octobre 06, 2023

Quantification de l'impact de la mauvaise qualité de l'air et stratégies de mitigation

Dans Recherche 18 min. lecture

Article précédent
Écrit par
Nico Coallier
Article suivant

Introduction

Au cours de l'été 2023, l'hémisphère nord-américain a connu plusieurs jours de très mauvaise qualité de l'air dans les zones urbaines, principalement en raison d'incendies de forêt intenses dans le nord du Canada (voir ici). L'intensité et la fréquence des incendies devraient augmenter considérablement à l'avenir (Wang et al. 2022 ; Chan et al. 2022 ; Gaudreau et al. 2016). Outre de nombreux impacts économiques et écologiques, les changements dans la durée et la fréquence des incendies pourraient entraîner un doublement des concentrations de PM2.5 induites par les incendies d'ici 2050 (Sarangi et al. 2023) !

 

Nasa Firms, July 2023

 

On sait que la mauvaise qualité de l'air augmente le risque de nombreux problèmes de santé chez l’être humain. La mortalité associée à la mauvaise qualité de l'air a été estimée à 4 millions de personnes en 2019, 21 % de cette mortalité étant due à une maladie pulmonaire obstructive chronique (voir le rapport du PNUE). D'autre part, l'impact sur nos écosystèmes n'est pas encore bien compris (Sanderfoot et al. 2021). Les insectes pourraient être fortement touchés, car de nombreuses espèces dépendent de la détection des phéromones et de la polarisation du ciel pour s'orienter, communiquer et chercher leur nourriture. Des chercheurs ont montré les effets d'une mauvaise qualité de l'air sur le succès de l'accouplement et de la recherche de nourriture de diverses espèces telles que de nombreuses espèces de drosophiles (Jiang et al. 2023), les mouches domestiques (Wang et al. 2023), le papillon de la vierge peinte (Liu et al. 2021), les abeilles mellifères (Visscher et al. 1995 ; Démares et al. 2022 ; Leonard et al. 2007) et les abeilles mellifères géantes d'Asie (Thimmegowda et al. 2020). De nombreuses études ont également montré des effets sur différentes espèces d'oiseaux, de reptiles et de mammifères (Sanderfoot et al. 2021).

Comme de nombreux insectes, les abeilles mellifères utilisent les phéromones et les odeurs de fleurs (c'est-à-dire les composés organiques volatils) pour s'accoupler, communiquer et butiner (Neurobiologie de la communication chimique). De nombreuses études ont montré l'effet d'une augmentation des métaux lourds, de l'ozone et des particules fines sur la survie, la santé, le comportement et les performances des abeilles (Cunningham et al. 2022 ; Negri et al. 2015 ; Demares et al. 2022 ; Leonard et al. 2007 ; Monchanin et al. 2022 ; Lusebrink et al. 2015 ; Reitmayer et al. 2019). L'impact des différents polluants peut également agir sur la mémoire des abeilles concernant les sources de nectar, entraînant non seulement une désorientation mais aussi une incapacité à se souvenir des sources de nectar précédemment identifiées. Un tel impact pourrait expliquer l'augmentation de 71 % du temps de butinage observée lors d'épisodes de mauvaise qualité de l'air (Cho et al. 2021), qui influencent le comportement de butinage des pollinisateurs en diminuant leur efficacité de butinage. En effet, elles passent plus de temps dans les fleurs mais ne récoltent pas plus de nectar.

Avec un intérêt croissant pour l'apiculture urbaine et des épisodes plus importants et plus fréquents de mauvaise qualité de l'air dans les environnements ruraux, il est nécessaire de comprendre l'impact de la qualité de l'air sur la santé des abeilles afin de développer des pratiques de gestion qui aideront les apiculteurs à atténuer l'impact des épisodes de mauvaise qualité de l'air sur la santé de leurs ruches. Par exemple, l'impact de la diversité et de la densité de la végétation sur la résilience des abeilles face à des niveaux de contaminants plus élevés est quelque chose qui n'est pas compris et qui pourrait potentiellement réduire l'impact négatif de la mauvaise qualité de l'air. Ces enseignements devraient également promouvoir le rôle de l'abeille mellifère en tant que bioindicateur fiable.

