1 / 35

24/02/07

École Supérieure d’Aménagement du Territoire. CRAD. GRÉPUL. Faculté d'aménagement, d'architecture et des arts visuels (FAAAV). Facteurs conditionnant la présence d’indicateurs de qualité microbiologique en réseau de distribution d’eau potable.

netis
Download Presentation

24/02/07

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. École Supérieure d’Aménagement du Territoire CRAD GRÉPUL Faculté d'aménagement, d'architecture et des arts visuels (FAAAV) Facteurs conditionnant la présence d’indicateurs de qualité microbiologique en réseau de distribution d’eau potable Centre de Recherche en Aménagement et Développement (CRAD) 24/02/07 Présenté par : Alex FRANCISQUE Directeur de recherche : Dr. Manuel J. RODRIGUEZ Co-directeur : Dr. Rehan SADIQ

  2. Plan • Contexte général • Contexte particulier • Objectifs • Méthodologie • Résultats et discussions • Conclusion

  3. 1. Contexte • Projet de doctorat • Objectif général Développer une méthodologie permettant d’optimiser le suivi de la qualité de l’eau potable en RD

  4. 1. Contexte • Projet de doctorat • Objectifs spécifiques • Proposer une approche multi-objectif pour l’optimisation du suivi de la qualité de l’eau en RD; • Intégrer les variations spatio-temporelles et saisonnières de la qualité de l’eau dans l’optimisation du suivi; • Appliquer des méthodes puissantes pour l’optimisation du suivi de la qualité de l’eau en RD; • Comparer plusieurs méthodes d’optimisation appliquées au suivi de la qualité de l’eau en RD

  5. 2. Contexte particulier 2.1 Surveillance de la qualité de l’eau potable • Suivi routinier de l’eau distribuée: prévention de problèmes de santé • Indicateurs physico-chimiques et microbiologiques, … bactéries très répandues: bonnes sentinelles, les BHAA Pré-indication de détérioration de qualité de l’eau(Sartory, 2004)

  6. 2. Contexte particulier 2.2 Caractéristiques des BHAA • Nécessitent des nutriments organiques pour leur croissance; • Peuvent se multiplier, entre autres, dans l’eau en RD (Edberg, 1997); • Comptes: 10 000ufc/ml et plus en RD (Allen et al., 2002); • Santé Canada, USEPA: 500 ufc/ml, • Autres pays et auteurs: 100 ufc/ml

  7. 2. Contexte particulier 2.3 Présence en RD : • Inefficacité probable du processus de traitement(Allen et al., 2002, Leclerc, 2003, Sartory, 2004); • Contamination probable du RD(Sartory, 2004); • Variabilité: peut indiquer intrusion non spécifique en RD, …. donc:

  8. 2. Contexte particulier 2.4 Mesure régulière des BHAA en RD • Évaluation: • tendances à long terme de la qualité microbiologique générale de l’eau en RD(Sartory, 2004); • changements dans l’eau traitée (pendant distribution et stockage); • propreté du RD( Allen et al., 2002); • mesure de la recroissance bactérienne( Allen et al., 2002), Coûte de l’argent et du temps Important : mieux comprendre leur présence et leur variabilité en RD, et aussi les prédire.

  9. 3. Objectifs 3.1 Général Étudier la distribution spatio-temporelle des BHAA en RD 3.2 Spécifiques • Identifier les facteurs expliquant la distribution spatio-temporelle des BHAA en RD • développer des modèles permettant de prédire leur occurrence • Identifier des points du RD requérant une attention particulière pour le suivi de la qualité microbiologique de l’eau

  10. 4. Méthodologie 4.1 Cas à l’étude: Ville de Québec • Diverses sources d’eau; • 9 réseaux de distribution; • Divers traitements;

  11. QC4 QC2 QC3 QC1 4. Méthodologie 4.1 Cas à l’étude: Ville de Québec • Principal réseau • Riv. St-Charles • 2400 000 • 53 Mm3 /an • 50 points suivi • Données 2003 à 2005 • 4 000 observations

