of waste gas flares on the
surrounding vegetation in South-Eastern Nigeria. Journal of Applied Ecology,
177‑187.
Jain, S., Sharma, S. K., Mandal, T. K., & Saxena, M. (2018). Source apportionment of
PM10 in Delhi, India using PCA/APCS, UNMIX and PMF. Particuology, 37,
107‑118.
Jancsek-Turóczi, B., Hoffer, A., Nyír\Ho-Kósa, I., & Gelencsér, A. (2013). Sampling and
characterization of resuspended and respirable road dust. Journal of Aerosol
Science, 65, 69‑76.
Jang, H., & Kim, S. J. (2000). The effects of antimony trisulfide (Sb2S3) and zirconium
silicate (ZrSiO4) in the automotive brake friction material on friction
characteristics. Wear, 239(2), 229‑236.
171
Jeon, Y.-M., & Lee, M.-Y. (2016). Airborne nanoparticles (PM0. 1) induce autophagic
cell death of human neuronal cells. Journal of Applied Toxicology, 36(10),
1332‑1342.
Jeong, C.-H., Wang, J. M., & Evans, G. J. (2016). Source apportionment of urban
particulate matter using hourly resolved trace metals, organics, and inorganic
aerosol components.
Jeong, C.-H., Wang, J. M., Hilker, N., Debosz, J., Sofowote, U., Su, Y., Noble, M.,
Healy, R. M., Munoz, T., & Dabek-Zlotorzynska, E. (2019). Temporal and spatial
variability of traffic-related PM2. 5 sources : Comparison of exhaust and non-
exhaust emissions. Atmospheric Environment, 198, 55‑69.
Jerrett, M., Burnett, R. T., Ma, R., Pope III, C. A., Krewski, D., Newbold, K. B.,
Thurston, G., Shi, Y., Finkelstein, N., & Calle, E. E. (2005). Spatial analysis of air
pollution and mortality in Los Angeles. Epidemiology, 727‑736.
Johansson, C., Norman, M., & Gidhagen, L. (2007). Spatial & temporal variations of
PM10 and particle number concentrations in urban air. Environmental Monitoring
and Assessment, 127(1‑3), 477‑487.
Johnson, B. J., Huang, S. C., Lecave, M., & Porterfield, M. (1994). Seasonal trends of
nitric acid, particulate nitrate, and particulate sulfate concentrations at a
Southwestern US mountain site. Atmospheric Environment, 28(6), 1175‑1179.
Johnson, Guttikunda, S., Wells, G. J., Artaxo, P., Bond, T. C., Russell, A. G., Watson, J.
G., & West, J. (2011). Tools for improving air quality management : A review of
top-down source apportionment techniques and their application in developing
countries.
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis : A review and recent
developments. Philosophical Transactions of the Royal Society A: Mathematical,
Physical and Engineering Sciences, 374(2065), 20150202.
Juntto, S., & Paatero, P. (1994). Analysis of daily precipitation data by positive matrix
factorization. Environmetrics, 5(2), 127‑144.
Kaiser, J. W., Heil, A., Andreae, M. O., Benedetti, A., Chubarova, N., Jones, L.,
Morcrette, J.-J., Razinger, M., Schultz, M. G., & Suttie, M. (2012). Biomass
burning emissions estimated with a global fire assimilation system based on
observed fire radiative power. Biogeosciences, 9(1), 527.
Kakareka, S. V., & Kukharchyk, T. I. (2003). PAH emission from the open burning of
agricultural debris. Science of the total environment, 308(1‑3), 257‑261.
Kampa, M., & Castanas, E. (2008). Human health effects of air pollution. Environmental
pollution, 151(2), 362‑367.
Kang, X., CUI, L., ZHAO, X., LI, W., ZHANG, M., WEI, Y., LEI, Y., & MA, M.
(2015). Effect of wetlands on reducing atmospheric fine particles PM2. 5 in
Beijing. Chinese Journal of Ecology, 34(10), 2807.
172
Karagulian, F., & Belis, C. A. (2012). Enhancing source apportionment with receptor
models to foster the air quality directive implementation. International Journal of
Environment and Pollution, 50(1‑4), 190‑199.
Karagulian, F., Belis, C. A., Dora, C. F. C., Prüss-Ustün, A. M., Bonjour, S., Adair-
Rohani, H., & Amann, M. (2015). Contributions to cities’ ambient particulate
matter (PM) : A systematic review of local source contributions at global level.
Atmospheric environment, 120, 475‑483.
Karagulian, Van Dingenen, R., Belis, C. A., Janssens Maenhout, G., Crippa, M.,
Guizzardi, D., & Dentener, F. (2017). Attribution of anthropogenic PM2. 5 to
emission sources. JRC Technical Reports, EUR 28510 EN, https://doi.
org/10.2760/344371.
Karar, K., Gupta, A. K., Kumar, A., & Biswas, A. K. (2006). Characterization and
identification of the sources of chromium, zinc, lead, cadmium, nickel,
manganese and iron in PM 10 particulates at the two sites of Kolkata, India.
Environmental Monitoring and Assessment, 120(1), 347‑360.
Karjalainen, P., Timonen, H., Saukko, E., Kuuluvainen, H., Saarikoski, S., Aakko-Saksa,
P., Murtonen, T., Bloss, M., Dal Maso, M., Simonen, P., Ahlberg, E.,
Svenningsson, B., Brune, W. H., Hillamo, R., Keskinen, J., & Rönkkö, T. (2016).
Time-resolved characterization of primary particle emissions and secondary
particle formation from a modern gasoline passenger car. Atmospheric Chemistry
and Physics, 16(13), 8559‑8570. https://doi.org/10.5194/acp-16-8559-2016
Kasonde, J. M., & McLaughlin, C. P. (1992). Economic reality and health care in
developing countries : Experience in Zambia.Universal Publications.
Kassomenos, P. A., Vardoulakis, S., Chaloulakou, A., Paschalidou, A. K., Grivas, G.,
Borge, R., & Lumbreras, J. (2014). Study of PM10 and PM2. 5 levels in three
European cities : Analysis of intra and inter urban variations. Atmospheric
Environment, 87, 153‑163.
Kaufman, Y. J., Justice, C. O., Flynn, L. P., Kendall, J. D., Prins, E. M., Giglio, L., Ward,
D. E., Menzel, W. P., & Setzer, A. W. (1998). Potential global fire monitoring
from EOS-MODIS. Journal of Geophysical Research: Atmospheres, 103(D24),
32215‑32238.
Kazuhiro, H., Shogo, N., & Hiromi, I. (2014). Growth and Oxidation of Graphitic
Crystallites in Soot Particles within a Laminar Diffusion Flame.
Kenduiwo, J. K. (2014). Vehicle inventory report. http://erc.go.ke/images/ fs f/GFE
I/Vehicle%20 Inventory%20Report%204-4-14% 20revised1.pdf
Kennedy, & Gadd. (2003). Preliminary Examination of Organic Compounds present in
Tyres ... https://www.yumpu.com/en/document/view/27200581/preliminary-
examination-of-organic-compounds-present-in-tyres-
Khadidja, N., Maatoug, M., Lazreg, B., Heilmeier, H., & Kharytonov, M. (2019).
Quantification of mass concentrations aerosols PM2. 5 in primary schools. Case
173
study : Tiaret city (Algeria). Environmental Research, Engineering and
Management, 75(2), 47‑59.
Kim, Choi, G.-H., Kang, C.-H., Lee, J.-H., Kim, J. Y., Youn, Y. H., & Lee, S. R. (2003).
The chemical composition of fine and coarse particles in relation with the Asian
Dust events. Atmospheric Environment, 37(6), 753‑765.
Kim, E., & Hopke, P. K. (2004). Comparison between conditional probability function
and nonparametric regression for fine particle source directions. Atmospheric
Environment, 38(28), 4667‑4673.
Kim, E., Hopke, P. K., & Edgerton, E. S. (2003). Source identification of Atlanta aerosol
by positive matrix factorization. Journal of the Air & Waste Management
Association, 53(6), 731‑739.
Kim, E., Hopke, P. K., & Edgerton, E. S. (2004). Improving source identification of
Atlanta aerosol using temperature resolved carbon fractions in positive matrix
factorization. Atmospheric Environment, 38(20), 3349‑3362.
Kim, E., Hopke, P. K., Kenski, D. M., & Koerber, M. (2005). Sources of fine particles in
a rural midwestern US area. Environmental science & technology, 39(13),
4953‑4960.
Kim, & Henry, R. C. (1999). Extension of self-modeling curve resolution to mixtures of
more than three components : Part 2. Finding the complete solution.
Chemometrics and Intelligent Laboratory Systems, 49(1), 67‑77.
Kim, & Henry, R. C. (2000). Extension of self-modeling curve resolution to mixtures of
more than three components : Part 3. Atmospheric aerosol data simulation studies.
Chemometrics and Intelligent Laboratory Systems, 52(2), 145‑154.
Kim, Jahan, S. A., Kabir, E., & Brown, R. J. (2013). A review of airborne polycyclic
aromatic hydrocarbons (PAHs) and their human health effects. Environment
international, 60, 71‑80.
Kim, & Seinfeld, J. H. (1995). Atmospheric gas–aerosol equilibrium : III.
Thermodynamics of crustal elements Ca2+, K+, and Mg2+. Aerosol Science and
Technology, 22(1), 93‑110.
Kim, Teffera, S., & Zeldin, M. D. (2000). Characterization of PM25 and PM10 in the
South Coast air basin of Southern California : Part 1—spatial variations. Journal
of the Air & Waste Management Association, 50(12), 2034‑2044.
Kingombe, C. (2014). Africa’s rising middle class amid plenty and extreme poverty.
European Centre for Development Policy Management Discussion Paper, 167.
Kishcha, P., Nickovic, S., Starobinets, B., di Sarra, A., Udisti, R., Becagli, S., Sferlazzo,
D., Bommarito, C., & Alpert, P. (2011). Sea-salt aerosol forecasts compared with
daily measurements at the island of Lampedusa (Central Mediterranean).
Atmospheric Research, 100(1), 28‑35.
174
Klos, A., Rajfur, M., & Wac\lawek, M. (2011). Application of enrichment factor (EF) to
the interpretation of results from the biomonitoring studies. Ecol. Chem. Eng. S,
18, 171‑183.
Klose, M., Shao, Y., Karremann, M. K., & Fink, A. H. (2010). Sahel dust zone and
synoptic background. Geophysical Research Letters, 37(9).
KNBS. (2017). Ministry of planning. Republic of Kenya Economic Survey. International
Journal of Energy Technology and Policy; Inderscience Publishers Ltd.
www.cbs.go.ke
Koçak, Mustafa, Kubilay, N., & Mihalopoulos, N. (2004). Ionic composition of lower
tropospheric aerosols at a Northeastern Mediterranean site : Implications
regarding sources and long-range transport. Atmospheric Environment, 38(14),
2067‑2077.
Koçak, MUSTAFA, Theodosi, C., Zarmpas, P., Séguret, M. J. M., Herut, B., Kallos, G.,
Mihalopoulos, N., Kubilay, N., & Nimmo, M. (2012). Influence of mineral dust
transport on the chemical composition and physical properties of the Eastern
Mediterranean aerosol. Atmospheric environment, 57, 266‑277.
Kodgule, R., & Salvi, S. (2012). Exposure to biomass smoke as a cause for airway
disease in women and children. Current opinion in allergy and clinical
immunology, 12(1), 82‑90.
Kong, S., Ji, Y., Lu, B., Chen, L., Han, B., Li, Z., & Bai, Z. (2011). Characterization of
PM10 source profiles for fugitive dust in Fushun-a city famous for coal.
Atmospheric Environment, 45(30), 5351‑5365.
Kopanakis, I., Mammi-Galani, E., Pentari, D., Glytsos, T., & Lazaridis, M. (2018).
Ambient particulate matter concentration levels and their origin during dust event
episodes in the eastern Mediterranean. Aerosol Science and Engineering, 2(2),
61‑73.
