Cartographier l'invisible : Géomatique et SIG au service de l'étude des inégalités environnementales de santé

Introduction

L'environnement dans lequel nous vivons influence profondément notre santé. Cette réalité, longtemps intuitive, est aujourd'hui étayée par un corpus scientifique de plus en plus robuste. Au cœur de cette problématique se trouve le concept d'exposome urbain, qui englobe l'ensemble des expositions environnementales auxquelles un individu est soumis tout au long de sa vie. La distribution spatiale de ces expositions n'est pas homogène et tend à suivre les contours des inégalités sociales préexistantes, créant ainsi un cercle vicieux d'inégalités environnementales de santé.

Les Systèmes d'Information Géographique (SIG) et les méthodes géomatiques constituent des outils privilégiés pour étudier ces phénomènes complexes. En permettant la visualisation, l'analyse et la modélisation des données spatiales, ils offrent un cadre méthodologique puissant pour comprendre comment les expositions environnementales se cumulent dans l'espace et dans le temps, et comment ce cumul affecte différemment les populations selon leur statut socio-économique.

Ce blog vise à explorer comment la géomatique et les SIG peuvent être mobilisés pour étudier le rôle du cumul d'exposition environnementale sur les inégalités sociales de santé. Il s'adresse aux étudiants en géographie, en aménagement du territoire, en santé publique, ainsi qu'aux professionnels des collectivités territoriales et du secteur de la santé publique qui souhaitent intégrer ces outils dans leurs pratiques.

1. L'exposome urbain : un concept clé pour comprendre les inégalités environnementales de santé

1.1 Définition et composantes de l'exposome urbain

L'exposome est défini comme la totalité des expositions auxquelles un individu est soumis de sa conception à sa mort, et qui peuvent influencer sa santé [1]. Dans le contexte urbain, l'exposome comprend notamment :

• La pollution atmosphérique (particules fines, oxydes d'azote, ozone)

• Le bruit (trafic routier, ferroviaire, aérien, activités industrielles)

• L'exposition aux substances chimiques (pesticides, perturbateurs endocriniens)

• Les facteurs météorologiques (îlots de chaleur urbains)

• L'environnement bâti (densité, morphologie urbaine, accessibilité aux services)

• Les espaces verts et bleus (parcs, jardins, cours d'eau)

• Les facteurs sociaux (capital social, cohésion communautaire)

La particularité de l'exposome est qu'il intègre la dimension temporelle des expositions, reconnaissant ainsi l'existence de périodes critiques du développement pendant lesquelles certaines expositions peuvent avoir des effets plus marqués sur la santé [2].

1.2 Les inégalités environnementales : définition et mécanismes

Les inégalités environnementales désignent la distribution inégale des expositions environnementales en fonction des caractéristiques socio-économiques des populations [3]. Elles peuvent prendre plusieurs formes :

• Exposition différentielle : les populations défavorisées sont souvent plus exposées aux nuisances environnementales (pollution, bruit).

• Accès inégal aux aménités environnementales : les populations favorisées bénéficient généralement d'un meilleur accès aux espaces verts, à l'eau potable de qualité, etc.

• Vulnérabilité différentielle : à exposition égale, les populations défavorisées peuvent être plus vulnérables en raison d'un état de santé préalablement dégradé ou d'un accès limité aux soins.

• Capacité d'adaptation inégale : les populations favorisées disposent de plus de ressources pour s'adapter ou se protéger face aux nuisances environnementales.

Ces inégalités tendent à se cumuler et à se renforcer mutuellement, créant ainsi un cercle vicieux d'inégalités sociales et environnementales de santé [4].

2. Apports de la géomatique et des SIG dans l'étude des inégalités environnementales

2.1 Principes fondamentaux des SIG appliqués à l'étude de l'exposome

Les Systèmes d'Information Géographique (SIG) sont des outils informatiques permettant de collecter, stocker, analyser et visualiser des données spatiales. Ils reposent sur plusieurs principes fondamentaux qui en font des outils particulièrement adaptés à l'étude de l'exposome et des inégalités environnementales :

• Intégration de données hétérogènes : Les SIG permettent d'intégrer et de superposer des données de sources variées (données de pollution, recensement, imagerie satellite), essentielles pour caractériser l'exposome dans sa globalité [5].

• Analyse multi-échelle : Ils permettent d'analyser les phénomènes à différentes échelles spatiales (du quartier à la région) et temporelles (du quotidien à la vie entière).

• Modélisation spatiale : Les SIG offrent des fonctionnalités avancées pour modéliser la distribution spatiale des expositions environnementales et analyser leurs relations avec les caractéristiques socio-économiques des territoires [6].

• Visualisation dynamique : Ils facilitent la visualisation des données complexes sous forme de cartes interactives, rendant ainsi les résultats plus accessibles aux décideurs et au grand public.

2.2 Méthodes géomatiques pour caractériser l'exposome urbain

Plusieurs méthodes géomatiques sont particulièrement pertinentes pour caractériser l'exposome urbain :

2.2.1 Télédétection et imagerie satellite

La télédétection permet de collecter des informations sur l'environnement urbain sans contact direct. Par exemple :

• Les images satellites à haute résolution peuvent être utilisées pour cartographier la végétation urbaine (indice NDVI) et identifier les îlots de chaleur urbains.