  12. 4. Méthodologie 4.1 Cas à l’étude: Ville de Québec • BHAA (UFC/ml) à 35ºC • Chlore libre résiduel (mg/l): 0.3 à 3 mg/l • Température (ºC) • pH : 6.5 à 8.5 • Turbidité (UTN): max 1utn • Absorbance (cm-1) à 254 nm • Etc. Fréquence: jour; 2x/semaine.; semaine

  13. 4. Méthodologie 4.2 Mise en forme des données • Données brutes non utilisées systématiquement; • Plusieurs opérations pour construire BD utilisable • pas de BHAA Chlore libre résiduel: élimination de la ligne, • autres données manquantes: ajustements • température: moyenne du mois • pH: mode mensuel • turbidité: mode mensuel • absorbance: mode • moyennes/percentiles/codage: % seuils, saisons/classes/…

  14. 4. Méthodologie 4.3 Analyse descriptive Distribution des BHAA en fonction de différents paramètres 4.4 Méthodes de régression Méthode 1: Régressions logistiques Méthode 2: Régression négative binomiale

  15. p(X) 4. Méthodologie 4.4 Méthodes de régression • Méthode 1: Régressions logistiques Y = 1 (présence BHAA) ou 0 (absence BHAA) P(X) = p (Y = 1│X) Cote de X = p(X)/1-p(X) qui varie sur R+ Logit p(X)=log[p(X)/1-p(X)]= β0+βX sur R p(X) = 1/[1+e(-β0-βX)] 1 Prob. (Y =1/X) = 1 + e-βo. e-β1X1.e-β2X2.….e-βnXn

  16. avec μi = f (Xi. βi) θi= μieεi Φ Г(Yi + Φ) Φ+ μi Yi!Г(Φ) Φ Yi μi (Φ+ μi) 4. Méthodologie 4.4 Méthodes de régression • Méthode 2: Régression Négative Binomiale Soit i : nombre moyen de BHAA distribué aléatoirement(Cameron and Trivedi, 1998) Yi│θi ~ Poisson (θi) ~ Poisson (μieεi) eεi~ Gamma (Φ >0, Φ>0) avec E[eεi]= 1 et Var[eεi] = 1/Φ= Finalement: m(Yi│µi,Φ) =

  17. 5. Résultats et discussions 5.1 Analyse descriptive Distribution des BHAA selon le chlore libre résiduel Distribution des BHAA selon le type de réseau n = 921 moy. = 43 n = 848 moy. = 17 n = 192 moy. = 16 n = 790 moy. =14 n = 128 moy. =5 n = 665 moy. = 4 n = 1068 moy. = 4 n = 1478 moy. = 4

  18. 5. Résultats et discussions 5.1 Analyse descriptive Distribution des BHAA selon la température Distribution des BHAA selon les saisons n = 508 moy. =39 n = 957 moy. =31 n = 1126 moy. = 20 n = 908 moy. = 12 n = 968 moy. = 7 n = 1103 moy. = 6 n = 762 moy. = 3 n = 858 moy. = 2

  19. 5. Résultats et discussions 5.1 Analyse descriptive Distribution des BHAA selon l’absorbance Distribution des BHAA selon la turbidité n = 957 moy. =31 n = 33 moy. =52 n = 94 moy. =39 n = 626 moy. = 34 n = 473 moy. = 16 n = 908 moy. = 12 n = 1449 moy. = 12 n = 1579 moy. = 13 n = 968 moy. = 7 n = 762 moy. = 3 n = 2534 moy. = 10 n = 402 moy. = 3

  20. 5. Résultats et discussions 5.1 Analyse descriptive

  21. 5. Résultats et discussions 5.1 Analyse descriptive

  22. 5. Résultats et discussions 5.1 Analyse descriptive ÉTÉ 2005 HIVER 2005 QC4 QC2 QC1 QC3

  23. 5. Résultats et discussions 5.1 Analyse descriptive QC119

  24. 5. Résultats et discussions 5.2 Méthodes de régression • Méthode 1: Régressions logistiques Caractéristiques du modèle