Kristensen, I. A., & Olsen, J. (2006). Determinants of acute respiratory infections in
Soweto-a population-based birth cohort. South African Medical Journal, 96(7),
633‑640.
Krouse, H. R. (1977). Sulphur isotope abundance elucidate uptake of atmospheric
sulphur emissions by vegetation. Nature, 265(5589), 45‑46.
Kulmala, Markku, Vehkamäki, H., Petäjä, T., Dal Maso, M., Lauri, A., Kerminen, V.-M.,
Birmili, W., & McMurry, P. H. (2004). Formation and growth rates of ultrafine
atmospheric particles : A review of observations. Journal of Aerosol Science,
35(2), 143‑176.
Kulmala, Maso, Maso, M. D., Mäkelä, J. M., Pirjola, L., Väkevä, M., Aalto, P.,
Miikkulainen, P., Hämeri, K., & O’dowd, C. D. (2001). On the formation, growth
and composition of nucleation mode particles. Tellus B, 53(4), 479‑490.
Kulshrestha, A., Satsangi, P. G., Masih, J., & Taneja, A. (2009). Metal concentration of
PM2. 5 and PM10 particles and seasonal variations in urban and rural
175
environment of Agra, India. Science of the Total Environment, 407(24),
6196‑6204.
Kumar, A. V., Patil, R. S., & Nambi, K. S. V. (2001). Source apportionment of
suspended particulate matter at two traffic junctions in Mumbai, India.
Atmospheric Environment, 35(25), 4245‑4251.
Kupiainen, K. (2007). Road dust from pavement wear and traction sanding. Finnish
Environment Institute.
Lähde, T., Niemi, J. V., Kousa, A., Rönkkö, T., Karjalainen, P., Keskinen, J., Frey, A.,
Hillamo, R., & Pirjola, L. (2014). Mobile particle and NOx emission
characterization at helsinki downtown : Comparison of different traffic flow areas.
Aerosol and Air Quality Research, 14(5), 1372‑1382.
Lamarque, J.-F., Bond, T. C., Eyring, V., Granier, C., Heil, A., Klimont, Z., Lee, D.,
Liousse, C., Mieville, A., & Owen, B. (2010). Historical (1850–2000) gridded
anthropogenic and biomass burning emissions of reactive gases and aerosols :
Methodology and application.
Lamini, A., & Hacini, M. (2018). Geology and geochemistry of endoroique basin case of
Baghdad chott southern of Algeria. AIP Conference Proceedings, 1968(1),
020006.
Lammel, G., & Leip, A. (2005). Formation of Nitrate and Sulfate in the Plume of Berlin
(8 pp). Environmental Science and Pollution Research, 12(4), 213‑220.
Larsen, R. K., & Baker, J. E. (2003). Source apportionment of polycyclic aromatic
hydrocarbons in the urban atmosphere : A comparison of three methods.
Environmental Science & Technology, 37(9), 1873‑1881.
Lawrence, S., Sokhi, R., Ravindra, K., Mao, H., Prain, H. D., & Bull, I. D. (2013). Source
apportionment of traffic emissions of particulate matter using tunnel
measurements. Atmospheric environment, 77, 548‑557.
Le Tertre, A., Medina, S., Samoli, E., Forsberg, B., Michelozzi, P., Boumghar, A., Vonk,
J. M., Bellini, A., Atkinson, R., & Ayres, J. G. (2002). Short-term effects of
particulate air pollution on cardiovascular diseases in eight European cities.
Journal of Epidemiology & Community Health, 56(10), 773‑779.
Lee, Gent, J. F., Leaderer, B. P., & Koutrakis, P. (2011). Spatial and temporal variability
of fine particle composition and source types in five cities of Connecticut and
Massachusetts. Science of the total environment, 409(11), 2133‑2142.
Lee, H. S., & Kang, B.-W. (2001). Chemical characteristics of principal PM2. 5 species
in Chongju, South Korea. Atmospheric Environment, 35(4), 739‑746.
Lee, Liu, W., Wang, Y., Russell, A. G., & Edgerton, E. S. (2008). Source apportionment
of PM2. 5 : Comparing PMF and CMB results for four ambient monitoring sites
in the southeastern United States. Atmospheric Environment, 42(18), 4126‑4137.
Legret, M., & Pagotto, C. (1999). Evaluation of pollutant loadings in the runoff waters
from a major rural highway. Science of the Total Environment, 235(1‑3), 143‑150.
176
Lenschow, P., Abraham, H.-J., Kutzner, K., Lutz, M., Preuß, J.-D., & Reichenbächer, W.
(2001). Some ideas about the sources of PM10. Atmospheric Environment, 35,
S23‑S33.
Levy, J. I., Hammitt, J. K., & Spengler, J. D. (2000). Estimating the mortality impacts of
particulate matter : What can be learned from between-study variability?
Environmental health perspectives, 108(2), 109‑117.
Lewis, C. W., Norris, G. A., Conner, T. L., & Henry, R. C. (2003). Source apportionment
of Phoenix PM2. 5 aerosol with the Unmix receptor model. Journal of the Air &
Waste Management Association, 53(3), 325‑338.
Li, & Bai, Z. (2009). Characteristics of organic and elemental carbon in atmospheric fine
particles in Tianjin, China. Particuology, 7(6), 432‑437.
Li, R., Li, Z., Gao, W., Ding, W., Xu, Q., & Song, X. (2015). Diurnal, seasonal, and
spatial variation of PM2. 5 in Beijing. Science Bulletin, 60(3), 387‑395.
Li, Y. F., Zhang, Y. J., Cao, G. L., Liu, J. H., & Barrie, L. A. (1999). Distribution of
seasonal SO2 emissions from fuel combustion and industrial activities in Shanxi
province, China, with 1/6°$\times$ 1/4° longitude/latitude resolution.
Atmospheric Environment, 33(2), 257‑265.
Lin, Chen, S.-J., Huang, K.-L., Hwang, W.-I., Chang-Chien, G.-P., & Lin, W.-Y. (2005).
Characteristics of metals in nano/ultrafine/fine/coarse particles collected beside a
heavily trafficked road. Environmental Science & Technology, 39(21),
8113‑8122.
Lin, J. J., & Tai, H.-S. (2001). Concentrations and distributions of carbonaceous species
in ambient particles in Kaohsiung City, Taiwan. Atmospheric Environment,
35(15), 2627‑2636.
Lindgren, \AAsa. (1996). Asphalt wear and pollution transport. Science of the Total
Environment, 189, 281‑286.
Lingwall, J. W., & Christensen, W. F. (2007). Pollution source apportionment using a
priori information and positive matrix factorization. Chemometrics and Intelligent
Laboratory Systems, 87(2), 281‑294.
Liousse, C., & Galy-Lacaux, C. (2010). Urban pollution in West Africa. Meteorologie. 8
e serie, 8(71), 45‑49.
Lippmann, M., Ito, K., Hwang, J.-S., Maciejczyk, P., & Chen, L.-C. (2006).
Cardiovascular effects of nickel in ambient air. Environmental health
perspectives, 114(11), 1662‑1669.
Liu, T., Li, F., Jin, Z., & Yang, Y. (2018). Acidic leaching of potentially toxic metals
cadmium, cobalt, chromium, copper, nickel, lead, and zinc from two Zn smelting
slag materials incubated in an acidic soil. Environmental Pollution, 238, 359‑368.
Lobert, J. M., Keene, W. C., Logan, J. A., & Yevich, R. (1999). Global chlorine
emissions from biomass burning : Reactive chlorine emissions inventory. Journal
of Geophysical Research: Atmospheres, 104(D7), 8373‑8389.
177
Lodhi, A., Ghauri, B., Khan, M. R., Rahman, S., & Shafique, S. (2009). Particulate
matter (PM2. 5) concentration and source apportionment in Lahore. Journal of the
Brazilian Chemical Society, 20(10), 1811‑1820.
Lokorai, K., Ali-Khodja, H., Khardi, S., Bencharif-Madani, F., Naidja, L., & Bouziane,
M. (2021). Influence of mineral dust on the concentration and composition of
PM10 in the city of Constantine. Aeolian Research, 50, 100677.
Loring, D. H., Naes, K., Dahle, S., Matishov, G. G., & Illin, G. (1995). Arsenic, trace
metals, and organic micro contaminants in sediments from the Pechora Sea,
Russia. Marine Geology, 128(3‑4), 153‑167.
Lovei, M. (1996). Phasing out lead from gasoline : World-wide experience and policy
implications. Environment Department, the World Bank.
Lovei, M. (1998). Phasing out lead from gasoline : Worldwide experience and policy
implications (Vol. 397). World Bank Publications.
Lovejoy, E. R., Hanson, D. R., & Huey, L. G. (1996). Kinetics and products of the gas-
phase reaction of SO3 with water. The Journal of Physical Chemistry, 100(51),
19911‑19916.
Lyngsie, G., Awadzi, T., & Breuning-Madsen, H. (2011). Origin of Harmattan dust
settled in Northern Ghana—Long transported or local dust? Geoderma, 167,
351‑359.
Mahmoud, K. F., Alfaro, S. C., Favez, O., Wahab, M. A., & Sciare, J. (2008). Origin of
black carbon concentration peaks in Cairo (Egypt). Atmospheric Research,
89(1‑2), 161‑169.
Manousakas, M., Papaefthymiou, H., Diapouli, E., Migliori, A., Karydas, A. G.,
Bogdanovic-Radovic, I., & Eleftheriadis, K. (2017). Assessment of PM2. 5
sources and their corresponding level of uncertainty in a coastal urban area using
EPA PMF 5.0 enhanced diagnostics. Science of the Total Environment, 574,
155‑164.
Mansha, M., Ghauri, B., Rahman, S., & Amman, A. (2012). Characterization and source
apportionment of ambient air particulate matter (PM2. 5) in Karachi. Science of
the total environment, 425, 176‑183.
Mantas, E., Remoundaki, E., Halari, I., Kassomenos, P., Theodosi, C., Hatzikioseyian,
A., & Mihalopoulos, N. (2014). Mass closure and source apportionment of PM2.
5 by Positive Matrix Factorization analysis in urban Mediterranean environment.
Atmospheric environment, 94, 154‑163.
Marcazzan, G. M., Ceriani, M., Valli, G., & Vecchi, R. (2003). Source apportionment of
PM10 and PM2. 5 in Milan (Italy) using receptor modelling. Science of the Total
Environment, 317(1‑3), 137‑147.
Marenco, F., Bonasoni, P., Calzolari, F., Ceriani, M., Chiari, M., Cristofanelli, P.,
D’Alessandro, A., Fermo, P., Lucarelli, F., & Mazzei, F. (2006). Characterization
of atmospheric aerosols at Monte Cimone, Italy, during summer 2004 : Source
178
apportionment and transport mechanisms. Journal of Geophysical Research:
Atmospheres, 111(D24).
Marenco, Medale, J. C., & Prieur, S. (1990). Study of tropospheric ozone in the tropical
belt (Africa, America) from STRATOZ and TROPOZ campaigns. Atmospheric
Environment. Part A. General Topics, 24(11), 2823‑2834.
Mari, C. H., Reeves, C. E., Law, K. S., Ancellet, G., Andrés-Hernández, M. D., Barret,
B., Bechara, J., Borbon, A., Bouarar, I., & Cairo, F. (2011). Atmospheric
composition of West Africa : Highlights from the AMMA international program.
Atmospheric Science Letters, 12(1), 13‑18.
Marsham, J. H., Hobby, M., Allen, C. J. T., Banks, J. R., Bart, M., Brooks, B. J.,
Cavazos-Guerra, C., Engelstaedter, S., Gascoyne, M., & Lima, A. R. (2013).
Meteorology and dust in the central Sahara : Observations from Fennec supersite-
1 during the June 2011 Intensive Observation Period. Journal of Geophysical
Research: Atmospheres, 118(10), 4069‑4089.
Matassoni, L., Pratesi, G., Centioli, D., Cadoni, F., Malesani, P., Caricchia, A. M., &
di Bucchianico, A. D. M. (2009). Saharan dust episodes in Italy : Influence on PM
10 daily limit value (DLV) exceedances and the related synoptic. Journal of
Environmental Monitoring, 11(9), 1586‑1594.