• Les images hyperspectrales permettent de détecter et de quantifier certains polluants atmosphériques [7].

2.2.2 Modélisation spatiale des expositions environnementales

Les modèles géostatistiques permettent d'estimer la distribution spatiale des expositions environnementales à partir de mesures ponctuelles :

• Le krigeage est souvent utilisé pour interpoler les concentrations de polluants atmosphériques entre les stations de mesure [8].

• Les modèles de régression spatiale (Land Use Regression) permettent d'estimer les niveaux de pollution en fonction de l'utilisation du sol, de la densité de trafic et d'autres variables explicatives [9].

2.2.3 Analyse de réseau pour l'accessibilité aux services et aménités

Les analyses de réseau permettent d'évaluer l'accessibilité géographique aux services de santé, aux espaces verts et à d'autres aménités urbaines :

• Calcul d'isochrones pour déterminer les zones accessibles en un temps donné.

• Calcul de distances réseau (plutôt qu'à vol d'oiseau) pour mieux refléter les déplacements réels des habitants [10].

  
  

3. Méthodologies avancées pour l'étude du cumul d'exposition

3.1 Création d'indicateurs composites de l'exposome

Pour capturer la complexité de l'exposome, il est souvent nécessaire de développer des indicateurs composites qui intègrent plusieurs dimensions de l'environnement urbain. Ces indicateurs peuvent être créés en utilisant diverses méthodes géomatiques :

3.1.1 Analyse multicritère spatiale

L'analyse multicritère spatiale permet de combiner plusieurs couches d'information en fonction de leur importance relative pour créer un indice composite de qualité environnementale [11]. Par exemple, un indice de "fardeau environnemental" pourrait combiner les données sur la pollution atmosphérique, le bruit, la proximité aux industries polluantes et l'absence d'espaces verts.

3.1.2 Indices de défaveur environnementale

Sur le modèle des indices de défaveur sociale (comme l'indice de Townsend ou l'indice européen de défaveur), des chercheurs ont développé des indices de défaveur environnementale qui synthétisent plusieurs expositions néfastes et/ou le manque d'accès aux aménités environnementales [12].

3.2 Analyse des trajectoires d'exposition au cours de la vie

L'étude du cumul d'exposition au cours de la vie nécessite des approches méthodologiques spécifiques pour capturer la dimension temporelle de l'exposome :

3.2.1 Reconstitution des histoires résidentielles

Pour étudier l'exposition cumulée au cours de la vie, il est nécessaire de reconstituer les trajectoires résidentielles des individus. Des méthodes de géocodage rétrospectif peuvent être utilisées pour localiser les adresses successives des participants à des cohortes [13].

3.2.2 Modélisation spatio-temporelle des expositions historiques

Les expositions passées peuvent être modélisées en combinant des données historiques sur les sources de pollution avec des modèles de dispersion atmosphérique ou des techniques de Land Use Regression [14]. Par exemple, la méthode STEMS (Spatio-Temporal Exposure Modeling System) permet de reconstruire l'historique des expositions à la pollution atmosphérique [15].

3.3 Méthodes pour l'analyse des interactions entre facteurs sociaux et environnementaux

L'étude des inégalités environnementales nécessite des méthodes statistiques adaptées pour analyser les interactions complexes entre facteurs sociaux et environnementaux :

3.3.1 Analyse de régression multiniveau

Les modèles multiniveaux permettent d'intégrer simultanément des variables individuelles (âge, sexe, niveau d'éducation) et des variables contextuelles (caractéristiques du quartier, expositions environnementales) pour analyser leurs effets sur la santé [16].

3.3.2 Méthodes bayésiennes pour l'analyse spatiale

Les approches bayésiennes permettent de modéliser la variabilité spatiale des expositions environnementales et de leurs effets sur la santé, tout en tenant compte de l'incertitude associée aux estimations [17].

Ce schéma conceptuel illustre comment les expositions environnementales s'accumulent différemment au cours de la vie selon le statut socio-économique, avec des périodes critiques où ces expositions ont un impact plus marqué sur la santé.

4. Études de cas et applications pratiques

4.1 Cartographie du cumul d'exposition dans les zones urbaines françaises

Plusieurs études françaises ont mobilisé les SIG pour cartographier le cumul d'expositions environnementales et analyser ses liens avec les inégalités sociales :

4.1.1 Projet Equit'Area

Le projet Equit'Area a étudié les relations entre défaveur sociale et expositions environnementales dans plusieurs agglomérations françaises (Lille, Paris, Marseille, Lyon) [18]. À l'aide de méthodes géostatistiques, les chercheurs ont mis en évidence des patterns spatiaux complexes d'inégalités environnementales, avec des situations contrastées selon les polluants considérés et les contextes urbains.