En effet, au cours des 35 dernières années, les abeilles mellifères ont été largement utilisées comme bio-indicatrices (Bromenshenk et al. 1985 ; Goretti et al. 2020). Les bioindicateurs sont des organismes vivants utilisés pour évaluer la santé de l'écosystème naturel. Ils sont utilisés pour évaluer la santé environnementale et les changements biogéographiques qui ont lieu dans l'environnement et pourraient nous aider à mieux comprendre l'effet global de la mauvaise qualité de l'air sur les pollinisateurs dans différents habitats (Parmar et al. 2016). Le niveau de contamination des abeilles et d'autres composants de la ruche est bien corrélé avec les niveaux réels de contaminants dans l'habitat (di Fiore et al. 2022 ; Cunningham et al. 2022 ; Young et al. 2023). Bien que le miel ne semble pas transporter les contaminants (Borsuk et al. 2021), l'impact sur la santé des colonies pourrait être utilisé comme un excellent indicateur de la qualité de l'habitat. Des réactions similaires aux contaminants atmosphériques ont été observées chez diverses espèces de pollinisateurs telles que le bourdon commun de l'Est (Sivakoff et al. 2020 ; Scott et al. 2021) et la guêpe du figuier (Vanderplanck et al. 2021), ce qui souligne le potentiel des abeilles mellifères en tant que bons indicateurs pour les communautés de pollinisateurs. Sachant qu'une espèce sur six des 20 000 espèces d'abeilles recensées dans le monde serait localement éteinte (voir l'article de PBS), une bonne surveillance de leur santé est essentielle à leur conservation !

La qualité de l'air est généralement décrite à l'aide des données des capteurs suivants : Monoxyde de carbone (CO), monoxyde d'azote (NO), dioxyde d'azote (NO2), ozone (O3), dioxyde de soufre (SO2), ammoniac (NH3) et particules (PM2,5 et PM10).L’indice de qualité de l’air (AQHI) peut être utilisée pour évaluer les effets sur la santé des variations de la qualité de l'air. Elle regroupe quelques-unes des données de concentration de polluants atmosphériques citées précédemment en un indice numérique qui peut être utilisé pour mener diverses analyses. Vous trouverez une explication plus détaillée de la surveillance de la qualité de l'air ici. Nous nous concentrerons plus particulièrement sur les particules, car les incendies de forêt devraient augmenter considérablement leur contribution d'ici la fin du 21e siècle (Xie et al. 2021).

Dans cette étude, nous évaluerons l'impact des différents composants de la qualité de l'air sur la survie de la colonie. L'exposition aiguë accrue à différents niveaux de contaminants dans différents habitats n'a jamais été étudiée auparavant. En outre, nous aurons accès à plus de 30 000 ruches sur plus de 5 000 sites suivis pendant deux saisons en Amérique du Nord, ce qui nous permettra d'identifier des résultats plus généralisables sur l'effet de la qualité de l'air sur les abeilles mellifères et sur les effets de la structure du paysage qui pourraient contribuer à atténuer ces effets. Toutes les ruches analysées sont suivies à l'aide de la plateforme Nectar et sont soumises à des pratiques de gestion similaires.

Que disent les données?

Dans cette étude, nous utilisons des données anonymes provenant d'apiculteurs utilisant la plate-forme Nectar 1.19, une plateforme de suivi des ruches particulièrement adaptée aux apiculteurs commerciaux. Notre plateforme permet aux apiculteurs de conserver un historique de toutes les actions, états, localisations, mouvements, etc.De cette manière, des analyses peuvent être effectuées pour mieux comprendre les optimisations ou les opportunités potentielles. En outre, l'apiculteur entre dans une boucle de rétroaction, puisqu'il peut évaluer l'impact de ses décisions.