Matthias-Maser, S., & Jaenicke, R. (1995). The size distribution of primary biological
aerosol particles with radii> 0.2 μm in an urban/rural influenced region.
Atmospheric Research, 39(4), 279‑286.
Maxim, L., & van der Sluijs, J. P. (2011). Quality in environmental science for policy :
Assessing uncertainty as a component of policy analysis. Environmental Science
& Policy, 14(4), 482‑492.
Mazzei, F., D’Alessandro, A., Lucarelli, F., Marenco, F., Nava, S., Prati, P., Valli, G., &
Vecchi, R. (2006). Elemental composition and source apportionment of
particulate matter near a steel plant in Genoa (Italy). Nuclear Instruments and
Methods in Physics Research Section B: Beam Interactions with Materials and
Atoms, 249(1‑2), 548‑551.
McKay, W. A., Garland, J. A., Livesley, D., Halliwell, C. M., & Walker, M. I. (1994).
The characteristics of the shore-line sea spray aerosol and the landward transfer of
radionuclides discharged to coastal sea water. Atmospheric Environment, 28(20),
3299‑3309.
McKenna Neuman, C., & Sanderson, S. (2008). Humidity control of particle emissions in
aeolian systems. Journal of Geophysical Research: Earth Surface, 113(F2).
Mead, M. I., Khan, M. A. H., White, I. R., Nickless, G., & Shallcross, D. E. (2008).
Methyl halide emission estimates from domestic biomass burning in Africa.
Atmospheric Environment, 42(21), 5241‑5250.
Mediavilla-Sahagún, A., & ApSimon, H. M. (2006). Urban scale integrated assessment
for London : Which emission reduction strategies are more effective in attaining
179
prescribed PM10 air quality standards by 2005? Environmental Modelling &
Software, 21(4), 501‑513.
Meland, B. R., & Boubel, R. W. (1966). A study of field burning under varying
environmental conditions. Journal of the Air Pollution Control Association, 16(9),
481‑484.
METL. (2015). Le METL en chiffres 2015. Springer. www.equipement.gov.ma/
Gouvernance/.../METL-en-chiffres-2015-Version-fr.pdf
Middleton, N. J., & Goudie, A. S. (2001). Saharan dust : Sources and trajectories.
Transactions of the Institute of British Geographers, 26(2), 165‑181.
Mijić, Z., Stojić, A., Perišić, M., Rajšić, S., Tasić, M., Radenković, M., & Joksić, J.
(2010). Seasonal variability and source apportionment of metals in the
atmospheric deposition in Belgrade. Atmospheric Environment, 44(30),
3630‑3637.
Miller, Friedlander, S. K., & Hidy, G. M. (1972). A chemical element balance for the
Pasadena aerosol. Journal of Colloid and Interface Science, 39(1), 165‑176.
Miller, J. H. (2005). Aromatic excimers : Evidence for polynuclear aromatic hydrocarbon
condensation in flames. Proceedings of the Combustion Institute, 30(1),
1381‑1388.
Mills, M. J., Toon, O. B., & Solomon, S. (1999). A 2D microphysical model of the polar
stratospheric CN layer. Geophysical research letters, 26(8), 1133‑1136.
Ministère du tranport. (2015). Parc des véhicules immatriculés (en série Tunisienne).
http://www.transport.tn/fr/terrestre/statistique
Mishra, V. (2003). Indoor air pollution from biomass combustion and acute respiratory
illness in preschool age children in Zimbabwe. International journal of
epidemiology, 32(5), 847‑853.
Mmari, A. G., Hassan, H. A., & Bencs, L. (2020). Daytime concentrations of minor and
trace elements in atmospheric aerosols at four sampling sites of Dar es Salaam,
Tanzania. AIR QUALITY ATMOSPHERE AND HEALTH.
Møberg, J. P., Esu, I. E., & Malgwi, W. B. (1991). Characteristics and constituent
composition of Harmattan dust falling in Northern Nigeria. Geoderma, 48(1‑2),
73‑81.
Morcillo, M., Chico, B., Mariaca, L., & Otero, E. (2000). Salinity in marine atmospheric
corrosion : Its dependence on the wind regime existing in the site. Corrosion
Science, 42(1), 91‑104.
Moreno, T., Querol, X., Alastuey, A., de la Rosa, J., de la Campa, A. M. S., Minguillón,
M., Pandolfi, M., González-Castanedo, Y., Monfort, E., & Gibbons, W. (2010).
Variations in vanadium, nickel and lanthanoid element concentrations in urban
air. Science of the Total Environment, 408(20), 4569‑4579.
Moreno, T., Querol, X., Alastuey, A., Minguillón, M. C., Pey, J., Rodriguez, S., Miró, J.
V., Felis, C., & Gibbons, W. (2007). Recreational atmospheric pollution
180
episodes : Inhalable metalliferous particles from firework displays. Atmospheric
Environment, 41(5), 913‑922.
Mraihi, R., ben Abdallah, K., & Abid, M. (2013). Road transport-related energy
consumption : Analysis of driving factors in Tunisia. Energy Policy, 62, 247‑253.
Mraihi, R., Harizi, R., Mraihi, T., & Bouzidi, M. T. (2015). Urban air pollution and urban
daily mobility in large Tunisia׳ s cities. Renewable and Sustainable Energy
Reviews, 43, 315‑320.
Munnik, V. (2007). Solidarity for environmental justice in Southern Africa. A report for
groundWork.
Murillo, J. H., Marin, J. F. R., Roman, S. R., Guerrero, V. H. B., Arias, D. S., Ramos, A.
C., Gonzalez, B. C., & Baumgardner, D. G. (2013). Temporal and spatial
variations in organic and elemental carbon concentrations in PM10/PM2. 5 in the
metropolitan area of Costa Rica, Central America. Atmospheric Pollution
Research, 4(1), 53‑63.
Naidja, L., Ali-Khodja, H., & Khardi, S. (2018). Sources and levels of particulate matter
in North African and Sub-Saharan cities : A literature review. Environmental
Science and Pollution Research, 25(13), 12303‑12328.
https://doi.org/10.1007/s11356-018-1715-x
Nakai, N., & Jensen, M. L. (1967). Sources of atmospheric sulfur compounds.
Geochemical Journal, 1(4), 199‑210.
Naré, H., & Kamté, F. (2017). International Council on Clean Transportation.
Nieder, R., Benbi, D. K., & Reichl, F. X. (2018). Soil-borne particles and their impact on
environment and human health. In Soil Components and Human Health (p.
99‑177). Springer.
Nielsen, H. (1974). Isotopic composition of the major contributors to atmospheric sulfur.
Tellus, 26(1‑2), 213‑221.
Nilsson, E. D., & Kulmala, M. (1998). The potential for atmospheric mixing processes to
enhance the binary nucleation rate. Journal of Geophysical Research:
Atmospheres, 103(D1), 1381‑1389.
Nolte, C. G., Schauer, J. J., Cass, G. R., & Simoneit, B. R. (1999). Highly polar organic
compounds present in meat smoke. Environmental science & technology, 33(19),
3313‑3316.
Norris, G. A., Duvall, R., Brown, S. G., & Bai, S. (2014). Positive Matrix Factorization
(PMF) 5.0 Fundamentals and User Guide Prepared for the US Environmental
Protection Agency. USEPA, Office Res Dev, Washington. DC.
Nriagu, J. O. (1979). Global inventory of natural and anthropogenic emissions of trace
metals to the atmosphere. Nature, 279(5712), 409‑411.
Nriagu, J. O. (1996). A history of global metal pollution. Science, 272(5259), 223‑223.
Nriagu, J. O., & Coker, R. D. (1978). Isotopic composition of sulphur in atmospheric
precipitation around Sudbury, Ontario. Nature, 274(5674), 883‑885.
181
Ntziachristos, L., Ning, Z., Geller, M. D., Sheesley, R. J., Schauer, J. J., & Sioutas, C.
(2007). Fine, ultrafine and nanoparticle trace element compositions near a major
freeway with a high heavy-duty diesel fraction. Atmospheric Environment,
41(27), 5684‑5696.
Oberdörster, G., Oberdörster, E., & Oberdörster, J. (2005). Nanotoxicology : An
Emerging Discipline Evolving from Studies of Ultrafine Particles. Environmental
Health Perspectives, 113(7), 823‑839. https://doi.org/10.1289/ehp.7339
Obioh, I. B., Ezeh, G. C., Abiye, O. E., Alpha, A., Ojo, E. O., & Ganiyu, A. K. (2013).
Atmospheric particulate matter in Nigerian megacities. Toxicological &
Environmental Chemistry, 95(3), 379‑385.
OECD, I. (2016). Energy and Air Pollution : World Energy Outlook Special Report 2016.
Ogulei, D., Hopke, P. K., Zhou, L., Paatero, P., Park, S. S., & Ondov, J. M. (2005).
Receptor modeling for multiple time resolved species : The Baltimore supersite.
Atmospheric Environment, 39(20), 3751‑3762.
OICA. (2014). World vehicles in use all vehicles Africa. Atmospheric environment.
http:// www.oicanet/category/vehicles-in-use
Oluyemi & Asubiojo. (2001). Ambient air particulate matter in Lagos, Nigeria : A study
using receptor modeling with X-ray fluorescence analysis. Bull Chem Soc Ethiop
15(2):97–108.
OMS (Éd.). (2000). Air quality guidelines for Europe (2nd ed). World Health
Organization, Regional Office for Europe.
OMS. (2014). 7 million premature deaths annually linked to air pollution. World Health
Organization.
OMS. (2016a). Burning opportunity : Clean household energy for health, sustainable
development, and wellbeing of women and children. World Health Organization.
OMS. (2016b). WHO releases country estimates on air pollution exposure and health
impact. https://www.who.int/news/item/27-09-2016-who-releases-country-
estimates-on-air-pollution-exposure-and-health-impact
Omstedt, G., Bringfelt, B., & Johansson, C. (2005). A model for vehicle-induced non-
tailpipe emissions of particles along Swedish roads. Atmospheric Environment,
39(33), 6088‑6097.
ONS. (2011). Armature urbaine (RGPH 2008) : Les principaux résultats de l’exploitation
exhaustive, Alger. Connaissances et Savoirs.
ONS. (2017). Parc national automobile, n° 790.. http://www.ons.dz/-Au31-12-2016-.htm
ONU. (2014). Environmental performance reviews, Morocco. https://
www.unece.org/fileadmin/DAM/env/epr/epr_studies/ECE_CEP_ 170_En.pdf
Orozco-Levi, M., Garcia-Aymerich, J., Villar, J., Ramirez-Sarmiento, A., Anto, J. M., &
Gea, J. (2006). Wood smoke exposure and risk of chronic obstructive pulmonary
disease. European Respiratory Journal, 27(3), 542‑546.
182
Ostro, B., Sanchez, J. M., Aranda, C., & Eskeland, G. S. (1996). Air pollution and
mortality : Results from a study of Santiago, Chile. Journal of exposure analysis
and environmental epidemiology, 6(1), 97.
Oucher, N., Kerbachi, R., Ghezloun, A., & Merabet, H. (2015). Magnitude of air
pollution by heavy metals associated with aerosols particles in Algiers. Energy
Procedia, 74, 51‑58.
Ouedraogo, N. S. (2017). Africa energy future : Alternative scenarios and their
implications for sustainable development strategies. Energy Policy, 106, 457‑471.
Owoade, Hopke, P. K., Olise, F. S., Ogundele, L. T., Fawole, O. G., Olaniyi, B. H.,
Jegede, O. O., Ayoola, M. A., & Bashiru, M. I. (2015). Chemical compositions
and source identification of particulate matter (PM2. 5 and PM2. 5–10) from a
scrap iron and steel smelting industry along the Ife–Ibadan highway, Nigeria.
Atmospheric Pollution Research, 6(1), 107‑119.
Owoade, O. K., Fawole, O. G., Olise, F. S., Ogundele, L. T., Olaniyi, H. B., Almeida, M.
