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

• Auteur / Autrice : Xiaobo Chen
• Direction : Patrick Durand, Michaël Corson
• Type : Thèse de doctorat
• Discipline(s) : Biologie et agronomie
• Date : Soutenance en 2014
• Etablissement(s) : Rennes, Agrocampus Ouest

Mots clés

Mots clés contrôlés

Théorie de Dempster-Shafer

Analyse du cycle de vie

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: depuis l'extraction des matières premières, jusqu'au recyclage ou à la mise en déchet (« du berceau au tombeau ») en passant par les processus de production et d’utilisation. 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. Par exemple, il est difficile d'obtenir des mesures des émissions de nitrate après l'application d'engrais ou de fumier au sol, et l'estimation des émissions avec des facteurs d'émission ne peut pas représenter toutes les conditions, surtout dans une région où les pratiques agricoles sont particulières (gestion conventionnelle versus biologique). En conséquence, 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 (ex. , en améliorant des mesures) et à mieux comprendre la variabilité du système étudié (ex. , en recherchant des informations plus représentatives). Pour être plus explicite, chaque type d'incertitude peut être divisé en trois sous-catégories selon la source : l’incertitude paramétrique, de modèle, ou de scénario et la variabilité spatiale, temporelle, ou naturelle. 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. Cependant, l'application de méthodes différentes doit être réalisée au cas par cas, parce que des situations particulières peuvent se produire dans une étude de cas réelle qui ne peuvent pas être traité dans une guide générale. Parfois d’autres facteurs, comme le coût de calcul et le niveau de confiance acceptable, doit aussi être considéré lors de l'analyse de l'incertitude en ACV. 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. La représentation de l'incertitude totale avec la DST a distingué la variabilité sur les impacts potentiels de l'incertitude épistémique sur ses valeurs moyennes. Ainsi, l'interprétation de l’analyse d’incertitude devrait expliquer soigneusement les différences entre eux. Les attitudes des décideurs en face du risque (i. E. , l’indice de confiance) peuvent être intégrées dans la représentation DST sous la forme d’une seule distribution pondérée d’impact, qui semble plus facile à interpréter qu’un impact dont son étendue des valeurs est limitée par deux distributions séparées. Cependant, il y a des limites sur l'application de la DST à l’analyse de l’incertitude, et d'autres études devraient être réalisées à l'avenir sur les corrélations entre les variables qui sont représentées de manière imprécise, les algorithmes d'optimisation ad hoc pour améliorer l'efficacité de la propagation et l'intégration d'autres types d'incertitude dans le même cadre de l'ACV. En outre, il est nécessaire d'appliquer la DST dans plusieurs études de cas pour la valider. 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.

Life Cycle Assessment (LCA) is a methodological framework for assessing environmental impacts of a product, a service or a system throughout its life cycle: from extraction of raw materials, through production and use, to recycling and waste treatment (i. E. , “cradle to grave”). 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. For example, it is difficult to obtain measurements of nitrate emissions due to fertilizer or manure applications, but estimating emissions using emission factors may not represent all conditions, especially in regions with specific farming practices (conventional vs. Organic). Therefore, 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 (e. G. , by improving measurements) and better understand variability in the system (e. G. , by seeking more representative information). To be more explicit, each type of uncertainty can be divided into three sub-categories depending on its source: parameter, model, or scenario uncertainty and spatial, temporal, or natural variability. 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. Application of the methods, however, should be performed on a case-by-case basis, because particular situations may occur in real case studies that cannot be covered by a general guideline. Sometimes other factors, such as computational cost and acceptable confidence level, should also be considered when performing uncertainty analysis in LCA. 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. Representing uncertainty in impacts using DST distinguished variability in potential impacts from epistemic uncertainty in their mean values. Hence, interpretation of the uncertainty analysis should carefully explain the differences between them. The attitude of decision makers to risk (i. E. , confidence index) can be integrated into this DST-based form of representation to create a single weighted distribution of impact, which seems easier to interpret than an impact whose range is bounded by two separate distributions. However, there are some limits to applying DST in uncertainty analysis, and studies should be performed in the future to focus on maintaining correlations between variables that are represented imprecisely, using ad hoc optimization algorithms to increase propagation efficiency, and integrating other types of uncertainty in the same LCA framework. In addition, there is a need to apply the DST in more case studies to validate its use. 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.