Nous avons donc accès aux données historiques des saisons 2020-2021 et 2021-2022 sur des opérations dispersées en Amérique du Nord. Les exploitations sélectionnées pour cette étude sont basées dans les États et provinces suivants : Québec, Alberta, Nouvelle-Écosse, Californie, Washington. Nous n'avons retenu que les exploitations pour lesquelles nous disposons d'au moins une année complète de données de suivi, afin d'appréhender la mortalité sur une saison.

 

Une partie de la technologie Beetrack, les étiquettes QR, RFID, NFC.

 

Bien qu'il soit possible d'atténuer la grande différence de nomenclature et de pratiques utilisées dans la collecte des données, nous n'examinerons que l'effet de la position de la ruche en considérant leurs mouvements sur la survie de la ruche. A partir des données publiques disponibles, nous pouvons accéder à plusieurs facteurs environnementaux susceptibles d'affecter la santé et donc la survie des abeilles. Nous avons choisi d'inclure dans nos analyses la qualité quotidienne de l'air (CAS), la température quotidienne, les précipitations quotidiennes, la vitesse moyenne quotidienne du vent, la direction dominante quotidienne du vent et un indice d'intensité de la végétation que nous pouvons extraire d'images satellites (i.e. NDVI). Les données sur les polluants atmosphériques ont été récupérées via Airpyllution, un paquetage Python qui permet d'accéder aux données actuelles et historiques sur la qualité de l'air à l'aide de l'API OpenWeather. Une attention particulière sera accordée à l'effet de la qualité de l'air sur la survie des abeilles et aux scénarios qui peuvent l'augmenter ou la diminuer. Une mauvaise qualité de l'air devrait réduire les chances de survie des abeilles qui y sont exposées de manière chronique.

Pour analyser les données, nous avons utilisé deux approches fondamentalement différentes. Une analyse statistique utilisant des modèles linéaires mixtes pour atténuer l'impact des mesures répétées et corrélées, tout en nous permettant d'identifier des corrélations significatives dans notre ensemble de données. L'utilisation d'un tel modèle peut varier, mais comme l'objectif de cette première analyse est de décrire l'ensemble des données et non de faire une prédiction de l'effet d'une augmentation future des incendies, nous avons décidé d'entraîner un modèle qui combine les deux types de modèles. Nous avons décidé d'entraîner un modèle qui combine l'apprentissage automatique avec le domaine de l'analyse de survie, c'est-à-dire RandomSurvivalForest. En validant le potentiel prédictif sur une partie de l'ensemble de données non utilisées lors de l'entraînement du modèle, nous pouvons estimer l'effet désiré avec une plus grande confiance. Il convient de noter que ces modèles prédisent la mortalité et que nous ferons référence à la mortalité et non à la survie dans cette section.

Concevoir l'indice AQHI

L'indice de la CAS est une combinaison de particules fines inhalables, dont le diamètre est généralement de 2,5 micromètres (c.-à-d. PM25 ), de dioxyde d'azote (c.-à-d. NO2) et d'ozone (c.-à-d. O3). Les composants sont combinés à l'aide de la formule développée dans l'article suivant. L'indice est généralement utilisé pour évaluer le risque pour la santé humaine à l'aide du tableau suivant.

 

https://www.canada.ca/en/environment-climate-change/services/air-quality-health-index/about.html

 

Il convient de noter que nous avons comparé l'indice avec l'utilisation de chaque composante indépendante et que nous avons également testé une approche de réduction de la dimension, mais tous les modèles sans la AQHI ont été ignorés en raison de leurs performances moindres

Statistiques descriptives

Parmi les 22 modèles alternatifs formés, nous avons sélectionné le modèle le plus parcimonieux en utilisant le critère d'information d'Akaike (AIC). Ci-dessous, nous pouvons voir les résultats du modèle, montrant leur effet sur la probabilité de survie. Le modèle inclut la qualité de l'air, la vitesse moyenne du vent, la croissance estivale de l'indice de présence végétale et leurs interactions. 

