Laboratoire de Modélisation de la Dispersion Atmosphérique (LMDA)

Il existe différentes familles de modèles de dispersion atmosphérique en fonction des échelles spatiales et temporelles considérées, du niveau de précision requis pour les données d’entrée (et donc en sortie…) et du temps de calcul associé. Les travaux du LMDA sur ce thème visent à apporter des éléments de réponses aux questions : quel modèle utiliser pour quelle application et quelle échelle ? Quelles sont les erreurs et incertitudes associées ? Comment rendre cohérentes les approches de modélisation entre les différentes échelles ?

Pour cela, le LMDA développe et utilise des modèles de dispersion atmosphérique qu’il valide et améliore dans un processus continu. La performance des modèles est évaluée par comparaison à :

• des campagnes de mesures in-situ visant à caractériser la dispersion et/ou le dépôt de traceurs atmosphériques ;
• des données de surveillance de l’atmosphère, mesurant la radioactivité naturelle (radon) ou artificielle (krypton issu du retraitement de combustible à Orano La Hague) ;
• des mesures de radioactivité d’origine accidentelle (Tchernobyl, Fukushima) ;
• d’autres modèles nationaux (avec Météo France et l’Ineris) et internationaux (CTBTO).

La dispersion de polluants dans l’atmosphère est influencée par différents processus physiques : le transport par le vent, la diffusion turbulente, le dépôt (sur le sol, les végétaux et bâtiments…) et le lessivage par les précipitations (pluie, neige, brouillard…), les transformations physico-chimiques des polluants (condensation / coagulation des particules, transformations chimiques…). Ces mécanismes sont plus ou moins bien représentés dans les modèles. 

Certaines situations sont encore mal comprises et leurs modélisations entachées de grandes incertitudes, par exemple :

• Les situations où l’atmosphère est très stable (peu de mélange turbulent) et/ou la vitesse du vent est faible (typiquement inférieure à 2 m/s à 10 m d’altitude) ;
• Certains mécanismes liés au dépôt et au lessivage, notamment l’interaction des aérosols dans les nuages avec les cristaux de glace ou la neige, ou encore le brouillard ;
• L’influence des conditions de rejet et d’environnement sur la dispersion en champ très proche (rejet thermique, bâtiments) ;
• Les transformations physico-chimiques de certains polluants dans l’atmosphère, notamment l’évolution en taille des aérosols radioactifs et les transformations chimiques de l’iode.

Sur ces différents sujets, le LMDA travaille en étroite collaboration avec les laboratoires de l’ASNR (LERTA, LPMA) disposant de moyens expérimentaux en laboratoire ou in-situ, permettant d’améliorer la représentation de ces phénomènes dans les modèles.

Les incertitudes sont présentes sur l’ensemble de la chaîne de modélisation :

• En entrée, dans les données météorologiques (observations, prévisions numériques fournies par Météo France) et les données de rejet mesurées, prévues par des modèles d’accidents graves, ou estimées par modélisation inverse (cf. axe de recherche 4) ;
• Dans les modèles de dispersion eux-mêmes, il existe une erreur numérique (résolution de maillage) et physique dans la représentation des processus (cf. axe de recherche 2) ;
• Dans les résultats des modèles (concentrations dans l’air, dépôts au sol et estimations de dose associées), l’effet de ces incertitudes se cumule ; à cela s’ajoutent des approximations dans les choix de représentation (cartographique ou statistique) des résultats et leur interprétation, cruciale pour la prise de décision en situation d’urgence radiologique ;
• En cas de comparaison à des mesures, s’y ajoute une incertitude de mesure et de représentativité de ces observations.

Le LMDA travaille avec Météo France pour utiliser les données météorologiques de prévision d’ensemble en entrée des modèles de dispersion. Cela permet de prendre en compte les incertitudes inhérentes aux prévisions météorologiques pour produire un ensemble de simulations (et non une seule simulation déterministe), représentatives des différentes évolutions possibles de l’atmosphère. Les enjeux sont d’intégrer ces incertitudes à différentes échelles, y compris pour des situations d’urgence radiologique (ce qui pose la question des temps de calcul) et d’y ajouter les incertitudes liées aux rejets, beaucoup plus grandes en situations accidentelles, aux modèles et aux mesures.

Enfin, le LMDA est étroitement associé à des travaux de sciences humaines et sociales dans le cadre du projet Natech, visant à évaluer l’effet de la représentation et communication de ces incertitudes sur la prise de décision dans des situations de crise. 

En cas de rejet accidentel de radioactivité dans l’atmosphère, la composition du rejet et les quantités émises au cours du temps sont peu ou pas connues. C’est le cas pour des accidents majeurs tels que Tchernobyl ou Fukushima, mais aussi des événements conduisant à la détection de traces de radioactivité dans l’atmosphère. Dans ce dernier cas, la localisation elle-même du rejet peut être inconnue. Les méthodes de modélisation inverse permettent d’utiliser les mesures de radioactivité dans l’environnement (concentrations ou débit de dose dans l’air, dépôts au sol), combinées aux modèles de dispersion atmosphérique, pour évaluer un rejet atmosphérique et, le cas échéant, localiser la source. 

Le LMDA a développé des méthodes de modélisation inverse déterministe et probabiliste, utilisées pour évaluer les rejets atmosphériques de l’accident de Fukushima sur la base des mesures sur le territoire japonais. Ces modèles sont également utilisés régulièrement en cas de détection de radioactivité par les réseaux de surveillance, par exemple lors de l’épisode de détection de ¹⁰⁶Ru en 2017 ou encore des incendies de forêts dans la région de Tchernobyl en 2020 et 2024.

Les actions transverses à l’ensemble de ces thèmes de recherche sont notamment :

• L’utilisation de nouveaux produits d’observation et de prévision météorologique de Météo France (radar pluie, satellites, prévisions à fine échelle…) et leur intégration dans les chaînes de modélisation ;
• L’exploration de méthodes de machine learning / deep learning pour accélérer les simulations, notamment via la construction de méta-modèles.