4.1.2 Cartographie des zones de multi-exposition en Île-de-France

L'Observatoire Régional de Santé d'Île-de-France a développé une méthodologie pour identifier les "points noirs environnementaux", c'est-à-dire les zones cumulant plusieurs nuisances environnementales (pollution atmosphérique, bruit, pollution des sols) [19]. Cette méthodologie, basée sur des analyses SIG, a permis de produire des cartes de cumul d'exposition qui ont été croisées avec des données socio-économiques pour identifier les situations d'inégalités environnementales.

4.2 Suivi longitudinal des expositions environnementales dans les cohortes de naissance

Les cohortes de naissance constituent des dispositifs précieux pour étudier les effets à long terme du cumul d'expositions environnementales :

4.2.1 L'exemple de la cohorte EDEN

La cohorte EDEN (Étude des Déterminants pré et post natals du développement et de la santé de l'Enfant) a intégré des méthodes géomatiques pour caractériser l'environnement résidentiel des participants et suivre l'évolution de leurs expositions environnementales au cours du temps [20]. Ces données ont permis d'étudier les effets de l'exposition prénatale et postnatale à la pollution atmosphérique sur le développement neurocognitif des enfants, en tenant compte du contexte socio-économique.

4.2.2 L'approche lifecourse GIS

L'approche "lifecourse GIS" consiste à intégrer la dimension temporelle dans les analyses géospatiales pour capturer l'évolution des expositions environnementales tout au long de la vie [21]. Cette approche a été utilisée dans plusieurs cohortes internationales pour étudier les effets cumulatifs des expositions environnementales sur diverses pathologies, comme l'asthme, l'obésité ou les maladies cardiovasculaires.

4.3 Applications dans la planification urbaine et l'évaluation d'impact sur la santé

Les méthodes géomatiques d'analyse du cumul d'exposition peuvent être mobilisées dans le cadre de démarches d'évaluation d'impact sur la santé (EIS) ou de planification urbaine :

4.3.1 EIS du projet de réaménagement du quartier des Ardoines à Vitry-sur-Seine

Dans le cadre de cette EIS, des méthodes géomatiques ont été utilisées pour évaluer les impacts potentiels du projet de réaménagement sur diverses expositions environnementales (pollution atmosphérique, bruit, îlots de chaleur urbains) et pour identifier les populations vulnérables [22]. Cette démarche a permis de formuler des recommandations pour limiter les inégalités environnementales de santé.

4.3.2 Planification de la trame verte urbaine pour réduire les inégalités d'accès aux espaces verts

Plusieurs collectivités territoriales ont mobilisé les SIG pour optimiser la planification de leurs trames vertes urbaines, en visant une réduction des inégalités d'accès aux espaces verts [23]. Ces démarches s'appuient sur des analyses d'accessibilité qui tiennent compte de la répartition spatiale des populations selon leur niveau socio-économique.

5. Outils et données pour l'étude géomatique de l'exposome urbain

5.1 Logiciels SIG adaptés à l'étude de l'exposome

Plusieurs logiciels SIG peuvent être utilisés pour l'étude géomatique de l'exposome, chacun avec ses spécificités :

5.1.1 Logiciels SIG bureautiques

• QGIS : Solution open-source complète, particulièrement adaptée pour l'intégration de données hétérogènes et la cartographie thématique. L'extension "Processing" offre de nombreux outils d'analyse spatiale pertinents pour l'étude de l'exposome [24].

• ArcGIS : Solution commerciale offrant des fonctionnalités avancées pour l'analyse de réseau et la modélisation spatiale. Les extensions "Spatial Analyst" et "Network Analyst" sont particulièrement utiles pour l'étude des expositions environnementales [25].

• GeoDa : Logiciel spécialisé dans l'analyse exploratoire de données spatiales, permettant de détecter des clusters spatiaux d'expositions environnementales ou de caractéristiques socio-économiques [26].

5.1.2 Solutions de programmation et d'analyse spatiale

• R Spatial : L'écosystème spatial de R (packages sf, sp, raster, etc.) offre des fonctionnalités puissantes pour l'analyse géospatiale et la modélisation statistique des relations entre expositions environnementales et caractéristiques socio-économiques [27].

• Python Spatial : Les bibliothèques Python comme GeoPandas, PySAL et Rasterio permettent de développer des workflows d'analyse spatiale reproductibles et adaptés à l'étude de l'exposome [28].

5.2 Sources de données pour caractériser l'exposome urbain en France

De nombreuses sources de données sont disponibles en France pour caractériser les différentes composantes de l'exposome urbain :

5.2.1 Données environnementales

• Pollution atmosphérique : Données des Associations Agréées de Surveillance de la Qualité de l'Air (AASQA), modèles nationaux PREV'AIR et CHIMERE, données de l'inventaire national spatialisé [29].

• Bruit : Cartes stratégiques de bruit produites par les agglomérations et les gestionnaires d'infrastructures dans le cadre de la directive européenne 2002/49/CE [30].

• Espaces verts : BD TOPO® de l'IGN, données OpenStreetMap, classification d'images satellites [31].

• Îlots de chaleur urbains : Données de température de surface issues de l'imagerie thermique (Landsat, MODIS) [32].