Bien que plusieurs effets soient significatifs, concentrons-nous sur les plus importants. La mauvaise qualité de l'air a un effet évident sur la mortalité (5,547, p-value<0,005) et la vitesse du vent (7,25, p-value<0,005) augmente également la probabilité de mortalité. En revanche, la croissance estivale de l'indice de végétation (-14,35, p-value<0,005) a diminué la probabilité de mortalité.

L'indice de végétation étant affecté par la mauvaise qualité de l'air, certains des résultats ci-dessous peuvent refléter des épisodes de smog intense, tels que les incendies intenses qui se sont déclarés en Californie en 2022. Les nuages font pencher le NDVI vers des valeurs négatives. Par conséquent, la croissance de la valeur du NDVI au cours de l'été sera affectée par ces faibles valeurs du NDVI biaisées par les nuages au début de l'été et conduira à des coefficients de croissance plus élevés qui ne sont pas dus à une augmentation de la végétation mais simplement à une diminution des nuages sur les images. Cela peut également montrer l'importance du moment où cette mauvaise qualité de l'air se produit puisque des valeurs plus faibles à la fin de l'été amèneraient ce coefficient de pente vers zéro, il semble que les incendies de forêt au début de la saison ont donc plus d'impact sur la mortalité.

 

Les ‘Estimate’ sont les coefficients de changement (c'est-à-dire la pente) associés à ces caractéristiques. Une valeur positive signifie que la caractéristique entraîne une mortalité plus élevée.

Apprentissage automatique et simulations

Comme indiqué, nous avons formé un modèle prédictif en utilisant 85 % de l'ensemble de données et valider ses performances sur les 15 % restants. Ce modèle utilise plusieurs statistiques sur toutes les variables (moyenne, maximum, asymétrie, croissance). Les performances du modèle ont été évaluées à l'aide de l'indice de concordance. Cet indice évalue si le modèle prédit des valeurs de survie plus élevées pour toutes les ruches correctement prédites. Le modèle a obtenu une valeur de 85% sur ce score, ce qui signifie que 85% des paires comparées concordent entre l'événement de survie et la probabilité associée. Nous avons également évalué la précision du modèle, qui est de 82% (survie moyenne de l'ensemble de test 36%). 

‍Ci-dessous se trouve l'AUC (aire sous la courbe ROC) qui est une métrique souvent utilisée lorsque la variable cible (mortalité) est déséquilibrée. Dans les analyses de survie, on rapporte souvent cette métrique à l'âge du sujet de l'étude et à son âge. Nous observons une AUC moyenne de 0,907 où une légère diminution de la performance est observée entre 300 et 400 jours, ce qui correspond souvent au premier hiver.

À quoi peut-on s'attendre à l'avenir?

À l'aide de ce modèle, nous avons simulé des scénarios d'augmentation de la mauvaise qualité de l'air, en respectant l'emplacement des ruches et ses facteurs environnementaux. Les niveaux de 2023 étant déjà supérieurs de 10 % à ceux observés en 2022, nous avons simulé l'impact attendu sur la mortalité, en supposant une stabilité des autres facteurs afin de simplifier l'interprétation. Alors que la mortalité moyenne observée est de 32%, le modèle prévoit une mortalité moyenne de 31%, en supposant une qualité de l'air stable. Une augmentation de 10 % des valeurs de l'indice de qualité de l'air devrait entraîner une augmentation moyenne de la mortalité de 8 %.

Figure 2. Fonction de survie simulée avec différents scénarios d'augmentation de la AQHI.

Plus de végétation semble aider!

Comme les facteurs de stress s'additionnent et que la fumée limite les capacités de butinage des abeilles, nous pensons que les effets de la mauvaise qualité de l'air sur les abeilles mellifères pourraient être exacerbés dans les zones à faible végétation. En revanche, une colonie en bonne santé qui a accès à de nombreuses ressources florales peut surmonter la mauvaise qualité de l'air et trouver le moyen de survivre. 