S., Ho, M.-D., & Hopke, P. K. (2013). Characterization and source identification
of airborne particulate loadings at receptor site-classes of Lagos Mega-City,
Nigeria. Journal of the Air & Waste Management Association, 63(9), 1026‑1035.
Ozaki, H., Watanabe, I., & Kuno, K. (2004). Investigation of the heavy metal sources in
relation to automobiles. Water, Air, and Soil Pollution, 157(1), 209‑223.
Öztürk, M., Özözen, G., Minareci, O., & Minareci, E. (2009). Determination of heavy
metals in fish, water and sediments of Avsar Dam Lake in Turkey. Journal of
Environmental Health Science & Engineering, 6(2), 73‑80.
Paatero, P. (1999). The multilinear engine—A table-driven, least squares program for
solving multilinear problems, including the n-way parallel factor analysis model.
Journal of Computational and Graphical Statistics, 8(4), 854‑888.
Paatero, P. (2010). User’s guide for positive matrix factorization programs PMF2 and
PMF3, part 1 : Tutorial.
https://scholar.google.com/scholar_lookup?title=User%27s%20Guide%20for%20
Positive%20Matrix%20Factorization%20Programs%20PMF2%20and%20PMF3
%2C%20Part%201%3A%20Tutorial&author=P.%20Paatero&publication_year=2
010
Paatero, P., & Hopke, P. K. (2003). Discarding or downweighting high-noise variables in
factor analytic models. Analytica Chimica Acta, 490(1‑2), 277‑289.
Paatero, P., & Tapper, U. (1993). Analysis of different modes of factor analysis as least
squares fit problems. Chemometrics and Intelligent Laboratory Systems, 18(2),
183‑194.
Paatero, P., & Tapper, U. (1994). Positive matrix factorization : A non-negative factor
model with optimal utilization of error estimates of data values. Environmetrics,
5(2), 111‑126.
Pacyna, J. M. (1986). In JO Nriagu & CI Davidson. Toxic metals in the atmosphere.
183
Pacyna, & Pacyna, E. G. (2001). An assessment of global and regional emissions of trace
metals to the atmosphere from anthropogenic sources worldwide. Environmental
reviews, 9(4), 269‑298.
Pakkanen, T. A., Kerminen, V.-M., Korhonen, C. H., Hillamo, R. E., Aarnio, P.,
Koskentalo, T., & Maenhaut, W. (2001). Urban and rural ultrafine (PM0. 1)
particles in the Helsinki area. Atmospheric Environment, 35(27), 4593‑4607.
Pandis, S. N., Wexler, A. S., & Seinfeld, J. H. (1995). Dynamics of tropospheric aerosols.
The Journal of Physical Chemistry, 99(24), 9646‑9659.
Pankow, J. F. (1994). An absorption model of the gas/aerosol partitioning involved in the
formation of secondary organic aerosol.
Pant, P., & Harrison, R. M. (2012). Critical review of receptor modelling for particulate
matter : A case study of India. Atmospheric Environment, 49, 1‑12.
Pant, P., & Harrison, R. M. (2013). Estimation of the contribution of road traffic
emissions to particulate matter concentrations from field measurements : A
review. Atmospheric environment, 77, 78‑97.
Pant, P., Shi, Z., Pope, F. D., & Harrison, R. M. (2017). Characterization of traffic-related
particulate matter emissions in a road tunnel in Birmingham, UK : Trace metals
and organic molecular markers. Aerosol and Air Quality Research, 17(1),
117‑130.
Panyacosit, L. (2000). A review of particulate matter and health : Focus on developing
countries. International Institute for Applied Systems Analysis IR-00-005.
Park, Kim, Y. J., & Fung, K. (2002). PM2. 5 carbon measurements in two urban areas :
Seoul and Kwangju, Korea. Atmospheric Environment, 36(8), 1287‑1297.
Park, Sim, S. Y., Bae, M.-S., & Schauer, J. J. (2013). Size distribution of water-soluble
components in particulate matter emitted from biomass burning. Atmospheric
Environment, 73, 62‑72.
Patel, M., Ricardo, C. L. A., Scardi, P., & Aswath, P. B. (2012). Morphology, structure
and chemistry of extracted diesel soot—Part I : Transmission electron
microscopy, Raman spectroscopy, X-ray photoelectron spectroscopy and
synchrotron X-ray diffraction study. Tribology International, 52, 29‑39.
Pearson, K. (1901). Principal components analysis. The London, Edinburgh, and Dublin
Philosophical Magazine and Journal of Science, 6(2), 559.
Pekney, N. J., Davidson, C. I., Zhou, L., & Hopke, P. K. (2006). Application of PSCF
and CPF to PMF-modeled sources of PM2. 5 in Pittsburgh. Aerosol Science and
Technology, 40(10), 952‑961.
Pérez, N., Pey, J., Querol, X., Alastuey, A., López, J. M., & Viana, M. (2008).
Partitioning of major and trace components in PM10–PM2. 5–PM1 at an urban
site in Southern Europe. Atmospheric Environment, 42(8), 1677‑1691.
Pernigotti, D., Belis, C. A., & Spano, L. (2016). SPECIEUROPE : The European data
base for PM source profiles. Atmospheric Pollution Research, 7(2), 307‑314.
184
Perry, K. D., Cahill, T. A., Eldred, R. A., Dutcher, D. D., & Gill, T. E. (1997). Long-
range transport of North African dust to the eastern United States. Journal of
Geophysical Research: Atmospheres, 102(D10), 11225‑11238.
Pey, J., Alastuey, A., & Querol, X. (2013). PM10 and PM2. 5 sources at an insular
location in the western Mediterranean by using source apportionment techniques.
Science of the total environment, 456, 267‑277.
Pey, J., Querol, X., Alastuey, A., Rodríguez, S., Putaud, J. P., & Van Dingenen, R.
(2009). Source apportionment of urban fine and ultra-fine particle number
concentration in a Western Mediterranean city. Atmospheric Environment, 43(29),
4407‑4415.
Pietrek, H. (1981). Saharan dust transport over the North Atlantic Ocean. Desert Dust:
Origin, Characteristics, and Effect on Man, 186, 87.
Pio, C., Cerqueira, M., Harrison, R. M., Nunes, T., Mirante, F., Alves, C., Oliveira, C., de
la Campa, A. S., Artíñano, B., & Matos, M. (2011). OC/EC ratio observations in
Europe : Re-thinking the approach for apportionment between primary and
secondary organic carbon. Atmospheric Environment, 45(34), 6121‑6132.
Pirjola, L., Lähde, T., Niemi, J. V., Kousa, A., Rönkkö, T., Karjalainen, P., Keskinen, J.,
Frey, A., & Hillamo, R. (2012). Spatial and temporal characterization of traffic
emissions in urban microenvironments with a mobile laboratory. Atmospheric
Environment, 63, 156‑167. https://doi.org/10.1016/j.atmosenv.2012.09.022
Pirrone, N., Cinnirella, S., Feng, X., Finkelman, R. B., Friedli, H. R., Leaner, J., Mason,
R., Mukherjee, A. B., Stracher, G. B., & Streets, D. G. (2010). Global mercury
emissions to the atmosphere from anthropogenic and natural sources. Atmospheric
Chemistry & Physics, 10(13).
Poirot, R. L., Wishinski, P. R., Hopke, P. K., & Polissar, A. V. (2001). Comparative
application of multiple receptor methods to identify aerosol sources in northern
Vermont. Environmental science & technology, 35(23), 4622‑4636.
Polichetti, G., Cocco, S., Spinali, A., Trimarco, V., & Nunziata, A. (2009). Effects of
particulate matter (PM10, PM2. 5 and PM1) on the cardiovascular system.
Toxicology, 261(1‑2), 1‑8.
Polissar, A. V., Hopke, P. K., Paatero, P., Malm, W. C., & Sisler, J. F. (1998).
Atmospheric aerosol over Alaska : 2. Elemental composition and sources. Journal
of Geophysical Research: Atmospheres, 103(D15), 19045‑19057.
Pope, C. A., Thun, M. J., Namboodiri, M. M., Dockery, D. W., Evans, J. S., Speizer, F.
E., & Heath, C. W. (1995). Particulate air pollution as a predictor of mortality in a
prospective study of US adults. American journal of respiratory and critical care
medicine, 151(3), 669‑674.
Pope III, C. A., & Dockery, D. W. (1999). Epidemiology of particle effects. In Air
pollution and health (p. 673‑705). Elsevier.
185
Pope III, C. A., & Dockery, D. W. (2006). Health effects of fine particulate air pollution :
Lines that connect. Journal of the air & waste management association, 56(6),
709‑742.
Popovic, D., Todorovic, D., Frontasyeva, M., Ajtic, J., Tasic, M., & Rajsic, S. (2008).
Radionuclides and heavy metals in Borovac, Southern Serbia. Environmental
Science and Pollution Research, 15(6), 509‑520.
Prati, P., Zucchiatti, A., Lucarelli, F., & Mando, P. A. (2000). Source apportionment near
a steel plant in Genoa (Italy) by continuous aerosol sampling and PIXE analysis.
Atmospheric Environment, 34(19), 3149‑3157.
Prospero, J. M. (1999). Assessing the impact of advected African dust on air quality and
health in the eastern United States. Human and Ecological Risk Assessment: An
International Journal, 5(3), 471‑479.
Prospero, J. M., Ginoux, P., Torres, O., Nicholson, S. E., & Gill, T. E. (2002).
Environmental characterization of global sources of atmospheric soil dust
identified with the Nimbus 7 Total Ozone Mapping Spectrometer (TOMS)
absorbing aerosol product. Reviews of geophysics, 40(1), 2‑1.
Pumure, I., Sithole, S. D., & Kahwai, S. G. T. (2003). Characterisation of particulate
matter emissions from the Zimbabwe Mining and Smelting Company
(ZIMASCO) Kwekwe Division (Zimbabwe) : A ferrochrome smelter.
Environmental monitoring and assessment, 87(2), 111‑121.
Putaud, J.-P., Belviso, S., Nguyen, B. C., & Mihalopoulos, N. (1993). Dimethylsulfide,
aerosols, and condensation nuclei over the tropical northeastern Atlantic Ocean.
Journal of Geophysical Research: Atmospheres, 98(D8), 14863‑14871.
Quackenboss, J. J., Lebowitz, M. D., & Crutchfield, C. D. (1989). Indoor-outdoor
relationships for particulate matter : Exposure classifications and health effects.
Environment International, 15(1‑6), 353‑360.
Querol, X., Alastuey, A., de la Rosa, J., Sánchez-de-la-Campa, A., Plana, F., & Ruiz, C.
R. (2002). Source apportionment analysis of atmospheric particulates in an
industrialised urban site in southwestern Spain. Atmospheric Environment,
36(19), 3113‑3125.
Querol, X., Alastuey, A., Moreno, T., Viana, M. M., Castillo, S., Pey, J., Rodríguez, S.,
Artiñano, B., Salvador, P., & Sánchez, M. (2008). Spatial and temporal variations
in airborne particulate matter (PM10 and PM2. 5) across Spain 1999–2005.
Atmospheric Environment, 42(17), 3964‑3979.
Querol, X., Alastuey, A., Ruiz, C. R., Artiñano, B., Hansson, H. C., Harrison, R. M.,
Buringh, E. ten, Ten Brink, H. M., Lutz, M., & Bruckmann, P. (2004). Speciation
and origin of PM10 and PM2. 5 in selected European cities. Atmospheric
Environment, 38(38), 6547‑6555.
186
Querol, X., Perez, N., Reche, C., Ealo, M., Ripoll, A., Tur, J., Pandolfi, M., Pey, J.,
Salvador, P., & Moreno, T. (2019). African dust and air quality over Spain : Is it
only dust that matters? Science of the Total Environment, 686, 737‑752.
Rallis, T. (1988). City Transport Future. In CITY TRANSPORT in Developed and
Developing Countries (p. 141‑180). Springer.
