EDP Sciences logo
Soumettre un article
rechercher
Menu
Accueil Tous les numéros Volume 20 (2023) Climatologie, 20 (2023) 6 Full HTML
Numéro
Climatologie
Volume 20, 2023
Changement climatique : les territoires acteurs des trajectoires d’adaptation et de transition écologique
Numéro d'article 6
Nombre de pages 17
DOI https://doi.org/10.1051/climat/202320006
Publié en ligne 24 octobre 2023

© M. Técher et al., hosted by EDP Sciences 2023

Licence Creative CommonsThis is an Open Access article distributed under the terms of the Creative Commons Attribution License CC-BY-NC (https://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted use, distribution, and reproduction in any medium, except for commercial purposes, provided the original work is properly cited.

Introduction

L’îlot de chaleur urbain (ICU), caractérisé par une augmentation des températures urbaines est un phénomène microclimatique qui impacte de plus en plus intensément les milieux urbains (Oke, 1982; Arnfield, 2003). En effet, selon les prévisions du GIEC (Revi et al., 2014; IPCC, 2022), les températures en ville vont augmenter sous les effets du changement climatique. Cela va donc entraîner différents enjeux qui concernent le devenir des milieux urbains : santé et vulnérabilité des populations, augmentation des consommations énergétiques ou encore, détérioration des conditions de confort thermique (Akbari et Kolokotsa, 2016; Buchin et al., 2016; Santamouris, 2020; Nieuwenhuijsen, 2021). De nombreuses études ont commenté les causes des effets de l’ICU : 1) augmentation des espaces imperméabilisés, 2) disparition des espaces naturels, 3) perturbation de la ventilation, 4) perturbation des échanges radiatifs et 5) génération de chaleur anthropique (Hulley, 2012; Tzavali et al., 2015; Imran et al., 2021). Une étude portant sur plusieurs villes européennes a ainsi montré que l’intensité de l’ICU de canopée pouvait aller jusqu’à 10°C au sein des villes (Santamouris, 2016). Le développement urbain et les politiques de planification affectent ces causes en ville et ont un impact sur l’apparition, le développement et l’intensification de l’ICU (Lin et al., 2017; Kardinal et al., 2019). Ainsi, confronter les choix d’urbanisation d’un territoire à ses impacts sur les effets de l’ICU devient un enjeu de durabilité pour les acteurs urbains (Hurlimann et al., 2020; Kwak et al., 2020).

Afin de diagnostiquer ce phénomène, de nombreuses méthodes ont été développées ces dernières années (Stewart, 2011; Mauree et al., 2019; Santamouris, 2020) et présentées dans de nombreuses revues de littérature. Celles-ci peuvent être regroupées en quatre categories : télédétection, mesures in situ, géoclassification et simulation numérique (Mauree et al., 2019). Les revues portant sur cette dernière catégorie sont encore peu répandues (Parsaee et al., 2019; Imran et al., 2021) tandis que leurs utilisations au sein des études de cas se multiplient. En effet, les approches par simulation numérique possèdent plusieurs avantages. Elles permettent de simuler et de comparer différentes stratégies et leurs influences sur l’intensité de l’ICU tout en les intégrant dans un contexte urbain réaliste (Mirzaei, 2015).

En France, le développement urbain des territoires est géré par deux catégories d’outils : d’une part, les outils de planification urbaine tels que les Schémas de Cohérence Territoriaux (SCOT) ou les Plans Locaux de l’Urbanisme (PLU) et d’autre part, les outils de l’aménagement opérationnel tels que les Zones d’Aménagement Concertées (ZAC) ou lotissement. Les acteurs de ces deux catégories s’intéressent de plus en plus à la prise en compte du phénomène d’ICU sur leur territoire (Struillou, 2012; Hidalgo, 2014), ce qui fait de la France un cas d’étude idéal. À cet effet, des revues de littérature sur les méthodes de diagnostic de l’ICU et des différentes solutions de rafraîchissement ont été publiées à destination des acteurs de l’urbanisme en France, afin qu’ils se saisissent de cette problématique au sein de leur pratique (ADEME, 2011; ADEME, 2017; Bernard et al., 2020).