Pour évaluer l'hypothèse de la végétation, nous avons collecté des données satellitaires pour tous les ruchers. Trois indices de télédétection de la végétation ont été choisis pour décrire le paysage végétal : NDVI, LAI et FPAR. Des indices tels que le NDVI, le LAI et le FPAR nous permettent d'étudier les relations entre les mesures au sol de la richesse en espèces et les mesures par satellite de la productivité et de la fonction de la végétation (Duro et al., 2007 ; Perez et al., 2016). On suppose donc que ces indices servent d'indicateurs directs de la qualité de l'habitat des abeilles. Étant donné que ces indices étaient fortement corrélés et que le NDVI présentait le pouvoir prédictif le plus fort, nous avons choisi de n'examiner que le NDVI dans cet article.

Le modèle statistique (-14,35 ; valeur p < 0,005) ainsi que le modèle prédictif (5ieme feature le plus importante) nous ont montré l'impact positif du NDVI sur la survie des abeilles. Comme nous l'avions supposé, le NDVI semble contribuer à atténuer l'effet de la CAS. Nous devons approfondir cette question et nous le ferons dans l'article scientifique sur lequel nous travaillons actuellement avec l'équipe LEDGE. Pour l'instant, la figure ci-dessous montre la relation entre le NDVI et la CAS par région. On peut clairement voir que le NDVI semble contribuer à réduire la CAS et que la relation n'est pas la même selon les régions. La pente pour la Californie, qui est fortement touchée par les incendies de forêt, est beaucoup plus raide que la courbe pour l'État de Washington, par exemple.

Qu'est-ce qui arrive dans BeeTrack et quelles sont les prochaines étapes ? 

Notre première fonctionnalité alimentée par l'IA, le score de santé, sera bientôt disponible dans Nectar. Le modèle d'apprentissage profond qui sera utilisé dans le portail du gestionnaire pour générer le score de santé prend en compte la séquence de changement de la qualité de l'air ainsi que d'autres caractéristiques environnementales. Le score de santé est une approximation de la santé attendue des ruches dans le futur.

Par conséquent, le modèle évaluera l'impact de la mauvaise qualité de l'air et aidera les apiculteurs à prendre des décisions pour atténuer l'impact de ces épisodes croissants de mauvaise qualité de l'air. Les apiculteurs pourront évaluer la qualité de leur habitat en utilisant les prévisions de survie affichées au niveau de la ruche, de la cour et de l'exploitation. Ce faisant, les apiculteurs entreront dans une boucle de rétroaction continue où ils pourront remettre en question leurs pratiques telles que l'emplacement de leurs ruches et la décision de déplacer ou non les abeilles. Nous parlerons plus en détail du modèle d'apprentissage profond utilisé pour le score de santé dans un prochain article de blog, mais il utilise les mêmes données que celles utilisées dans cet article de blog avec des techniques plus avancées.

 

Health Score in the Nectar platform.

Conclusion

Comme nous l'avions supposé, la qualité de l'air est un facteur déterminant pour la survie des abeilles mellifères. Nous avons montré que l'augmentation de la fréquence et de l'intensité des incendies de forêt semble affecter la qualité de l'habitat des abeilles mellifères et des pollinisateurs en général. Bien que nous ne puissions pas prendre de mesures directes pour réduire les incendies de forêt et que les autres sources de contaminants atmosphériques soient difficiles à réduire rapidement, nous devons trouver des facteurs et des pratiques de gestion qui peuvent réduire cet impact négatif. 

Nous avons démontré avec succès l'effet positif de la végétation sur la santé des abeilles, en particulier dans les habitats où les incendies de forêt jouent un rôle majeur dans la qualité de l'air (par exemple en Californie et en Alberta). La gestion des terres de manière à augmenter la végétation dans les régions où les incendies de forêt sont fréquents ou dans les régions touchées par ces incendies (par exemple, le nord-est des États-Unis a été fortement touché par les incendies de forêt dans le nord du Québec cet été) pourrait également contribuer à atténuer l'impact de la mauvaise qualité de l'air. Nous recommandons de placer les ruches plus près des zones de végétation dense pendant la saison des feux de forêt afin d'en réduire les effets, les ruches pouvant ensuite être déplacées lorsque la qualité de l'air se stabilise.