Ravi, S., D’Odorico, P., Over, T. M., & Zobeck, T. M. (2004). On the effect of air
humidity on soil susceptibility to wind erosion : The case of air-dry soils.
Geophysical Research Letters, 31(9).
Ravindra, K., Sokhi, R., & Van Grieken, R. (2008). Atmospheric polycyclic aromatic
hydrocarbons : Source attribution, emission factors and regulation. Atmospheric
Environment, 42(13), 2895‑2921.
Reddington, C. L., Carslaw, K. S., Spracklen, D. V., Frontoso, M. G., Collins, L.,
Merikanto, J., Minikin, A., Hamburger, T., Coe, H., Kulmala, M., Aalto, P.,
Flentje, H., Plass-Dülmer, C., Birmili, W., Wiedensohler, A., Wehner, B., Tuch,
T., Sonntag, A., O’Dowd, C. D., … Duchi, R. (2011). Primary versus secondary
contributions to particle number concentrations in the European boundary layer.
Atmospheric Chemistry and Physics, 11, 12007‑12036.
https://doi.org/10.5194/acp-11-12007-2011
Reff, A., Eberly, S. I., & Bhave, P. V. (2007). Receptor modeling of ambient particulate
matter data using positive matrix factorization : Review of existing methods.
Journal of the Air & Waste Management Association, 57(2), 146‑154.
Reid, J. S., Koppmann, R., Eck, T. F., & Eleuterio, D. P. (2005). A review of biomass
burning emissions part II : Intensive physical properties of biomass burning
particles. Atmospheric Chemistry and Physics, 5(3), 799‑825.
Reimann, C., & Caritat, P. de. (2000). Intrinsic flaws of element enrichment factors (EFs)
in environmental geochemistry. Environmental Science & Technology, 34(24),
5084‑5091.
Reisinger, P., Wonaschütz, A., Hitzenberger, R., Petzold, A., Bauer, H., Jankowski, N.,
Puxbaum, H., Chi, X., & Maenhaut, W. (2008). Intercomparison of measurement
techniques for black or elemental carbon under urban background conditions in
wintertime : Influence of biomass combustion. Environmental science &
technology, 42(3), 884‑889.
Riediker, M., Williams, R., Devlin, R., Griggs, T., & Bromberg, P. (2003). Exposure to
particulate matter, volatile organic compounds, and other air pollutants inside
patrol cars. Environmental science & technology, 37(10), 2084‑2093.
Rissler, J., Messing, M. E., Malik, A. I., Nilsson, P. T., Nordin, E. Z., Bohgard, M.,
Sanati, M., & Pagels, J. H. (2013). Effective density characterization of soot
agglomerates from various sources and comparison to aggregation theory. Aerosol
Science and Technology, 47(7), 792‑805.
187
Rizzo, M. J., & Scheff, P. A. (2007). Fine particulate source apportionment using data
from the USEPA speciation trends network in Chicago, Illinois : Comparison of
two source apportionment models. Atmospheric Environment, 41(29), 6276‑6288.
Roberts, A., & Knippertz, P. (2012). Haboobs : Convectively generated dust storms in
West Africa. Weather, 67(12), 311‑316.
Robertson, G. P. (1997). Nitrogen use efficiency in row-crop agriculture : Crop nitrogen
use and soil nitrogen loss. Ecology in agriculture, 3.
Robinson, A. L., Donahue, N. M., Shrivastava, M. K., Weitkamp, E. A., Sage, A. M.,
Grieshop, A. P., Lane, T. E., Pierce, J. R., & Pandis, S. N. (2007). Rethinking
organic aerosols : Semivolatile emissions and photochemical aging. Science,
315(5816), 1259‑1262.
Rodhe, H., & Herrera, R. (1988). Acidification in tropical countries.
Rogula-Koz\lowska, W., Klejnowski, K., Rogula-Kopiec, P., Ośródka, L., Krajny, E.,
B\laszczak, B., & Mathews, B. (2014). Spatial and seasonal variability of the
mass concentration and chemical composition of PM 2.5 in Poland. Air Quality,
Atmosphere & Health, 7(1), 41‑58.
Roth, C. M., Goss, K.-U., & Schwarzenbach, R. P. (2005). Sorption of a diverse set of
organic vapors to diesel soot and road tunnel aerosols. Environmental science &
technology, 39(17), 6632‑6637.
Ruhl, L. S., Dwyer, G. S., Hsu-Kim, H., Hower, J. C., & Vengosh, A. (2014). Boron and
strontium isotopic characterization of coal combustion residuals : Validation of
new environmental tracers. Environmental science & technology, 48(24),
14790‑14798.
Ruhl, Vengosh, A., Dwyer, G. S., Hsu-Kim, H., & Deonarine, A. (2010). Environmental
impacts of the coal ash spill in Kingston, Tennessee : An 18-month survey.
Environmental science & technology, 44(24), 9272‑9278.
Sabin, L. D., Lim, J. H., Venezia, M. T., Winer, A. M., Schiff, K. C., & Stolzenbach, K.
D. (2006). Dry deposition and resuspension of particle-associated metals near a
freeway in Los Angeles. Atmospheric Environment, 40(39), 7528‑7538.
Safar, Z. S., & Labib, M. W. (2010). Assessment of particulate matter and lead levels in
the Greater Cairo area for the period 1998–2007. Journal of advanced research,
1(1), 53‑63.
Salim, I., Sajjad, R. U., Paule-Mercado, Ma. C., Memon, S. A., Lee, B.-Y., Sukhbaatar,
C., & Lee, C.-H. (2019). Comparison of two receptor models PCA-MLR and
PMF for source identification and apportionment of pollution carried by runoff
from catchment and sub-watershed areas with mixed land cover in South Korea.
Science of The Total Environment, 663, 764‑775.
https://doi.org/10.1016/j.scitotenv.2019.01.377
188
Salminen, R., Batista, M. J., Bidovec, M., Demetriades, A., De Vivo, B., De Vos, W.,
Duris, M., Gilucis, A., Gregorauskiene, V., & Halamić, J. (2005). Geochemical
atlas of Europe, part 1, background information, methodology and maps.
Samet, J. M., & Cohen, A. J. (1999). Air pollution and lung cancer. In Air pollution and
health (p. 841‑864). Elsevier.
Samet, J. M., Zeger, S. L., Dominici, F., Curriero, F., Coursac, I., Dockery, D. W.,
Schwartz, J., & Zanobetti, A. (2000). The national morbidity, mortality, and air
pollution study. Part II: morbidity and mortality from air pollution in the United
States Res Rep Health Eff Inst, 94(pt 2), 5‑79.
Sanhueza, E., Santana, M., & Hermoso, M. (1992). Gas-and aqueous-phase formic and
acetic acids at a tropical cloud forest site. Atmospheric Environment. Part A.
General Topics, 26(8), 1421‑1426.
Saradhi, I. V., Prathibha, P., Hopke, P. K., Pandit, G. G., & Puranik, V. D. (2008). Source
apportionment of coarse and fine particulate matter at Navi Mumbai, India.
Aerosol and Air Quality Research, 8(4), 423‑436.
Sarwar, G., Fahey, K., Kwok, R., Gilliam, R. C., Roselle, S. J., Mathur, R., Xue, J., Yu,
J., & Carter, W. P. (2013). Potential impacts of two SO2 oxidation pathways on
regional sulfate concentrations : Aqueous-phase oxidation by NO2 and gas-phase
oxidation by Stabilized Criegee Intermediates. Atmospheric Environment, 68,
186‑197.
Savoie, D. L., & Prospero, J. M. (1980). Water-soluble potassium, calcium, and
magnesium in the aerosols over the tropical North Atlantic. Journal of
Geophysical Research: Oceans, 85(C1), 385‑392.
Saxena, P., & Seigneur, C. (1987). On the oxidation of SO2 to sulfate in atmospheric
aerosols. Atmospheric Environment (1967), 21(4), 807‑812.
Scarlat, N., Motola, V., Dallemand, J. F., Monforti-Ferrario, F., & Mofor, L. (2015).
Evaluation of energy potential of municipal solid waste from African urban areas.
Renewable and Sustainable Energy Reviews, 50, 1269‑1286.
Scerri, M. M., Genga, A., Iacobellis, S., Delmaire, G., Giove, A., Siciliano, M., Siciliano,
T., & Weinbruch, S. (2019). Investigating the plausibility of a PMF source
apportionment solution derived using a small dataset : A case study from a
receptor in a rural site in Apulia-South East Italy. Chemosphere, 236, 124376.
Schauer, J. J. (2003). Evaluation of elemental carbon as a marker for diesel particulate
matter. Journal of Exposure Science & Environmental Epidemiology, 13(6),
443‑453.
Schauer, J. J., Rogge, W. F., Hildemann, L. M., Mazurek, M. A., Cass, G. R., &
Simoneit, B. R. (1996). Source apportionment of airborne particulate matter using
organic compounds as tracers. Atmospheric Environment, 30(22), 3837‑3855.
Schleicher, N., Norra, S., Chai, F., Chen, Y., Wang, S., & Stüben, D. (2010).
Anthropogenic versus geogenic contribution to total suspended atmospheric
189
particulate matter and its variations during a two-year sampling period in Beijing,
China. Journal of Environmental Monitoring, 12(2), 434‑441.
Schlesinger, R. B. (2007). The health impact of common inorganic components of fine
particulate matter (PM2. 5) in ambient air : A critical review. Inhalation
toxicology, 19(10), 811‑832.
Scholes, R. J., Ward, D. E., & Justice, C. O. (1996). Emissions of trace gases and aerosol
particles due to vegetation burning in southern hemisphere Africa. Journal of
Geophysical Research: Atmospheres, 101(D19), 23677‑23682.
Schwartz, J. (1994). Societal benefits of reducing lead exposure. Environmental
Research, 66(1), 105‑124.
Scorgie, Y., Kneen, M. A., Annegarn, H. J., & Burger, L. W. (2003). Air pollution in the
Vaal Triangle-quantifying source contributions and identifying cost-effective
solutions. Clean Air Journal= Tydskrif vir Skoon Lug, 13(2), 5‑18.
Seigneur, C., & Saxena, P. (1988). A theoretical investigation of sulfate formation in
clouds. Atmospheric Environment (1967), 22(1), 101‑115.
Seinfeld, J. H., & Pandis, S. N. (2016). Atmospheric Chemistry and Physics : From Air
Pollution to Climate Change. John Wiley & Sons.
Serbula, S. M., Ilic, A. A., Kalinovic, J. V., Kalinovic, T. S., & Petrovic, N. B. (2014).
Assessment of air pollution originating from copper smelter in Bor (Serbia).
Environmental earth sciences, 71(4), 1651‑1661.
Shahbazi, H., Taghvaee, S., Hosseini, V., & Afshin, H. (2016). A GIS based emission
inventory development for Tehran. Urban Climate, 17, 216‑229.
Sharma, S. K., Mandal, T. K., Jain, S., Sharma, A., & Saxena, M. (2016). Source
apportionment of PM 2.5 in Delhi, India using PMF model. Bulletin of
environmental contamination and toxicology, 97(2), 286‑293.
Sharma, S. K., Mandal, T. K., Saxena, M., Sharma, A., & Gautam, R. (2014). Source
apportionment of PM10 by using positive matrix factorization at an urban site of
Delhi, India. Urban climate, 10, 656‑670.
Shen, Sun, J., Cao, J., Zhang, L., Zhang, Q., Lei, Y., Gao, J., Huang, R.-J., Liu, S., &
Huang, Y. (2016). Chemical profiles of urban fugitive dust PM2. 5 samples in
Northern Chinese cities. Science of the Total Environment, 569, 619‑626.
Shen, Z. X., Cao, J. J., Arimoto, R., Zhang, R. J., Jie, D. M., Liu, S. X., & Zhu, C. S.
(2007). Chemical composition and source characterization of spring aerosol over
Horqin sand land in northeastern China. Journal of Geophysical Research:
Atmospheres, 112(D14).
Sherwen, T., Schmidt, J. A., Evans, M. J., Carpenter, L. J., Großmann, K., Eastham, S.