5.2.2 Données socio-économiques

• Caractéristiques démographiques et socio-économiques : Données du recensement de la population de l'INSEE à l'échelle des IRIS, données FiLoSoFi sur les revenus fiscaux [33].

• Indices de défaveur sociale : Indice de défaveur sociale (Fdep), indice européen de défaveur (EDI) [34].

5.3 Méthodes de géocodage et d'estimation des expositions résidentielles

L'estimation des expositions résidentielles constitue une étape cruciale dans l'étude de l'exposome et des inégalités environnementales :

5.3.1 Géocodage des adresses

Le géocodage consiste à attribuer des coordonnées géographiques à des adresses postales. Plusieurs outils sont disponibles en France :

• Base Adresse Nationale (BAN) et API Géocodage du Gouvernement [35].

• QGIS et son extension MMQGIS pour le géocodage par lots [36].

• Packages R comme geocode ou tidygeocoder pour le géocodage automatisé [37].

5.3.2 Définition des zones d'exposition résidentielle

Plusieurs approches peuvent être utilisées pour définir les zones d'exposition résidentielle :

• Zones tampons (buffers) : Création de cercles autour des points d'adresse avec des rayons variables selon le type d'exposition (par exemple, 100 m pour le bruit, 500 m pour l'accès aux espaces verts) [38].

• Polygones de Voronoï : Création de zones d'influence autour des stations de mesure pour estimer les expositions dans les zones intermédiaires [39].

• Activity spaces : Modélisation des espaces d'activité quotidienne au-delà du seul lieu de résidence, pour mieux capturer l'exposition totale [40].

5.3.3 Méthodes d'attribution des niveaux d'exposition

Plusieurs méthodes peuvent être utilisées pour attribuer des niveaux d'exposition aux individus à partir de données spatiales :

• Valeur au point : Attribution de la valeur au point de l'adresse géocodée.

• Moyenne dans une zone tampon : Calcul de la moyenne des valeurs d'exposition dans une zone tampon autour de l'adresse.

• Distance pondérée : Pondération des valeurs d'exposition en fonction de la distance à l'adresse.

• Modèles de Land Use Regression (LUR) : Estimation des niveaux d'exposition à partir de variables explicatives locales (usage du sol, densité de trafic, etc.) [41].

  
  

6. Défis méthodologiques et perspectives futures

6.1 Limites actuelles et défis méthodologiques

Malgré les avancées récentes, l'étude géomatique du cumul d'exposition environnementale et de ses liens avec les inégalités sociales de santé se heurte encore à plusieurs défis méthodologiques :

6.1.1 Erreurs de mesure et incertitudes spatiales

Les estimations d'exposition basées sur le géocodage et les méthodes d'attribution spatiale sont sujettes à diverses sources d'incertitude :

• Erreurs de géocodage : Les adresses peuvent être géocodées avec une précision variable, introduisant des erreurs dans l'estimation des expositions [42].

• Mobilité quotidienne : L'exposition au lieu de résidence ne capture qu'une partie de l'exposition totale, négligeant les expositions au lieu de travail, dans les transports, etc. [43].

• Résolution temporelle : Les données environnementales sont souvent disponibles à des résolutions temporelles limitées, ne permettant pas de capturer les variations à court terme des expositions [44].

6.1.2 Effets de contexte versus effets de composition

Distinguer les effets propres de l'environnement (effets de contexte) des effets liés aux caractéristiques des populations qui y résident (effets de composition) reste un défi méthodologique majeur [45]. Des approches statistiques sophistiquées sont nécessaires pour démêler ces effets et éviter les biais écologiques.

6.1.3 Problèmes d'échelle et MAUP (Modifiable Areal Unit Problem)

Le choix de l'unité spatiale d'analyse peut influencer significativement les résultats, un problème connu sous le nom de MAUP (Modifiable Areal Unit Problem) [46]. Il est donc important de tester la sensibilité des résultats à différentes échelles d'analyse et de privilégier les approches multi-échelles.

6.2 Innovations technologiques et nouvelles approches

Plusieurs innovations technologiques ouvrent des perspectives prometteuses pour l'étude géomatique de l'exposome et des inégalités environnementales :

6.2.1 Capteurs personnels et Internet of Things (IoT)

Les capteurs personnels de pollution, de bruit ou d'autres paramètres environnementaux permettent de collecter des données d'exposition à l'échelle individuelle, avec une haute résolution spatiale et temporelle [47]. Ces dispositifs peuvent être intégrés dans des infrastructures d'Internet des Objets (IoT) pour créer des réseaux de surveillance environnementale à faible coût.

6.2.2 Géolocalisation par smartphone et exposition dynamique

Les smartphones équipés de GPS permettent de suivre les déplacements des individus et d'estimer leur exposition environnementale de manière dynamique [48]. Des applications comme ExpoApp ou CalFit ont été développées

6.2.2 Géolocalisation par smartphone et exposition dynamique (suite)

Les smartphones équipés de GPS permettent de suivre les déplacements des individus et d'estimer leur exposition environnementale de manière dynamique [48]. Des applications comme ExpoApp ou CalFit ont été développées spécifiquement pour les études épidémiologiques, permettant de collecter simultanément des données de localisation et des mesures d'exposition via des capteurs intégrés ou connectés [49]. Cette approche permet de mieux capturer l'exposome "personnel" et de dépasser les limites des estimations basées uniquement sur le lieu de résidence.