Comme le montre la littérature, les abeilles mellifères deviennent des butineuses moins efficaces dans un contexte de smog élevé, elles passent 71 % plus de temps dans les fleurs pour récolter moins de nectar (Cho et al. 2021). Cet effet, combiné à la présence de pesticides, pourrait être dramatique puisqu'il augmenterait leur exposition aux pesticides et pourrait avoir des effets encore plus néfastes ! L'adoption de pratiques où les applicateurs de pesticides sont conscients de la qualité de l'air lorsqu'ils prévoient de pulvériser pourrait vraiment aider à atténuer les effets secondaires potentiels de la fréquence croissante des jours où la qualité de l'air est mauvaise. L'identification d'un seuil où la probabilité de survie est inférieure à 50 % pourrait aider à prendre de meilleures décisions lors de l'application de pesticides. D'après nos données, il semble qu'une valeur de la AQHI supérieure à 6,5 entraîne une probabilité moyenne de survie inférieure à 50 %. Nous recommandons d'éviter de pulvériser lorsque la AQHI est supérieure à cette valeur ou dans les jours qui suivent, car la capacité de butinage est ralentie pendant les quelques jours qui suivent l'épisode de mauvaise qualité de l'air (Cho et al. 2021). 

Enfin, comme nous l'avons déjà mentionné, les abeilles mellifères sont de bons bioindicateurs de la qualité de l'habitat des pollinisateurs. Les ruches nous parlent et le suivi de la survie peut être utilisé comme un indicateur de la qualité de l'habitat, comme nous l'avons montré, mais il est évident que le suivi d'un plus grand nombre d'abeilles et de variables comme la production de miel et la force des ruches pourrait nous en dire plus ! 

L'amélioration du modèle et l'augmentation de la taille de notre échantillonnage pourraient nous aider à mieux comprendre ces effets à l'échelle mondiale et à mieux gérer nos terres et l'utilisation des pesticides afin de réduire l'impact sur les communautés de pollinisateurs.

 

À propos de Nectar

Nectar est une entreprise d'apiculture de précision basée à Montréal, Canada et offre BeeTrack, une plateforme de traçabilité et de gestion pour les apiculteurs commerciaux.

Vous souhaitez en savoir plus sur Nectar et nos solutions ? Cliquez ici.

À propos de LEDGE - Université de Montréal

Situé dans le département de Géographie de l'Université de Montréal et dirigé par Dr. Liliana Perez, le Laboratoire de Géosimulation Environnementale (LEDGE) consiste en un groupe de recherche intéressé à l'étude des dynamiques des systèmes géographiques complexes. Nos recherches portent sur le développement d'approches hybrides destinées à améliorer la simulation spatiale.

Vous souhaitez en savoir plus sur LEDGE? Cliquez ici.

A propos de l'auteur

Nico Coallier

Nico Coallier est scientifique principal des données chez Nectar Technologies, où il dirige le développement de modèles pour la gestion apicole. Avec une formation en apprentissage par renforcement profond et en écologie, Nico a occupé divers rôles de conseil et de leadership en science des données, IA et technologie dans plusieurs entreprises. Avec un fort accent sur la gestion du cycle de vie des projets, Nico a un historique de mise en œuvre de solutions basées sur l'IA et de direction d'équipes vers des flux de travail efficaces et des résultats de projet réussis. De la fondation d'une entreprise apicole à la contribution à la recherche scientifique, l'expérience diversifiée de Nico démontre une passion pour l'innovation et la résolution de problèmes basées sur les données.

Rejoignez une communauté florissante d'apiculteurs qui font une différence.

Demander une démo