Mobilité et émissions de CO₂ du transport routier urbain à haute résolution à partir de données de géolocalisation

Mobility and urban road transport CO₂ emissions at high resolution from Floating Car Data

• Auteur / Autrice : Xavier Bonnemaizon
• Direction : Philippe Ciais, Steven J Davis, Chuanlong ZHOU
• Type : Thèse de doctorat
• Discipline(s) : Géosciences
• Date : Soutenance le 28/11/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences du climat et de l'environnement (Gif-sur-Yvette, Essonne ; 1998-....)
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-....)
• Jury : Président / Présidente : Marielle Saunois
• Jury : Examinateurs / Examinatrices : Steven J Davis, Chuanlong ZHOU, Marielle Saunois, Greet Janssens-Maenhout, Vincent-Henri Peuch, Patricia Crifo, Guillaume Costeseque
• Jury : Rapporteurs / Rapporteuses : Greet Janssens-Maenhout, Vincent-Henri Peuch

Mots clés

Mots clés contrôlés

Emissions des véhicules

Services basés sur la localisation

Apprentissage supervisé (intelligence artificielle)

Mots clés libres

Émissions de CO2

Transport Routier

Machine Learning

Géolocalisation

CO2 Emissions

Road Transport

Machine Learning

Geolocation

Résumé

Le transport routier est une source directe d'émissions de CO2, représentant 11% du total mondial des GES, dont environ deux tiers sont générés en zones urbaines (Agence Internationale de L'Energie). Ces émissions s'accompagnent de polluants atmosphériques nocifs pour la santé, exposant particulièrement les populations citadines. Les méthodes traditionnelles d'estimation des émissions, dites « top-down », reposent sur les ventes de carburant et des techniques de désagrégation, avec de fortes incertitudes spatiales et temporelles. À l'inverse, les approches « bottom-up », fondées sur le comptage de véhicules par segment de route et l'application de facteurs d'émissions, permettent des estimations à haute résolution, utiles pour la modélisation environnementale et l'évaluation de politiques locales. Cependant, les systèmes de comptage classiques (boucles électromagnétiques, caméras, comptages manuels…) sont coûteux et limités en couverture. L'émergence massive de données de géolocalisation des véhicules représente une nouvelle opportunité pour reconstituer le trafic routier à moindre coût, notamment dans les zones non instrumentées. Cette thèse vise à exploiter ces données pour estimer à haute résolution le trafic urbain et les émissions associées de CO2, ainsi que celles d'autres polluants co-émis. Le premier chapitre développe une méthode de Machine Learning pour estimer, à partir de données de comptage open data, les flux et taux d'occupation horaires à l'échelle du segment routier dans Paris. Ce travail est effectué sur la période 2018-2022, en mettant en évidence l'impact du COVID-19 sur les comportements de mobilité. Le deuxième chapitre applique les facteurs d'émission issus du Computer Program to Calculate Emissions from Road Transport (COPERT), dépendant de la vitesse, pour estimer les émissions de CO2, NOx et PM. Le rôle de la modernisation du parc automobile ainsi que de la part croissante des Sport Utility Vehicles (SUVs) est discuté. Le troisième chapitre, réalisé lors d'un séjour à l'Université de Californie Irvine, étend l'approche bottom-up à 457 villes américaines en s'appuyant sur des données de véhicules géolocalisés (Floating Car Data, FCD) fournies par TomTom via la société Kayrros. Le comptage partiel de véhicules issu des FCD est corrigé via les statistiques de l'administration fédérale des routes. La distribution des vitesses permet l'application directe des facteurs d'émission du modèle MOtor Vehicle Emission Simulator (MOVES). Le rôle de la congestion et des densités de population est également analysé. Le quatrième chapitre se concentre sur l'Europe, où les données de validation du volume de trafic sont moins accessibles. Nous compilons des données open data de trafic issues de 36 grandes villes et publions un jeu de données standardisé du trafic journalier moyen, afin de soutenir la recherche dans ce domaine. Le cinquième chapitre évalue dans quelle mesure des données FCD privées (ici de la société NEXQT) permettent d'estimer le volume de trafic réel. Dans un premier temps, nous cherchons à reconstituer les trafics journaliers moyens obtenus dans le chapitre précédent sur 28 grandes villes européennes. Nous analysons les performances de l'entraînement local de modèles de Machine Learning avant leur généralisation à d'autres zones, et discutons les limites de l'usage de ces FCD pour cette tâche. Enfin, nous comparons les performances des modèles tabulaires utilisés précédemment à celles d'un Graph Neural Networks (GNN) pour la prévision du flux à l'échelle horaire sur Paris, Berlin, Madrid et Zurich. Ce travail contribue à une meilleure quantification des émissions urbaines de CO2 issues du transport routier en exploitant des données de géolocalisation massives et hétérogènes, offrant ainsi de nouvelles perspectives pour le suivi spatio-temporel des émissions, l'évaluation des politiques publiques et la transition vers une mobilité plus durable.