  25. 1 Prob. (Y =1/X) = 1 + e0,564.e 1,457chlore.e- 0,033température.e-8,602absorbance 5. Résultats et discussions 5.2 Méthodes de régression • Méthode 1: Régressions logistiques

  26. 5. Résultats et discussions 5.2 Méthodes de régression • Méthode 2: Régression négative binomiale Caractéristiques du modèle

  27. 5. Résultats et discussions 5.2 Méthodes de régression • Méthode 2: Régression négative binomiale µi = e-2,530.e-2,040Cchlore.e0,106température.e-1,018typederéseau.e7,980absorbance.e0,380pH

  28. BHAA 5. Résultats et discussions 5.2 Méthodes de régression • Méthode 2: Régression négative binomiale • Adéquation du modèle

  29. 5. Résultats et discussions 5.3 Évaluation des modèles

  30. 5. Résultats et discussions 5.3 Analyses de sensibilité • Cas du modèle logistique (méthode 1) Point QC102 Extrémité du RD Échantillon du 13/08/2003 (été) Absorbance: 0,21 cm-1 Température; 200C Chlore résiduel libre: 0,2mg/l Présence possible de BHAA (car prob. >0,5) Concentration Chlore pour que BHAA = 0?

  31. 5. Résultats et discussions 5.3 Analyses de sensibilité • Cas du modèle logistique (méthode 1) Point QC102 Concentration Chlore et absorbance pour que BHAA = 0?

  32. 6. Conclusion 6.1 Limites • Données très irrégulières: risque de perte de précision dû à la mise en forme; • Manque d’information sur les caractéristiques du RD; … • Problèmes possibles d’autocorrélations; • Temps de séjour de l’eau ne sont pas connues 6.2 Perspectives • Établir une relation entre les modèles et les données historiques pour améliorer la prédiction; • Campagnes d’échantillonnage (validation modèles); • Campagne pour évaluer temps de séjour de l’eau en RD; • Intégrer des paramètres de temps et d’espace dans le modèle;

  33. 6. Conclusion 6.3 Conclusion • Utilisation de données historiques entreposées: • meilleure connaissance du RD; • meilleure anticipation; • réponse plus appropriée; pour aider les gestionnaires à mieux assoir leur décision; • Meilleure compréhension des BHAA en RD; • Meilleure compréhension des liens entre divers paramètres; • Très bon intrant pour le travail global d’optimisation du suivi de la qualité de l’eau potable en RD, • …

  34. ADJ_CL_RE ADJ_TEMP ADJ_ABS ADJ_pH SEUIL_500 Observed Expected count % count % 1 1 1 1 0 0 0% 0 0% 1 0 0% 0 0% ,,,,,, ,,,,,, ,,,,,, 0 1 ,,,,,, ,,,,,, ,,,,,, 4 0 5 100% 5 100% 1 0 0% 0 0% ,,,,,, 2 ,,,,,, ,,,,,, 0 ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 0 ,,,,,, ,,,,,, ,,,,,, ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 0 ,,,,,, ,,,,,, ,,,,,, ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 3 ,,,,,, ,,,,,, 0 ,,,,,, ,,,,,, ,,,,,, ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 0 ,,,,,, ,,,,,, ,,,,,, ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 4 0 11 91.7% 11.714 97.6% 1 1 8.3% 0.286 2.4% ,,,,,, ,,,,,, ,,,,,, ,,,,,, 0 ,,,,,, ,,,,,, ,,,,,, ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 0 ,,,,,, ,,,,,, ,,,,,, ,,,,,, 1 ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 4 0 3 75.0% 3.832 95.8% 1 1 25.0% 0.168 4.2% ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, ,,,,,, 5. Résultats et discussions • Analyse Logitloglinéaire

  35. 5. Résultats et discussions • Régression Négative Binomiale • Adéquation du modèle Valeurs à grouper et aller à plus de 100 hpc

More Related