Les causes de l’incertitude aux résultats du modèle viennent de divers sources: des variations météorologique naturelles trop petites ou trop complexes d’être mesurées; des approximations à la formulation du modèle; des approximations à la dérivation de données au modèle; et un préjugé attribuable aux buts et aux limitations du modèle. Ces sources d’incertitude ne sont pas définies et les régions entre ces sources sont vagues. Quand même, en suivant le consensus international à l’étude de la destruction des déchets radioactifs (AEN, 1999), on peut classer par catégories l’incertitude aux classes qui suivent:

L’Incertitude de Paramètre

Pour spécifier le vent pour une péroide déterminée d’une demi-heure, il n’y a aucune définition seule. Par exemple, on pourrait utiliser la moyenne du vent scalaire ou du vent vectoriel; la <<moyenne>> pourrait être la médiane, la moyenne arithméthique ou la moyenne harmonique (inverse). Cette incertitude est plus augmentée quand on considère d’autres paramètres tel que la hauteur de la couche de la frontière parce que les variations aux paramètres d’entrer de données des modèles atmosphériques différents peuvent être corrélées.

L’Incertitude de Modèle

Les modèles de dispersion atmosphérique sont des idéalisations de réalité; par exemple, une gamme de Gauss souvent est présumée. Quoique le modèle puisse représenter l’évolution générale d’un panache, il ne peut pas représenter tout le comportement. De telles simplifications sont faites en allant de la réalité à un <<modèle conceptuel>>. De la même façon, la représentation des effets de la topographie et des bâtiments. L’effet des sources de chaleur locale ne pourrait pas figurer, même, au modèle de dispersion.

L’Incertitude d’Hypothèse (de l’Avenir)

Quand on cherche à estimer les valeurs maximums probables pour les ans qui viennent, il y a une incertitude inhérente quant à la météorologie pour un an en particulier. Si les conditions sont <<bonnes>>, en ce qui concerne les épisodes de pollution, les valeurs maximums seront réduites. Inversement, elles pourraient être <<mauvaises>>, et cet état amènera à un niveau de pollution plus haut. De telles incertitudes à propos du temps de l’avenir d’un emplacement peuvent être nommées l’incertitude <<d’hypothèse>>, parce qu’on ne sait pas en détail l’hypothèse précise qui sera modelée. L’incertitude d’hypothèse pose un problème particulier en modelant la destruction des déchets radioactifs parce que le climat des cent ans qui viennent, encore moins les cent mille ans qui viennent, est difficile à prédire à cause de facteurs produits par l’homme.

La Variabilité Naturelle (la Turbulence)

Quand deux lâchages sont faits près de chaqu’un, on trouve qu’ils ne fonctionnent pas identiquement, et ils ont tendance à être poussés l’un de l’autre. Pendant deux périodes de temps semblables théoretiquement le comportement du panache dépendra des conditions exactes pendant et après le lâchage. C’est à cause principalement de la turbulence atmosphérique qui cause, sans cesse, des variations stochastiques de la façon qu’un panache polluant est dispersé. De telle variabilité naturelle peut être réduite en prenant les moyennes d’ensemble, mais quand même, il y aura une limitation quant à la réduction de l’incertitude.

Le Préjugé

Des modèles de dispersion atmosphériques ont été développés pour prédire des résultats particuliers. Souvent les maxima sont les plus importants, plutôt que la valeur aux distances plus grandes. Ce cas peut amener à un préjugé aux résultats, puisqu’un modèle qui cherche à avoir de bons résultats d’un régime météorologique et de lâchage ne pourrait pas avoir de bons résultats sous des conditions différentes. Le préjugé peut arriver à la dérivation de données en entrée; par exemple, quand on interprète les données du poste météorologique "le plus proche".

L’Incertitude de Données d’Evaluation

Pour les modèles complexes un moyen d’augmenter l’utilité du modèle est en employant les données observées. Cette technique introduit plus d’incertitudes puisque les données utilisées elle-mêmes ne sont pas seulement incertaines mais aussi elles ne sont pas continues en le temps et l’espace. Donc, il n’y a aucun lien direct entre une prédiction de modèle et une valeur observée, comme elle seront représentatives de moyennes différentes de volume et de temps. Les observations aussi sont assujetti à <<l’erreur d’observation>>, en fait une incertitude et pas d’erreur.

En réglant et en limitant l’incertitude, une analyse qui amène à une compréhension des sources de l’incertitude n’est qu’un premier pas. La phase qui suit est, où c’est possible, de déterminer la quantité de l’incertitude. Quand un élément dominant est l’incertitude de paramètre, puis on peut faire cela en employant les recherches Monte Carlo. En cherchant ensuite à réduire l’incertitude des études de sensibilités peuvent etre utilisés à estimer ce que le modèle peut être sensible à l’incertitude de paramètres individuels en entrée. Puis cela peut conduire le travail de l’avenir, y compris les recherches expérimental ou d’observation, pour que l’incertitude aux paramètres les plus influents puissent être réduits.

Des estimations de l’incertitude aux modèles de dispersion atmosphérique peuvent être trouvés ici.

Traduction par Gareth Lewis-Jones 2000

© 2000 Cooper and Caulcott Ltd