6.2.3 Intelligence artificielle et apprentissage automatique

Les méthodes d'intelligence artificielle et d'apprentissage automatique offrent de nouvelles possibilités pour l'analyse des données spatiales complexes de l'exposome :

• Les réseaux de neurones convolutifs peuvent être utilisés pour extraire des informations sur l'environnement urbain à partir d'images satellites ou de vues de rue [50].

• Les méthodes de deep learning peuvent améliorer les modèles de prédiction des expositions environnementales en intégrant des sources de données hétérogènes [51].

• Les techniques de fouille de données spatiales peuvent aider à identifier des patterns complexes d'inégalités environnementales [52].

6.3 Vers une approche intégrée de l'exposome et des inégalités environnementales

Pour progresser dans la compréhension des liens complexes entre exposome, inégalités sociales et santé, plusieurs pistes de recherche semblent particulièrement prometteuses :

6.3.1 Approches de mixité méthodologique

La combinaison de méthodes quantitatives (analyses géospatiales, modélisation statistique) et qualitatives (entretiens, cartographie participative) peut enrichir considérablement la compréhension des inégalités environnementales [53]. Les approches de science citoyenne, où les habitants participent à la collecte et à l'interprétation des données environnementales, peuvent également apporter un éclairage précieux sur les perceptions et les vécus des expositions environnementales [54].

6.3.2 Intégration des dimensions temporelles et spatiales

L'approche lifecourse GIS, qui intègre les dimensions spatiales et temporelles dans l'analyse de l'exposome, mérite d'être développée et systématisée [55]. Cette approche nécessite des méthodes d'analyse spatio-temporelle avancées, comme les méthodes de géostatistique spatio-temporelle ou les modèles à effets mixtes avec composantes spatiale et temporelle [56].

6.3.3 De la description à l'action : SIG participatifs et aide à la décision

Au-delà de la description des inégalités environnementales, les méthodes géomatiques peuvent être mobilisées dans une perspective d'action et de transformation sociale :

• Les SIG participatifs permettent d'impliquer les communautés concernées dans l'identification et la caractérisation des problèmes environnementaux qui les affectent [57].

• Les systèmes d'aide à la décision spatiale peuvent aider les décideurs à concevoir et à évaluer des interventions visant à réduire les inégalités environnementales de santé [58].

  
  

7. Recommandations pratiques pour les étudiants et professionnels

7.1 Conseils pour la mise en œuvre d'une étude géomatique de l'exposome

7.1.1 Planification et design de l'étude

1. Définir clairement les questions de recherche : Spécifier les expositions environnementales et les populations d'intérêt, ainsi que les échelles spatiales et temporelles pertinentes.

2. Réaliser une revue systématique des méthodes existantes : S'appuyer sur les méthodes validées dans la littérature scientifique pour caractériser les expositions environnementales d'intérêt.

3. Adopter une approche multidisciplinaire : Collaborer avec des épidémiologistes, des géographes, des sociologues et d'autres experts pour enrichir l'approche méthodologique.

4. Planifier la gestion des données : Concevoir une structure de base de données spatiales adaptée à l'intégration de données hétérogènes sur l'exposome.

7.1.2 Collecte et traitement des données

1. Privilégier les sources de données officielles et validées : Utiliser des données provenant d'organismes officiels (INSEE, AASQA, IGN) pour garantir la qualité et la comparabilité des résultats.

2. Documenter rigoureusement les métadonnées : Consigner les informations sur la provenance, la date, la résolution et la qualité des données pour faciliter leur réutilisation et leur interprétation.

3. Mettre en place des procédures de contrôle qualité : Vérifier systématiquement la qualité du géocodage, l'intégrité des données spatiales et la cohérence des estimations d'exposition.

4. Prétraiter les données environnementales : Harmoniser les projections, résolutions et formats des données environnementales pour faciliter leur intégration.

7.1.3 Analyse et interprétation des résultats

1. Tester la sensibilité des résultats : Analyser la robustesse des résultats en variant les paramètres méthodologiques (rayon des zones tampons, méthodes d'attribution des expositions, échelles d'analyse).

2. Quantifier l'incertitude : Estimer et communiquer l'incertitude associée aux estimations d'exposition et à leurs relations avec les caractéristiques socio-économiques.

3. Contextualiser les résultats : Interpréter les patterns d'inégalités environnementales à la lumière du contexte historique, social et politique des territoires étudiés.

4. Privilégier les visualisations claires et informatives : Concevoir des cartes et des graphiques qui communiquent efficacement les patterns spatiaux d'inégalités environnementales.