L’objectif de ce travail se trouve dans cette continuité et est de dresser un inventaire des études évaluant l’intensité de l’ICU en France par une approche de simulation numérique. Cet article vise à orienter les futurs utilisateurs des méthodes de simulation numérique à faire un choix de modèle approprié pour l’évaluation de l’ICU. Dans un premier temps, nous avons identifié les différents modèles de simulation numérique applicables de l’échelle méso à l’échelle du bâtiment. Puis, nous avons dressé un inventaire non exhaustif des différentes études ayant appliqué un modèle de simulation numérique pour évaluer l’ICU en France. De cet inventaire, nous extrayons les caractéristiques des études afin de déterminer les cadres dans lesquels ces recherches s’inscrivent et qui peuvent être adaptés aux besoins des acteurs de l’aménagement opérationnel et de la planification urbaine en France. Dans une dernière partie, nous identifions les challenges qui limitent l’application des méthodes par simulation numérique et dressons une liste de recommandations visant à permettre une meilleure application au sein des territoires en France.

1. Point de vue général sur les méthodes d’évaluation de l’ICU par une approche de simulation numérique

1.1. Les approches similaires

La majorité des études ayant fait l’inventaire et l’état de l’art des différents outils de simulation numérique est orientée vers la description technique des approches et modèles (Al-Yahyai et al., 2010; Abbasabadi and Ashayeri, 2019; Mauree et al., 2019; Bahi et al., 2020; Ameer et Krarti, 2022). Néanmoins, le tableau 1 présente des revues de littérature récentes publiées sur la période 2015-2021, qui tentent d’aborder les apports de ces modèles pour la planification urbaine et l’aménagement. Ces revues dressent un portrait des différentes méthodes de simulation numérique de l’ICU. Elles présentent les caractéristiques des études ayant recours à ce type de méthodes et les principaux apports pour l’urbanisme. Tout en tenant compte des limites et des difficultés qui restreignent leur utilisation, ces études, dont fait partie ce travail, formulent des recommandations pour en améliorer les applications pour l’urbanisme.

Tableau 1

Revues de littérature récentes présentant les méthodes d’évaluation par simulation de l’ICU (sources : Mirzaei, 2015; Parsaee et al., 2019; Bherwani et al., 2020; Imran et al., 2021; Tian et al., 2021). Recent literature reviews presenting UHI simulation assessment methods.

Toutefois, les auteurs de la majorité des revues présentées dans le tableau 1 préfèrent le contexte international pour effectuer l’inventaire de ces méthodes et de leurs applications. En effet, le domaine de la climatologie urbaine et les connaissances acquises sur le fonctionnement de l’ICU sont complexes à retranscrire pour les acteurs de l’urbanisme (Ng et Ren, 2015). De plus, en France, les documents de planification urbaine et d’aménagement sont caractérisés par différentes échelles, administratives, spatiales et temporelles (Hamman, 2011) et aussi une pluralité d’acteurs : institutionnels à travers notamment les collectivités territoriales, associatifs, l’État français, etc. (Douay, 2013). Pour ces raisons, il est complexe d’appliquer en l’état, les conclusions des études présentées dans le tableau 1 et adaptées à des stratégies globales, au cas particulier des outils de planification urbaine et d’aménagement français. Aussi, cet article vise à apporter des conclusions adaptées à ces différentes particularités.

1.2. Inventaire des méthodes par simulation numérique identifiées au sein de la littérature

Au sein de la littérature scientifique citée précédemment, plusieurs méthodes de simulation de l’ICU ont été identifiées et sont catégorisées en fonction de l’échelle spatiale d’application : de l’échelle méso à l’échelle du bâtiment (Bherwani et al., 2020). Le tableau 2 synthétise les principaux avantages, faiblesses et caractéristiques de ces différentes catégories de modèles.