D., Jacob, D. J., Dix, B., Koenig, T. K., & Sinreich, R. (2016). Global impacts of
tropospheric halogens (Cl, Br, I) on oxidants and composition in GEOS-Chem.
Shrivastava, M. K., Subramanian, R., Rogge, W. F., & Robinson, A. L. (2007). Sources
of organic aerosol : Positive matrix factorization of molecular marker data and
190
comparison of results from different source apportionment models. Atmospheric
Environment, 41(40), 9353‑9369.
Sievering, H., Gorman, E., Ley, T., Pszenny, A., Springer-Young, M., Boatman, J., Kim,
Y., Nagamoto, C., & Wellman, D. (1995). Ozone oxidation of sulfur in sea-salt
aerosol particles during the Azores Marine Aerosol and Gas Exchange
experiment. Journal of Geophysical Research: Atmospheres, 100(D11),
23075‑23081.
Simoneit, B. R. (1984). Organic matter of the troposphere—III. Characterization and
sources of petroleum and pyrogenic residues in aerosols over the western United
States. Atmospheric Environment (1967), 18(1), 51‑67.
Simoneit, B. R. (1985). Application of molecular marker analysis to vehicular exhaust for
source reconciliations. International Journal of Environmental Analytical
Chemistry, 22(3‑4), 203‑232.
Simoneit, B. R. (2002). Biomass burning—A review of organic tracers for smoke from
incomplete combustion. Applied Geochemistry, 17(3), 129‑162.
Simoneit, B. R., Schauer, J. J., Nolte, C. G., Oros, D. R., Elias, V. O., Fraser, M. P.,
Rogge, W. F., & Cass, G. R. (1999). Levoglucosan, a tracer for cellulose in
biomass burning and atmospheric particles. Atmospheric Environment, 33(2),
173‑182.
Simoni, M., Baldacci, S., Maio, S., Cerrai, S., Sarno, G., & Viegi, G. (2015). Adverse
effects of outdoor pollution in the elderly. Journal of thoracic disease, 7(1), 34.
Simorangkir, D. (2007). Fire use : Is it really the cheaper land preparation method for
large-scale plantations? Mitigation and adaptation strategies for global change,
12(1), 147‑164.
Sinex, S. A., & Wright, D. A. (1988). Distribution of trace metals in the sediments and
biota of Chesapeake Bay. Marine Pollution Bulletin, 19(9), 425‑431.
Singh, N., Murari, V., Kumar, M., Barman, S. C., & Banerjee, T. (2017). Fine
particulates over South Asia : Review and meta-analysis of PM2. 5 source
apportionment through receptor model. Environmental Pollution, 223, 121‑136.
Skeaff, J. M., & Dubreuil, A. A. (1997). Calculated 1993 emission factors of trace metals
for Canadian non-ferrous smelters. Atmospheric Environment, 31(10), 1449‑1457.
Skillas, G., Qian, Z., Baltensperger, U., Matter, U., & Burtscher, H. (2000). The influence
of additives on the size distribution and composition of particles produced by
diesel engines. Combustion science and Technology, 154(1), 259‑273.
Smith, K. R. (1993). Fuel combustion, air pollution exposure, and health : The situation
in developing countries. Annual Review of Energy and the Environment, 18(1),
529‑566.
Smith, K. R., Samet, J. M., Romieu, I., & Bruce, N. (2000). Indoor air pollution in
developing countries and acute lower respiratory infections in children. Thorax,
55(6), 518‑532.
191
Smolders, E., & Degryse, F. (2002). Fate and effect of zinc from tire debris in soil.
Environmental science & technology, 36(17), 3706‑3710.
Snider, G., Weagle, C. L., Murdymootoo, K. K., Ring, A., Ritchie, Y., Stone, E., Walsh,
A., Akoshile, C., Anh, N. X., & Balasubramanian, R. (2016). Variation in global
chemical composition of PM2. 5 : Emerging results from SPARTAN.
Solomon, A. O. (2011). The role of households in solid waste management in East Africa
capital cities (Vol. 4). Wageningen Academic Publishers.
Soltic, P., & Weilenmann, M. (2003). NO2/NO emissions of gasoline passenger cars and
light-duty trucks with Euro-2 emission standard. Atmospheric Environment,
37(37), 5207‑5216.
Song, Xie, S., Zeng, L., Zheng, M., Salmon, L. G., Shao, M., & Slanina, S. (2006).
Source apportionment of PM2. 5 in Beijing by positive matrix factorization.
Atmospheric Environment, 40(8), 1526‑1537.
Srimuruganandam, B., & Nagendra, S. S. (2012). Source characterization of PM10 and
PM2. 5 mass using a chemical mass balance model at urban roadside. Science of
the total environment, 433, 8‑19.
Stafoggia, M., Samoli, E., Alessandrini, E., Cadum, E., Ostro, B., Berti, G., Faustini, A.,
Jacquemin, B., Linares, C., & Pascal, M. (2013). Short-term associations between
fine and coarse particulate matter and hospitalizations in Southern Europe :
Results from the MED-PARTICLES project. Environmental health perspectives,
121(9), 1026‑1033.
Sternbeck, J., Sjödin, \AAke, & Andréasson, K. (2002). Metal emissions from road traffic
and the influence of resuspension—Results from two tunnel studies. Atmospheric
Environment, 36(30), 4735‑4744.
Stockwell, W. R., & Calvert, J. G. (1983). The mechanism of the HO-SO2 reaction.
Atmospheric Environment (1967), 17(11), 2231‑2235.
Stockwell, W. R., Kirchner, F., Kuhn, M., & Seefeld, S. (1997). A new mechanism for
regional atmospheric chemistry modeling. Journal of Geophysical Research:
Atmospheres, 102(D22), 25847‑25879.
Straif, K. (2012). IARC : Diesel engine exhaust carcinogenic. NATL INST PUBLIC
HEALTH DEPT SCIENTIFIC INFORMATION, SROBAROVA 48, PRAGUE
10 ….
Streets, D. G., Zhang, Q., & Wu, Y. (2009). Projections of global mercury emissions in
2050. Environmental science & technology, 43(8), 2983‑2988.
Stuut, J.-B., Zabel, M., Ratmeyer, V., Helmke, P., Schefuß, E., Lavik, G., & Schneider,
R. (2005). Provenance of present-day eolian dust collected off NW Africa.
Journal of Geophysical Research: Atmospheres, 110(D4).
Suarez-Bertoa, R., Zardini, A. A., & Astorga, C. (2014). Ammonia exhaust emissions
from spark ignition vehicles over the New European Driving Cycle. Atmospheric
Environment, 97, 43‑53. https://doi.org/10.1016/j.atmosenv.2014.07.050
192
Subramanian, R., Donahue, N. M., Bernardo-Bricker, A., Rogge, W. F., & Robinson, A.
L. (2007). Insights into the primary–secondary and regional–local contributions to
organic aerosol and PM2. 5 mass in Pittsburgh, Pennsylvania. Atmospheric
Environment, 41(35), 7414‑7433.
Sudheer, A. K., & Rengarajan, R. (2012). Atmospheric mineral dust and trace metals
over urban environment in western India during winter. Aerosol and Air Quality
Research, 12(5), 923‑933.
Sulaymon, I. D., Mei, X., Yang, S., Chen, S., Zhang, Y., Hopke, P. K., Schauer, J. J., &
Zhang, Y. (2020). PM2. 5 in Abuja, Nigeria : Chemical characterization, source
apportionment, temporal variations, transport pathways and the health risks
assessment. Atmospheric Research, 237, 104833.
Sun, R., Chen, A., Chen, L., & Lü, Y. (2012). Cooling effects of wetlands in an urban
region : The case of Beijing. Ecological Indicators, 20, 57‑64.
Szefer, P., & Skwarzec, B. (1988). Distribution and possible sources of some elements in
the sediment cores of the southern Baltic. Marine Chemistry, 23(1‑2), 109‑129.
Taghvaee, S., Sowlat, M. H., Mousavi, A., Hassanvand, M. S., Yunesian, M., Naddafi,
K., & Sioutas, C. (2018). Source apportionment of ambient PM2. 5 in two
locations in central Tehran using the Positive Matrix Factorization (PMF) model.
Science of the total environment, 628, 672‑686.
Tahri, M., Bounakhla, M., Zghaïd, M., Benchrif, A., Zahry, F., Noack, Y., & Benyaïch,
F. (2013). TXRF characterization and source identification by positive matrix
factorization of airborne particulate matter sampled in Kenitra City (Morocco). X-
Ray Spectrometry, 42(4), 284‑289.
Taieb, D., & Ben Brahim, A. (2014). Chemistry and mineralogy studies of PM10
atmospheric aerosols in the Gulf of Gabès, South Tunisia. International Journal
of Energy Technology and Policy, 10(2), 125‑144.
Taiwo, A. M., Harrison, R. M., & Shi, Z. (2014). A review of receptor modelling of
industrially emitted particulate matter. Atmospheric environment, 97, 109‑120.
Taiwo, Arowolo, T. A., Abdullahi, K. L., & Taiwo, O. T. (2015). Particulate matter
pollution in Nigeria : A review. Proceedings of the 14th International Conference
on Environmental Science and Technology Rhodes, Greece, 3‑5.
Taiwo, Beddows, D. C. S., Calzolai, G., Harrison, R. M., Lucarelli, F., Nava, S., Shi, Z.,
Valli, G., & Vecchi, R. (2014). Receptor modelling of airborne particulate matter
in the vicinity of a major steelworks site. Science of the total environment, 490,
488‑500.
Takahashi, K., Minoura, H., & Sakamoto, K. (2008). Chemical composition of
atmospheric aerosols in the general environment and around a trunk road in the
Tokyo metropolitan area. Atmospheric Environment, 42(1), 113‑125.
https://doi.org/10.1016/j.atmosenv.2007.09.009
193
Talbi, A., Kerchich, Y., Kerbachi, R., & Boughedaoui, M. (2018). Assessment of annual
air pollution levels with PM1, PM2. 5, PM10 and associated heavy metals in
Algiers, Algeria. Environmental Pollution, 232, 252‑263.
Tansey, K., Grégoire, J.-M., Defourny, P., Leigh, R., Pekel, J.-F., Van Bogaert, E., &
Bartholomé, E. (2008). A new, global, multi-annual (2000–2007) burnt area
product at 1 km resolution. Geophysical Research Letters, 35(1).
Tauler, R., Viana, M., Querol, X., Alastuey, A., Flight, R. M., Wentzell, P. D., & Hopke,
P. K. (2009). Comparison of the results obtained by four receptor modelling
methods in aerosol source apportionment studies. Atmospheric Environment,
43(26), 3989‑3997.
Tegen, I., Heinold, B., Todd, M. C., Helmert, J., Washington, R., & Dubovik, O. (2006).
Modelling soil dust aerosol in the Bodélé depression during the BoDEx campaign.
Atmospheric Chemistry and Physics, 6(12), 4345‑4359.
Terrouche, A., Ali-Khodja, H., Kemmouche, A., Bouziane, M., Derradji, A., & Charron,
A. (2016). Identification of sources of atmospheric particulate matter and trace
metals in Constantine, Algeria. Air Quality, Atmosphere & Health, 9(1), 69‑82.
Terzi, E., Argyropoulos, G., Bougatioti, A., Mihalopoulos, N., Nikolaou, K., & Samara,
C. (2010). Chemical composition and mass closure of ambient PM10 at urban
sites. Atmospheric Environment, 44(18), 2231‑2239.
Thorpe, A., & Harrison, R. M. (2008). Sources and properties of non-exhaust particulate
matter from road traffic : A review. Science of the total environment, 400(1‑3),
270‑282.
Thorpe, A. J., Harrison, R. M., Boulter, P. G., & McCrae, I. S. (2007). Estimation of
particle resuspension source strength on a major London Road. Atmospheric
Environment, 41(37), 8007‑8020.
Thorpe, & Harrison, R. M. (2008). Sources and properties of non-exhaust particulate
matter from road traffic : A review. Science of the total environment, 400(1‑3),
270‑282.
