Soutenance de thèse de Xiaobo Chen (INRA SAS)


 AHLeGall    31/10/2014 : 22:36

thesard.jpg

Le vendredi 31 octobre 2014 à 10h00, amphithéâtre Matagrin (Agrocampus Ouest, 65 rue de Saint Brieuc à Rennes), Xiaobo Chen soutient sa thèse intitulée

Le vendredi 31 octobre 2014 à 10h00, amphithéâtre Matagrin (Agrocampus Ouest, 65 rue de Saint Brieuc à Rennes), Xiaobo Chen soutient sa thèse intitulée

Analyse et propagation de l'incertitude dans l'analyse du cycle de vie en agriculture


Jury :
- David Makowski (AgroParisTech) - Rapporteur
- Christian Bockstaller (INRA Colmar) - Rapporteur
- Lucile Montagne (Agrocampus Ouest) - Examinateur
- Claudine Basset-Mens (CIRAD) - Examinateur
- Patrick Durand (UMR SAS INRA Rennes) - Directeur de thèse
- Michael Corson (UMR SAS INRA Rennes) - Co-directeur de thèse

Résumé :

L’Analyse du Cycle de Vie (ACV) est un cadre méthodologique pour évaluer les impacts environnementaux d'un produit, d’un service ou d’un système tout au long de son cycle de vie. Ses larges applications dans l'agriculture offrent des informations utiles pour les décideurs pour évaluer des impacts environnementaux des produits, comparer des impacts environnementaux entre les systèmes différents, et améliorer un système de production. Cependant, l'exigence en données et en modèles de bonne qualité utilisés en ACV entraîne différentes sources d'incertitude qui influent sur la faisabilité de l'ACV des systèmes agricoles et la crédibilité de ses résultats. Les objectifs scientifiques de cette thèse sont d'identifier les sources d'incertitude en ACV agricole et d'aider les analystes à choisir les méthodes appropriées pour représenter différents types d'incertitude dans le système agricole et pour analyser leurs influences sur l'incertitude totale des impacts environnementaux.

L'incertitude en ACV peut être divisée en deux types selon sa nature: incertitude épistémique (manque de connaissances) et variabilité (différence intrinsèque). Les deux types d'incertitude ont les définitions fondamentalement différentes, et la distinction entre eux aide les analystes ACV à réduire incertitude épistémique et à mieux comprendre la variabilité du système étudié. Le type d'incertitude détermine la méthode utilisée pour le représenter et propager, dont chacune a ses propres caractéristiques et limites en fonction du contexte du système agricole étudié et de l’étude elle-même. Donc, afin de mieux aborder l’incertitude dans les études ACV, l’arbre de décision proposé dans cette thèse permet les analystes ACV d'avoir plusieurs choix de méthodes face à différents types d'incertitude.

L'approche probabiliste est en général utilisée pour quantifier la variabilité naturelle et l'incertitude paramétrique, tandis que les intervalles (flous ou précis) peuvent être plus appropriés pour représenter l'incertitude paramétrique. Dans les systèmes agricoles, les deux types d'incertitude se produisent souvent ensemble. En conséquence, les deux méthodes ont été appliquées pour représenter la variabilité naturelle sur les caractéristiques des fermes agricoles et l'incertitude paramétrique sur les facteurs d'émission, respectivement, pour estimer des impacts environnementaux des exploitations laitières en Bretagne (France). Ces incertitudes des données d’entrée ont été propagées par la simulation de Monte-Carlo vers l'incertitude finale des impacts potentiels, représentés avec la théorie de Dempster-Shafer (DST). En parallèle, les corrélations entre les variables d'entrée de caractéristiques des exploitations ont été contrôlées en utilisant des distributions de probabilité multidimensionnelles. Cette démarche permet d'avoir une estimation plus réaliste que d'utiliser des distributions aléatoires indépendantes.

En conclusion, l'analyse de l’incertitude, comme un composant important de l’ACV, devrait offrir une évaluation raisonnable et réaliste des systèmes étudiés face à diverses sources d'incertitude. L'existence d'incertitude, qui est inévitable, ne devrait pas restreindre la recherche et la prise de décision, mais au contraire devrait aider les analystes ACV à compléter leurs connaissances par rapport au système étudié, en identifiant les informations clés nécessaires. L’existence de plusieurs méthodes d'analyse de l'incertitude donne aux analystes ACV des choix flexibles dans les différents contextes de système agricole ou d’étude ACV. De plus, utiliser une méthode appropriée fournit des estimations crédibles des impacts, qui reflètent l'état réel des connaissances et peut encourager les scientifiques à chercher plus d'informations.


Abstract:

Life Cycle Assessment (LCA) is a methodological framework for assessing environmental impacts of a product, a service or a system throughout its life cycle. Its wide applicability to agricultural systems provides useful information for decision makers to estimate environmental impacts of products, compare environmental impacts of different systems, and make suggestions to improve systems. However, the LCA’s need for large amounts of data and high-quality models yields several sources of uncertainty that influence the feasibility of LCA of agricultural systems and the credibility of its results. The scientific objectives of this thesis are to identify sources of uncertainty in agricultural LCAs and help practitioners use appropriate methods to represent different types of uncertainty in agricultural systems and analyze their influence on total uncertainty in environmental impacts through LCA.

Uncertainty in LCA can be divided into two types according to its nature: epistemic uncertainty (lack of knowledge) and variability (inherent difference). Both types of uncertainty have fundamentally different definitions, and distinguishing them helps practitioners reduce epistemic uncertainty and better understand variability in the system. The type of uncertainty determines the method(s) used to represent and propagate it; their characteristics and limits depend on both the context of the agricultural site studied and that of the study itself. Therefore, to better address uncertainty in LCA studies, the decision tree developed in this thesis can help LCA practitioners choose which method(s) to use.

The probabilistic approach is commonly used to quantify both natural variability and parameter uncertainty, while intervals (“fuzzy” or “crisp”) may be more appropriate for representing parameter uncertainty. In agricultural systems, both types of uncertainty often occur together. Therefore, the two methods were applied to represent natural variability in farm characteristics and parameter uncertainty in emission factors, respectively, to estimate environmental impacts of dairy farms in Brittany, France. These uncertainties in input variables were propagated using Monte-Carlo simulation to the uncertainty in estimated impacts, which was represented using Dempster-Shafer theory (DST). In parallel, correlations among farm-characteristic input variables were maintained using multivariate probability distributions, which yield more realistic estimates than random independent distributions.

In conclusion, uncertainty analysis, as an important component of LCA, should provide reasonable and realistic assessment of studied systems in the face of many sources of uncertainty. The existence of uncertainty, which is unavoidable, should not restrict research and decision making, but rather help LCA practitioners to improve their understanding of studied systems by identifying the key information needed. The existence of a variety of methods for uncertainty analysis provides LCA practitioners with an array of methods to choose from, depending upon the context of the agricultural system and that of the LCA study. Moreover, using an appropriate method provides credible estimates of impacts, which reflect the real state of knowledge and may encourage scientists to seek more information.


Contact : Xiaobo Chen (INRA SAS)