Road transport is a direct source of CO2 emissions, accounting for 11% of global total GHGs, with approximately two thirds of these emissions being generated in urban areas (International Energy Agency). These emissions are accompanied by harmful air pollutants, posing significant health risks, especially to city inhabitants. Traditional “top-down” emission inventory methods rely on fuel sales data and disaggregation techniques, leading to considerable spatial and temporal uncertainties. In contrast, “bottom-up” approaches, based on vehicle counts per road segment combined with emission factors, enable high-resolution estimates useful for environmental modeling and local policy assessment. However, conventional traffic monitoring systems (e.g., inductive loops, cameras, manual counts…) are costly and limited in spatial coverage. The recent proliferation of vehicle geolocation data provides a new opportunity to reconstruct road traffic at lower cost, especially in unmonitored areas. This PhD thesis aims to leverage such data to estimate urban traffic and associated emissions of CO2 and other co-emitted pollutants at high spatiotemporal resolution. The first chapter develops a Machine Learning method to estimate hourly traffic flow and occupancy per road segment in Paris, using only open data traffic monitoring. This work spans the period 2018-2022 and highlights the impact of COVID-19 on mobility behavior. The second chapter applies speed-dependent emission factors from the Computer Program to Calculate Emissions from Road Transport (COPERT) to estimate emissions of CO2, NOx, and PM. The analysis includes the influence of fleet modernization and the growing share of Sport Utility Vehicles (SUVs). The third chapter, conducted during a research stay at the University of California Irvine, extends the bottom-up approach to 457 U.S. cities using street level Floating Car Data (FCD) from TomTom and accessed through the Kayrros company. Since FCD only covers a sample of vehicles, the signal is adjusted using statistics from the Federal Highway Administration. The data's speed distribution enables the use of the MOtor Vehicle Emission Simulator (MOVES) model for emissions estimation. The role of traffic congestion and population density is also explored. The fourth chapter focuses on Europe, where validation data for traffic volume is less accessible. We compile open traffic datasets from 36 major cities and publish a standardized dataset of annual average daily traffic volumes to support further research. The fifth chapter evaluates the extent to which private FCD data (here from NEXQT company) can replicate the real traffic volumes. Firstly, our aim is to reconstruct the daily traffic volumes reported in the previous chapter in 28 major European cities. We examine the performance of locally trained Machine Learning models before generalizing to broader zones and discuss the limitations of using FCD for this task. Finally, we compare the performance of classical tabular machine learning models with Graph Neural Networks (GNN) for hourly flow prediction in Paris, Berlin, Madrid and Zurich. This work enhances the quantification of urban CO2 emissions from road transport by leveraging large-scale, heterogeneous geolocation data, providing new insights for spatiotemporal emission monitoring, policy evaluation, and the transition toward more sustainable urban mobility.