Thurston, G. D., & Spengler, J. D. (1985). A quantitative assessment of source
contributions to inhalable particulate matter pollution in metropolitan Boston.
Atmospheric Environment (1967), 19(1), 9‑25.
Tian, H. Z., Lu, L., Cheng, K., Hao, J. M., Zhao, D., Wang, Y., Jia, W. X., & Qiu, P. P.
(2012). Anthropogenic atmospheric nickel emissions and its distribution
characteristics in China. Science of the Total Environment, 417, 148‑157.
Tillman, D. A., Duong, D., & Miller, B. (2009). Chlorine in solid fuels fired in pulverized
fuel boilers Sources, forms, reactions, and consequences : A literature review.
Energy & Fuels, 23(7), 3379‑3391.
Timmreck, C. (2001). Three-dimensional simulation of stratospheric background
aerosol : First results of a multiannual general circulation model simulation.
Journal of Geophysical Research: Atmospheres, 106(D22), 28313‑28332.
194
Todd, M. C., Washington, R., Martins, J. V., Dubovik, O., Lizcano, G., M’bainayel, S., &
Engelstaedter, S. (2007). Mineral dust emission from the Bodélé Depression,
northern Chad, during BoDEx 2005. Journal of Geophysical Research:
Atmospheres, 112(D6).
Tolocka, M. P., Solomon, P. A., Mitchell, W., Norris, G. A., Gemmill, D. B., Wiener, R.
W., Vanderpool, R. W., Homolya, J. B., & Rice, J. (2001). East versus west in the
US : Chemical characteristics of PM2. 5 during the winter of 1999. Aerosol
Science & Technology, 34(1), 88‑96.
Toom-Sauntry, D., & Barrie, L. A. (2002). Chemical composition of snowfall in the high
Arctic : 1990–1994. Atmospheric Environment, 36(15‑16), 2683‑2693.
Tran, H. N., & Mölders, N. (2011). Investigations on meteorological conditions for
elevated PM2. 5 in Fairbanks, Alaska. Atmospheric Research, 99(1), 39‑49.
Trousset, P. (1995). Djerid.(Jérid, Qastîliya). Encyclopédie berbère, 16, 2461‑2465.
Tsapakis, M., Lagoudaki, E., Stephanou, E. G., Kavouras, I. G., Koutrakis, P., Oyola, P.,
& Von Baer, D. (2002). The composition and sources of PM2. 5 organic aerosol
in two urban areas of Chile. Atmospheric Environment, 36(23), 3851‑3863.
Turpin, B. J., & Huntzicker, J. J. (1991). Secondary formation of organic aerosol in the
Los Angeles Basin : A descriptive analysis of organic and elemental carbon
concentrations. Atmospheric Environment. Part A. General Topics, 25(2),
207‑215.
Turpin, & Lim, H.-J. (2001). Species contributions to PM2. 5 mass concentrations :
Revisiting common assumptions for estimating organic mass. Aerosol Science &
Technology, 35(1), 602‑610.
Turunen, M., Peräniemi, S., Ahlgrén, M., & Westerholm, H. (1995). Determination of
trace elements in heavy oil samples by graphite furnace and cold vapour atomic
absorption spectrometry after acid digestion. Analytica chimica acta, 311(1),
85‑91.
Ulbrich, Canagaratna, M. R., Zhang, Q., Worsnop, D. R., & Jimenez, J. L. (2009).
Interpretation of organic components from Positive Matrix Factorization of
aerosol mass spectrometric data. Atmospheric Chemistry and Physics, 9(9),
2891‑2918.
Ulbrich, I. M. (2011). Characterization of Positive Matrix Factorization Methods and
Their Application to Ambient Aerosol Mass Spectra [PhD Thesis]. University of
Colorado at Boulder.
UN. (2018). 68% of the world population projected to live in urban areas by 2050, says
UN. https://www.un.org/development/desa/en/news/population/2018-revision-of-
world-urbanization-prospects.html
UNEP. (2015a). Consommation énergétique du secteur des transports «bilan et
perspectives ». http://staging.unep.org/Transport/new/PCFV/pdf/
Algeria2015_ConsommationEnergetique%20.pdf.
195
UNEP. (2015b). West Africa regional low sulphur workshop. United Nations
Environment Programme publishing. Journal of the Air & Waste Management
Association; Taylor & Francis.
US EPA. (2007). Epa Unmix 6.0 Fundamentals And User Guide. National Exposure
Research Laboratory Research Triangle Park, NC 27711.
Uzu, G., Sobanska, S., Sarret, G., Sauvain, J.-J., Pradere, P., & Dumat, C. (2011).
Characterization of lead-recycling facility emissions at various workplaces :
Major insights for sanitary risks assessment. Journal of Hazardous Materials,
186(2‑3), 1018‑1027.
Valavanidis, A., Fiotakis, K., & Vlachogianni, T. (2008). Airborne particulate matter and
human health : Toxicological assessment and importance of size and composition
of particles for oxidative damage and carcinogenic mechanisms. Journal of
Environmental Science and Health, Part C, 26(4), 339‑362.
Vale, M. G. R., Damin, I. C., Klassen, A., Silva, M. M., Welz, B., Silva, A. F., Lepri, F.
G., Borges, D. L., & Heitmann, U. (2004). Method development for the
determination of nickel in petroleum using line-source and high-resolution
continuum-source graphite furnace atomic absorption spectrometry.
Microchemical Journal, 77(2), 131‑140.
Vallius, M., Janssen, N. A. H., Heinrich, J., Hoek, G., Ruuskanen, J., Cyrys, J., Van
Grieken, R., De Hartog, J. J., Kreyling, W. G., & Pekkanen, J. (2005). Sources
and elemental composition of ambient PM2. 5 in three European cities. Science of
the total environment, 337(1‑3), 147‑162.
Van der Werf, G. R., Randerson, J. T., Giglio, L., Collatz, G. J., Mu, M., Kasibhatla, P.
S., Morton, D. C., DeFries, R. S., Jin, Y., & van Leeuwen, T. T. (2010). Global
fire emissions and the contribution of deforestation, savanna, forest, agricultural,
and peat fires (1997-2009). Atmospheric Chemistry and Physics, 10(23),
11707‑11735.
Van Vliet, E. D. S., & Kinney, P. L. (2007). Impacts of roadway emissions on urban
particulate matter concentrations in sub-Saharan Africa : New evidence from
Nairobi, Kenya. Environmental Research Letters, 2(4), 045028.
Viana, M., Kuhlbusch, T. A., Querol, X., Alastuey, A., Harrison, R. M., Hopke, P. K.,
Winiwarter, W., Vallius, M., Szidat, S., & Prévôt, A. S. (2008). Source
apportionment of particulate matter in Europe : A review of methods and results.
Journal of aerosol science, 39(10), 827‑849.
Vidal, R., Ma, Y., & Sastry, S. S. (2016). Principal component analysis. In Generalized
principal component analysis (p. 25‑62). Springer.
Vilcassim, M. R., Thurston, G. D., Peltier, R. E., & Gordon, T. (2014). Black carbon and
particulate matter (PM2. 5) concentrations in New York City’s subway stations.
Environmental science & technology, 48(24), 14738‑14745.
196
von Uexküll, O., Skerfving, S., Doyle, R., & Braungart, M. (2005). Antimony in brake
pads-a carcinogenic component? Journal of Cleaner Production, 13(1), 19‑31.
Voutsa, D., Samara, C., Kouimtzis, T., & Ochsenkühn, K. (2002). Elemental composition
of airborne particulate matter in the multi-impacted urban area of Thessaloniki,
Greece. Atmospheric Environment, 36(28), 4453‑4462.
Wadden, R. A., Hawkins, J. L., Scheff, P. A., & Franke, J. E. (1991). Characterization of
emission factors related to source activity for trichloroethylene degreasing and
chrome plating processes. American Industrial Hygiene Association Journal,
52(9), 349‑356.
Wahlström, J., Olander, L., & Olofsson, U. (2010). Size, shape, and elemental
composition of airborne wear particles from disc brake materials. Tribology
letters, 38(1), 15‑24.
Waller, R. E. (1967). Studies on the nature of urban air pollution. Studies in
Conservation, 12(sup1), 65‑69.
Wang, DenBleyker, A., McDonald-Buller, E., Allen, D., & Zhang, K. M. (2011).
Modeling the chemical evolution of nitrogen oxides near roadways. Atmospheric
environment, 45(1), 43‑52.
Wang, G., Hopke, P. K., & Turner, J. R. (2011). Using highly time resolved fine
particulate compositions to find particle sources in St. Louis, MO. Atmospheric
Pollution Research, 2(2), 219‑230.
Wang, Huang, K.-L., Li, C.-T., Mi, H.-H., Luo, J.-H., & Tsai, P.-J. (2003). Emissions of
fuel metals content from a diesel vehicle engine. Atmospheric Environment,
37(33), 4637‑4643.
Wang, Jariyasopit, N., Schrlau, J., Jia, Y., Tao, S., Yu, T.-W., Dashwood, R. H., Zhang,
W., Wang, X., & Simonich, S. L. M. (2011). Concentration and photochemistry
of PAHs, NPAHs, and OPAHs and toxicity of PM2. 5 during the Beijing Olympic
Games. Environmental science & technology, 45(16), 6887‑6895.
Wang, Ren, L., Zhang, Y., Chen, J., Liu, H., Bao, L., Fan, S., & Tang, D. (2008). Aircraft
measurements of gaseous pollutants and particulate matter over Pearl River Delta
in China. Atmospheric Environment, 42(25), 6187‑6202.
Wang, Zhuang, G., Sun, Y., & An, Z. (2006). The variation of characteristics and
formation mechanisms of aerosols in dust, haze, and clear days in Beijing.
Atmospheric Environment, 40(34), 6579‑6591.
Ward, T. J., Rinehart, L. R., & Lange, T. (2006). The 2003/2004 Libby, Montana PM2. 5
source apportionment research study. Aerosol Science and Technology, 40(3),
166‑177.
Washington, R., Todd, M. C., Engelstaedter, S., Mbainayel, S., & Mitchell, F. (2006).
Dust and the low-level circulation over the Bodélé Depression, Chad :
Observations from BoDEx 2005. Journal of Geophysical Research: Atmospheres,
111(D3).
197
Waterman, D., Horsfield, B., Leistner, F., Hall, K., & Smith, S. (2000). Quantification of
polycyclic aromatic hydrocarbons in the NIST standard reference material
(SRM1649A) urban dust using thermal desorption GC/MS. Analytical Chemistry,
72(15), 3563‑3567.
Watson, Bates, R. R., & Kennedy, D. (1988). Mathematical Modeling of the Effect of
Emission Sources on Atmospheric Pollutant Concentrations. In Air Pollution, the
Automobile, and Public Health. National Academies Press (US).
Watson, J. G. (1984). Overview of receptor model principles. Journal of the Air Pollution
Control Association, 34(6), 619‑623.
Watson, J. G., Chow, J. C., & Fujita, E. M. (2004). Protocol for applying and validating
the CMB model for PM2. 5 and VOC. Research Triangle Park, NC, US
Environmental Protection Agency.
Webb, N. P., & Strong, C. L. (2011). Soil erodibility dynamics and its representation for
wind erosion and dust emission models. Aeolian Research, 3(2), 165‑179.
Weber, R. J., Sullivan, A. P., Peltier, R. E., Russell, A., Yan, B., Zheng, M., De Gouw, J.,
Warneke, C., Brock, C., & Holloway, J. S. (2007). A study of secondary organic
aerosol formation in the anthropogenic-influenced southeastern United States.
Journal of Geophysical Research: Atmospheres, 112(D13).
Wehner, B., Birmili, W., Gnauk, T., & Wiedensohler, A. (2002). Particle number size
distributions in a street canyon and their transformation into the urban-air
background : Measurements and a simple model study. Atmospheric Environment,
36(13), 2215‑2223. https://doi.org/10.1016/S1352-2310(02)00174-7
Wells, R. B., Lloyd, S. M., & Turner, C. R. (1996). National air pollution source
inventory (inventory of scheduled processes). Held, G., Gore, BJ, Surridge, AD,
Tosen, GR, Turner, CR, Walmsley, RD (Eds.).