7.2 Ressources pédagogiques et formations recommandées

7.2.1 Formations académiques

Plusieurs formations universitaires en France offrent des enseignements pertinents pour l'étude géomatique de l'exposome et des inégalités environnementales :

• Master Géomatique appliquée aux études urbaines et aux risques (Université Paris-Est Créteil)

• Master Géographie de la Santé (Université Paris Nanterre)

• Master Santé Publique, parcours Environnement et Santé (Université de Rennes)

• Master Géomatique et Modélisation Spatiale (Aix-Marseille Université)

7.2.2 Ressources en ligne

De nombreuses ressources en ligne permettent d'acquérir ou de renforcer ses compétences en géomatique appliquée à l'exposome :

• MOOC "Géomatique et urbanisme" (École des Ponts ParisTech)

• MOOC "Environmental Health: The Complex Interplay Between Environment and Disease" (Coursera)

• Tutoriels QGIS pour la santé environnementale (GeoHealthCheck)

• R Spatial Cookbook pour l'analyse des données environnementales (r-spatial.org)

7.2.3 Communautés de pratique

Plusieurs communautés de pratique offrent des espaces d'échange et de partage d'expériences autour de la géomatique appliquée à la santé environnementale :

• Réseau RIATE (Réseau Interdisciplinaire pour l'Aménagement et la Cohésion des Territoires de l'Europe)

• GeoHealthCheck (communauté internationale sur la géomatique et la santé)

• Forum GeoCommunity.fr (section Santé et Environnement)

• Groupe de travail "Géographie de la santé" du CNRS

  
  

7.3 Étapes pour démarrer un projet de recherche sur l'exposome

Pour les étudiants ou les professionnels souhaitant initier un projet de recherche sur l'exposome urbain et les inégalités environnementales, voici une démarche structurée en 10 étapes :

1. Formuler une question de recherche précise : Par exemple, "Dans quelle mesure le cumul d'expositions environnementales (pollution atmosphérique, bruit, manque d'espaces verts) est-il associé au niveau socio-économique des quartiers dans l'agglomération de X ?".

2. Réaliser une synthèse bibliographique : Identifier les méthodes géomatiques déjà utilisées pour caractériser les expositions d'intérêt et leurs relations avec les inégalités sociales.

3. Définir le territoire d'étude et les unités spatiales d'analyse : Choisir une échelle adaptée à la question de recherche (IRIS, carreaux INSEE, bâtiments, etc.).

4. Identifier et collecter les données nécessaires : Recenser les sources de données environnementales et socio-économiques disponibles pour le territoire d'étude.

5. Mettre en place une géodatabase structurée : Organiser les données spatiales dans une base de données géographiques cohérente (format shapefile, GeoPackage ou PostGIS).

6. Caractériser les expositions environnementales : Utiliser les méthodes géomatiques appropriées pour estimer les niveaux d'exposition à différentes nuisances et aménités environnementales.

7. Développer des indicateurs de cumul d'exposition : Construire des indicateurs composites qui capturent le cumul d'expositions environnementales positives et négatives.

8. Analyser les relations avec les caractéristiques socio-économiques : Utiliser des méthodes statistiques spatiales pour explorer les associations entre cumul d'exposition et niveau socio-économique.

9. Produire des visualisations cartographiques : Créer des cartes thématiques qui mettent en évidence les patterns spatiaux d'inégalités environnementales.

10. Interpréter les résultats et formuler des recommandations : Discuter les implications des résultats pour les politiques publiques d'aménagement urbain et de santé environnementale.

    
    

Conclusion

L'étude du rôle du cumul d'exposition environnementale sur les inégalités sociales de santé constitue un champ de recherche en plein développement, à l'interface de la géographie de la santé, de l'épidémiologie environnementale et de l'aménagement du territoire. Les méthodes géomatiques et les SIG offrent un cadre méthodologique puissant pour caractériser l'exposome urbain dans sa complexité spatiale et temporelle, et pour analyser ses relations avec les caractéristiques socio-économiques des territoires et des populations.

Les avancées récentes dans les domaines de la télédétection, de la modélisation spatiale, de la géolocalisation et de l'intelligence artificielle ouvrent des perspectives prometteuses pour affiner notre compréhension des mécanismes par lesquels les inégalités environnementales peuvent contribuer aux inégalités sociales de santé. Cependant, ces avancées méthodologiques doivent s'accompagner d'une réflexion critique sur les limites des approches géospatiales et sur la nécessité de les compléter par d'autres perspectives disciplinaires.

Au-delà de leur intérêt scientifique, ces travaux revêtent une importance sociétale majeure dans un contexte de transition écologique et sociale. En mettant en évidence les mécanismes spatiaux de reproduction des inégalités environnementales et sanitaires, ils peuvent contribuer à éclairer les politiques publiques d'aménagement urbain, de santé publique et de justice environnementale. L'enjeu est de taille : construire des territoires plus résilients, plus équitables et plus favorables à la santé de tous, en particulier des populations les plus vulnérables.

Références bibliographiques

[1] Wild CP. Complementing the genome with an "exposome": the outstanding challenge of environmental exposure measurement in molecular epidemiology. Cancer Epidemiol Biomarkers Prev. 2005;14(8):1847-1850.