Wen, Q. Z. (1989). Chinese loess geochemistry. Sci. Press, Beijing, 115‑158.
Westerlund, K.-G., & Johansson, C. (2002a). Emission of metals and particulate matter
due to wear of brake linings in Stockholm. WIT Transactions on Ecology and the
Environment, 53.
Westerlund, K.-G., & Johansson, C. (2002b). Emission of metals and particulate matter
due to wear of brake linings in Stockholm. WIT Transactions on Ecology and the
Environment, 53.
White, W. H., & Roberts, P. T. (1977). On the nature and origins of visibility-reducing
aerosols in the Los Angeles air basin. Atmospheric Environment (1967), 11(9),
803‑812.
Williams, D. S., Shukla, M. K., & Ross, J. (2008). Particulate matter emission by a
vehicle running on unpaved road. Atmospheric Environment, 42(16), 3899‑3905.
Williams, Nathou, N., Hicks, E., Pontikis, C., Russell, B., Miller, M., & Bartholomew,
M. J. (2009). The electrification of dust-lofting gust fronts (‘haboobs’) in the
Sahel. Atmospheric Research, 91(2‑4), 292‑298.
198
Wimolwattanapun, W., Hopke, P. K., & Pongkiatkul, P. (2011). Source apportionment
and potential source locations of PM2. 5 and PM2. 5–10 at residential sites in
metropolitan Bangkok. Atmospheric Pollution Research, 2(2), 172‑181.
Wolff, M., & Visser, W. (2005). Méthodes et outils pour l’analyse des verbalisations :
Une contribution à l’analyse du modèle de l’interlocuteur dans la description
d’itinéraires. Activités, 2(2‑1).
Xie, M., Hannigan, M. P., Dutton, S. J., Milford, J. B., Hemann, J. G., Miller, S. L.,
Schauer, J. J., Peel, J. L., & Vedal, S. (2012). Positive matrix factorization of
PM2. 5 : Comparison and implications of using different speciation data sets.
Environmental science & technology, 46(21), 11962‑11970.
Xing, L., Fu, T.-M., Cao, J. J., Lee, S. C., Wang, G. H., Ho, K. F., Cheng, M.-C., You,
C.-F., & Wang, T. J. (2013). Seasonal and spatial variability of the OM/OC mass
ratios and high regional correlation between oxalic acid and zinc in Chinese urban
organic aerosols. Atmospheric Chemistry and Physics, 13(8), 4307‑4318.
Xu, J., Bergin, M. H., Greenwald, R., Schauer, J. J., Shafer, M. M., Jaffrezo, J. L., &
Aymoz, G. (2004). Aerosol chemical, physical, and radiative characteristics near
a desert source region of northwest China during ACE-Asia. Journal of
Geophysical Research: Atmospheres, 109(D19).
Xue, W., Xue, J., Mousavi, A., Sioutas, C., & Kleeman, M. J. (2020). Positive matrix
factorization of ultrafine particle mass (PM0. 1) at three sites in California.
Science of The Total Environment, 715, 136902.
Yadav, S., & Satsangi, P. G. (2013). Characterization of particulate matter and its related
metal toxicity in an urban location in South West India. Environmental
monitoring and assessment, 185(9), 7365‑7379.
Yang, Chang, C.-C., Chuang, H.-Y., Tsai, S.-S., Wu, T.-N., & Ho, C.-K. (2004).
Relationship between air pollution and daily mortality in a subtropical city :
Taipei, Taiwan. Environment international, 30(4), 519‑523.
Yang, Peng, X., Huang, W., Chen, R., Xu, Z., Chen, B., & Kan, H. (2012). A time-
stratified case-crossover study of fine particulate matter air pollution and
mortality in Guangzhou, China. International archives of occupational and
environmental health, 85(5), 579‑585.
Yang, Zhou, L., Xue, N., Li, F., Li, Y., Vogt, R. D., Cong, X., Yan, Y., & Liu, B. (2013).
Source apportionment of polycyclic aromatic hydrocarbons in soils of Huanghuai
Plain, China : Comparison of three receptor models. Science of the Total
Environment, 443, 31‑39.
Yevich, R., & Logan, J. A. (2003). An assessment of biofuel use and burning of
agricultural waste in the developing world. Global biogeochemical cycles, 17(4).
Yin, D., Nickovic, S., & Sprigg, W. A. (2007). The impact of using different land cover
data on wind-blown desert dust modeling results in the southwestern United
States. Atmospheric Environment, 41(10), 2214‑2224.
199
Yin, J., Allen, A. G., Harrison, R. M., Jennings, S. G., Wright, E., Fitzpatrick, M., Healy,
T., Barry, E., Ceburnis, D., & McCusker, D. (2005). Major component
composition of urban PM10 and PM2. 5 in Ireland. Atmospheric Research,
78(3‑4), 149‑165.
Yoshizumi, K., & Okita, T. (1983). Quantitative estimation of sodium-and ammonium-
nitrate, ammonium chloride, and ammonium sulfate in ambient particulate matter.
Journal of the Air Pollution Control Association, 33(3), 224‑226.
Yuan, H., Zhuang, G., Li, J., Wang, Z., & Li, J. (2008). Mixing of mineral with pollution
aerosols in dust season in Beijing : Revealed by source apportionment study.
Atmospheric Environment, 42(9), 2141‑2157.
Zainal, N. A., Zulkifli, N. W. M., Gulzar, M., & Masjuki, H. H. (2018). A review on the
chemistry, production, and technological potential of bio-based lubricants.
Renewable and Sustainable Energy Reviews, 82, 80‑102.
Zanobetti, A., Schwartz, J., & Dockery, D. W. (2000). Airborne particles are a risk factor
for hospital admissions for heart and lung disease. Environmental health
perspectives, 108(11), 1071‑1077.
Zezza, F., & Macrì, F. (1995). Marine aerosol and stone decay. Science of the total
environment, 167(1‑3), 123‑143.
Zghaid, M., Noack, Y., Boukla, M., & Benyaich, F. (2009). Atmospheric particulate
pollution in Kenitra (Morocco); Pollution atmospherique particulaire dans la ville
de Kenitra (Maroc). Pollution Atmospherique, 13.
Zghaid, M., Noack, Y., Bounakla, M., & Benyaich, F. (2009). Pollution atmosphérique
particulaire dans la ville de Kenitra (Maroc)[Atmospheric particulate pollution in
Kenitra (Morocco)]. Poll Atmos, 51(203), 313‑324.
Zhang, Guo, C.-S., Xu, J., Tian, Y.-Z., Shi, G.-L., & Feng, Y.-C. (2012). Potential source
contributions and risk assessment of PAHs in sediments from Taihu Lake, China :
Comparison of three receptor models. Water research, 46(9), 3065‑3073.
Zhang, Jimenez, J. L., Canagaratna, M. R., Allan, J. D., Coe, H., Ulbrich, I., Alfarra, M.
R., Takami, A., Middlebrook, A. M., & Sun, Y. L. (2007). Ubiquity and
dominance of oxygenated species in organic aerosols in anthropogenically-
influenced Northern Hemisphere midlatitudes. Geophysical research letters,
34(13).
Zhang, T., Claeys, M., Cachier, H., Dong, S., Wang, W., Maenhaut, W., & Liu, X.
(2008). Identification and estimation of the biomass burning contribution to
Beijing aerosol using levoglucosan as a molecular marker. Atmospheric
Environment, 42(29), 7013‑7021.
Zhao, L., Xu, Y., Hou, H., Shangguan, Y., & Li, F. (2014). Source identification and
health risk assessment of metals in urban soils around the Tanggu chemical
industrial district, Tianjin, China. Science of the Total Environment, 468, 654‑662.
200
Zhou, Xing, Z., Deng, J., & Du, K. (2016). Characterizing and sourcing ambient PM2. 5
over key emission regions in China I : Water-soluble ions and carbonaceous
fractions. Atmospheric Environment, 135, 20‑30.
Zhou, Z., Dionisio, K. L., Verissimo, T. G., Kerr, A. S., Coull, B., Arku, R. E., Koutrakis,
P., Spengler, J. D., Hughes, A. F., & Vallarino, J. (2013). Chemical composition
and sources of particle pollution in affluent and poor neighborhoods of Accra,
Ghana. Environmental Research Letters, 8(4), 044025.
Zhu, Y., Huang, L., Li, J., Ying, Q., Zhang, H., Liu, X., Liao, H., Li, N., Liu, Z., & Mao,
Y. (2018). Sources of particulate matter in China : Insights from source
apportionment studies published in 1987–2017. Environment international, 115,
343‑357.
Zweiman, B., Slavin, R. G., Feinberg, R. J., Falliers, C. J., & Aaron, T. H. (1972). Effects
of air pollution on asthma : A review. Journal of Allergy and Clinical
Immunology, 50(5), 305‑314.
201
ANNEXE
Procédure d’étalonnage
L’air est aspiré à l’aide d’une pompe contrôlée par une minuterie programmable qui peut
être réglée pour effectuer jusqu'à six cycles en 24 heures ou tout au long d'une semaine, la
minuterie programmable éteindra automatiquement la pompe à la fin de la période
d'échantillonnage. Pour assurer un débit constant de 5 litres/min à des températures et des
pressions atmosphériques différentes (changements saisonniers). Dans la procédure
d'étalonnage, on a un utilisé un dispositif de mesure de débit à élément à flux laminaire
(LFE) fourni par le producteur. Six débits, allant d'environ 4 à 6,5 l/min, sont mesurés.
L'entrée du LFE est ouverte à l'atmosphère tandis que la sortie est fixée à l'entrée de
l'échantillonneur. Pour chaque point de la procédure d'étalonnage, le débit indiqué par le
débitmètre, Qind, est enregistré et le débit réel, Qstd et Qact, sont calculés à partir de
l’équation 1 et 2 respectivement :
Qstd = mvol x Qind + bvolEquation 1
Où :
mvol est la pente de la ligne tracée
bvolest l’intersection de la ligne tracée
Qind est le débit indiqué par le rotamètre sur l'échantillonneur.
Qact est le débit aux conditions d'étalonnage réelles telles que déterminées à partir du
LFE.
Qstd est le débit aux conditions standard pour la perte de charge LFE indiquée. Les
conditions standard sont définies comme une pression atmosphérique (Pstd) de 760 mmhg
et une température (Tstd) de 298 ° K.
Qcalc est le débit calculé de l'échantillonneur qui est déterminé à partir des résultats de la
régression linéaire.
Le débit dans les conditions réelles d'échantillonnage (Qact) est donné par l'équation
suivante :
202
Equation 2
L'échantillonneur est conçu pour fonctionner à 5 L / min dans des conditions réelles.Le
réglage du rotamètre pour ce débit nominal (Isp) peut être calculé en utilisant l'équation
suivante
Equation 3
Dans notre étude le débit de l'échantillonneur (point de consigne du débitmètre, Isp) a été
ajusté chaque trois mois.
Annexe 1 :Contributions des sources d’émission aux PM2.5 pour la solution à 7 facteurs
203
Annexe 2: Profils des facteurs PMF pour la solution à six facteurs
Annexe 3 : Résidu échelonné de Cu pour la solution à six facteurs
204
Annexe 4 : Les résultats de l'estimation des erreurs (a) DISP, (b) BS et (c) BS-DISP pour
la solution à cinq facteurs avec l’espèce Cu classée comme « forte »
Annexe 5 : Résidu échelonné de Cu pour la solution à cinq facteurs (l’espèce Cu classée
forte)
205
Annexe 6 : Les résultats de l'estimation des erreurs (a) DISP, (b) BS et (c) BS-DISP pour
la solution à cinq facteurs avec l’espèce Cu classée comme « faible »
Annexe 7 : Les résultats de l'estimation des erreurs (a) DISP, (b) BS et (c) BS-DISP pour
la solution à six facteurs
206
Annexe 8 : Les résultats de l'estimation des erreurs (a) DISP et (b) BS pour la solution à
sept facteurs