[2] Nieuwenhuijsen MJ, Agier L, Basagaña X, et al. Influence of the Urban Exposome on Birth Weight. Environ Health Perspect. 2019;127(4):47007.

[3] Walker G. Environmental Justice: Concepts, Evidence and Politics. Routledge; 2012.

[4] Deguen S, Zmirou-Navier D. Social inequalities resulting from health risks related to ambient air quality—A European review. Eur J Public Health. 2010;20(1):27-35.

[5] Jerrett M, Gale S, Kontgis C. Spatial Modeling in Environmental and Public Health Research. Int J Environ Res Public Health. 2010;7(4):1302-1329.

[6] Kwan MP. The Uncertain Geographic Context Problem. Ann Assoc Am Geogr. 2012;102(5):958-968.

[7] Venter ZS, Barton DN, Gundersen V, et al. Urban nature in a time of crisis: recreational use of green space increases during the COVID-19 outbreak in Oslo, Norway. Environ Res Lett. 2020;15(10):104075.

[8] Briggs DJ, de Hoogh C, Gulliver J, et al. A regression-based method for mapping traffic-related air pollution: application and testing in four contrasting urban environments. Sci Total Environ. 2000;253(1-3):151-167.

[9] Eeftens M, Beelen R, de Hoogh K, et al. Development of Land Use Regression Models for PM2.5, PM2.5 Absorbance, PM10 and PMcoarse in 20 European Study Areas; Results of the ESCAPE Project. Environ Sci Technol. 2012;46(20):11195-11205.

[10] Apparicio P, Abdelmajid M, Riva M, Shearmur R. Comparing alternative approaches to measuring the geographical accessibility of urban health services: Distance types and aggregation-error issues. Int J Health Geogr. 2008;7:7.

[11] Saaty TL. The Analytic Hierarchy Process. McGraw-Hill; 1980.

[12] Padilla CM, Kihal-Talantikite W, Vieira VM, et al. Air quality and social deprivation in four French metropolitan areas—A localized spatio-temporal environmental inequality analysis. Environ Res. 2014;134:315-324.

[13] Hystad P, Demers PA, Johnson KC, et al. Spatiotemporal air pollution exposure assessment for a Canadian population-based lung cancer case-control study. Environ Health. 2012;11:22.

[14] Coudon T, Salizzoni P, Praud D, et al. A national inventory of historical dioxin air emissions sources in France. Atmos Environ. 2019;200:229-239.

[15] Chen H, Goldberg MS, Villeneuve PJ. A systematic review of the relation between long-term exposure to ambient air pollution and chronic diseases. Rev Environ Health. 2008;23(4):243-297.

[16] Chaix B, Merlo J, Subramanian SV, et al. Comparison of a Spatial Perspective with the Multilevel Analytical Approach in Neighborhood Studies: The Case of Mental and Behavioral Disorders due to Psychoactive Substance Use in Malmö, Sweden, 2001. Am J Epidemiol. 2005;162(2):171-182.

[17] Blangiardo M, Cameletti M. Spatial and Spatio-temporal Bayesian Models with R-INLA. Wiley; 2015.

[18] Padilla CM, Deguen S, Lalloue B, et al. Cluster analysis of social and environment inequalities of infant mortality. A spatial study in small areas revealed by local disease mapping in France. Sci Total Environ. 2013;454-455:433-441.

[19] Host S, Chatignoux E, Leal C, Grémy I. Exposition à la pollution atmosphérique et santé des populations défavorisées : points de vigilance et recommandations. Observatoire Régional de Santé d'Île-de-France; 2012.

[20] Lepeule J, Caïni F, Bottagisi S, et al. Maternal exposure to nitrogen dioxide during pregnancy and offspring birth weight: comparison of two exposure models. Environ Health Perspect. 2010;118(10):1483-1489.

[21] James P, Jankowska M, Marx C, et al. "Spatial Energetics": Integrating Data From GPS, Accelerometry, and GIS to Address Obesity and Inactivity. Am J Prev Med. 2016;51(5):792-800.

[22] Besse-Schmittler C, Praznoczy C, Villeval M. Évaluation d'impact sur la santé du projet de réaménagement du quartier des Ardoines à Vitry-sur-Seine. Rapport final. ARS Île-de-France; 2017.

[23] Barbosa O, Tratalos JA, Armsworth PR, et al. Who benefits from access to green space? A case study from Sheffield, UK. Landsc Urban Plan. 2007;83(2-3):187-195.

[24] QGIS Development Team. QGIS Geographic Information System. Open Source Geospatial Foundation Project; 2022.

[25] ESRI. ArcGIS Desktop: Release 10.8. Environmental Systems Research Institute; 2020.

[26] Anselin L, Syabri I, Kho Y. GeoDa: An Introduction to Spatial Data Analysis. Geogr Anal. 2006;38(1):5-22.

[27] Pebesma E. Simple Features for R: Standardized Support for Spatial Vector Data. R J. 2018;10(1):439-446.

[28] Rey SJ, Arribas-Bel D, Wolf LJ. Geographic Data Science with Python. CRC Press; 2023.

[29] LCSQA. Inventaire national spatialisé des émissions de polluants dans l'air. Laboratoire Central de Surveillance de la Qualité de l'Air; 2020.

[30] Directive 2002/49/CE du Parlement européen et du Conseil du 25 juin 2002 relative à l'évaluation et à la gestion du bruit dans l'environnement.

[31] IGN. BD TOPO® Version 3.0 - Descriptif de contenu. Institut National de l'Information Géographique et Forestière; 2021.

[32] Dousset B, Gourmelon F, Laaidi K, et al. Satellite monitoring of summer heat waves in the Paris metropolitan area. Int J Climatol. 2011;31(2):313-323.

[33] INSEE. Bases de données et fichiers détail. Institut National de la Statistique et des Études Économiques; 2022.

[34] Pornet C, Delpierre C, Dejardin O, et al. Construction of an adaptable European transnational ecological deprivation index: the French version. J Epidemiol Community Health. 2012;66(11):982-989.

[35] Base Adresse Nationale (BAN). République Française; 2022.

[36] Minn M. MMQGIS: A set of Python plugins for manipulating vector map layers in Quantum GIS. 2022.

[37] Tennekes M. tmap: Thematic Maps in R. J Stat Softw. 2018;84(6):1-39.

[38] Frank LD, Fox EH, Ulmer JM, et al. International comparison of observation-specific spatial buffers: maximizing the ability to estimate physical activity. Int J Health Geogr. 2017;16:4.

[39] Wong DWS, Lee J. Statistical Analysis of Geographic Information with ArcView GIS and ArcGIS. Wiley; 2005.

[40] Perchoux C, Chaix B, Cummins S, Kestens Y. Conceptualization and measurement of environmental exposure in epidemiology: Accounting for activity space related to daily mobility. Health Place. 2013;21:86-93.

[41] de Hoogh K, Korek M, Vienneau D, et al. Comparing land use regression and dispersion modelling to assess residential exposure to ambient air pollution for epidemiological studies. Environ Int. 2014;73:382-392.

[42] Zandbergen PA. A comparison of address point, parcel and street geocoding techniques. Comput Environ Urban Syst. 2008;32(3):214-232.

[43] Setton E, Marshall JD, Brauer M, et al. The impact of daily mobility on exposure to traffic-related air pollution and health effect estimates. J Expo Sci Environ Epidemiol. 2011;21(1):42-48.

[44] Jerrett M, Arain A, Kanaroglou P, et al. A review and evaluation of intraurban air pollution exposure models. J Expo Anal Environ Epidemiol. 2005;15(2):185-204.

[45] Macintyre S, Ellaway A, Cummins S. Place effects on health: how can we conceptualise, operationalise and measure them? Soc Sci Med. 2002;55(1):125-139.

[46] Openshaw S. The Modifiable Areal Unit Problem. GeoBooks; 1984.

[47] Snyder EG, Watkins TH, Solomon PA, et al. The Changing Paradigm of Air Pollution Monitoring. Environ Sci Technol. 2013;47(20):11369-11377.

[48] Steinle S, Reis S, Sabel CE. Quantifying human exposure to air pollution—Moving from static monitoring to spatio-temporally resolved personal exposure assessment. Sci Total Environ. 2013;443:184-193.

[49] Donaire-Gonzalez D, Valentín A, de Nazelle A, et al. Benefits of Mobile Phone Technology for Personal Environmental Monitoring. JMIR Mhealth Uhealth. 2016;4(4).

[50] Gevaert CM, Persello C, Sliuzas R, et al. Informal settlement classification using point-cloud and image-based features from UAV data. ISPRS J Photogramm Remote Sens. 2017;125:225-236.

[51] Di Q, Amini H, Shi L, et al. An ensemble-based model of PM2.5 concentration across the contiguous United States with high spatiotemporal resolution. Environ Int. 2019;130:104909.

[52] Shekhar S, Jiang Z, Ali RY, et al. Spatiotemporal data mining: A computational perspective. ISPRS Int J Geo-Inf. 2015;4(4):2306-2338.

[53] Ard K. By all measures: an examination of the relationship between segregation and health risk from air pollution. Popul Environ. 2016;38(1):1-20.

[54] English PB, Richardson MJ, Garzón-Galvis C. From Crowdsourcing to Extreme Citizen Science: Participatory Research for Environmental Health. Annu Rev Public Health. 2018;39:335-350.

[55] Jacquez GM, Slotnick MJ, Meliker JR, et al. Residential mobility and breast cancer in Marin County, California, USA. Int J Environ Res Public Health. 2011;8(6):1936-1954.

[56] Sabel CE, Boyle P, Raab G, et al. Modelling individual space–time exposure opportunities: A novel approach to unravelling the genetic or environment disease causation debate. Spat Spatiotemporal Epidemiol. 2009;1(1):85-94.

[57] Brown G, Kyttä M. Key issues and research priorities for public participation GIS (PPGIS): A synthesis based on empirical research. Appl Geogr. 2014;46:122-136.

[58] Geneletti D. Multicriteria Analysis for Environmental Decision-Making. Anthem Press; 2019.