  • (1)

    Les modèles à l’échelle méso, de la région à la ville, sont des modèles atmosphériques dont les plus répandus sont les modèles de prédiction du temps et du climat. Ceux-ci simulent les phénomènes atmosphériques au-dessus de la couche de canopée, incluant la physique pour des prédictions météorologiques numériques (Oke, 1976; Dudhia, 2014; Parsaee et al., 2019; Kwok et Ng, 2021).

  • (2)

    Les modèles à l’échelle micro, du quartier à la rue, sont des modèles thermoradiatifs fondés sur les échanges radiatifs et thermiques entre l’atmosphère et la forme urbaine (Oke, 1976; Arnfield, 2003). Les plus connus sont les modèles de canopée urbaine (UCM) qui modélisent les interactions bâtiment-environnement en calculant le bilan énergétique d’une couche de canopée urbaine (Masson, 2000). Ces modèles simulent l’intensité de l’ICU à l’échelle micro ou encore le confort thermique du piéton (Mirzaei et Haghighat, 2010).

  • (3)

    Les modèles à l’échelle du bâtiment résolvent des équations de balance énergétique afin de modéliser les composants du bâtiment pour prédire les comportements du bâtiment tels que la consommation énergétique ou le confort intérieur (Abbasabadi et Ashayeri, 2019).

  • (4)

    Les modèles à échelles multiples regroupent trois types de modèles : les modèles de dynamique des fluides (CFD), les modèles statistiques et les modèles couplés (Parsaee et al., 2019).

Tableau 2

Les différents types de modèles de simulation numérique de l’ICU identifiés (sources : Mirzaei, 2015; Parsaee et al., 2019; Bherwani et al., 2020; Imran et al., 2021; Tian et al., 2021). Different types of UHI numerical simulation identified.

Les modèles CFD sont utilisés pour étudier l’impact de la ventilation urbaine, de la dispersion des polluants dans l’air ou encore de l’impact de la végétation à l’échelle micro et macro (Toparlar et al., 2015 et 2017; Allegrini et Carmeliet, 2018; Brozovsky et al., 2022). Plus récemment, les modèles de milieux poreux ont été introduits au sein des simulations CFD (Hu et al., 2012) afin de réduire la demande de temps de calcul, en étant jusqu’à 60% plus rapide (Ming et al., 2021), de matériel et de compétences techniques (Wang et Li, 2016).

De plus, il existe des modèles statistiques, pour prédire l’évolution de l’îlot de chaleur urbain ou prévoir les températures urbaines (Lee et al., 2016). Ils sont largement implémentés pour corréler les caractéristiques urbaines de natures complexes et d’échelles variées (Tian et al., 2021).

Enfin, les modèles couplés ou intégrés sont formés à partir de l’intégration de plusieurs types de modèles, afin de couvrir les lacunes et les écarts de représentation, de résolution et de précision de chacun (Mirzaei, 2015). Ces modèles permettent de répondre de manière adaptée aux besoins des utilisateurs en utilisant les modèles qui simulent les indicateurs de l’ICU recherché (Chen et al., 2004; Salamanca et al., 2009; Allegrini et Carmeliet, 2017; Parsaee et al., 2019; Aghamolaei et al., 2021).

1.3. Identification et sélection des études appliquées en France

Afin d’inventorier les études ayant évalué l’ICU en France par une simulation numérique, nous avons réalisé une revue de littérature fondée sur trois étapes suivant la méthode PRISMA (Page et al., 2021) : 1) l’identification, 2) la sélection et l’admissibilité et 3) l’inclusion (figure 1). Nous avons effectué en juillet 2022 une recherche non exhaustive, d’études publiées entre 2010 et 2022, sur la base de données Science Direct complétée par le moteur de recherche Google Scholar. Pour cela, nous avons utilisé les mots-clés Îlot de Chaleur Urbain, surchauffe urbaine, Urban Heat Island, urban overheating, évaluation, assessment et France. Nous avons retiré de l’identification, les doublons et les articles dont les titres et résumés ne correspondaient pas à l’objectif de ce travail; à la fin de cette étape, 398 articles étaient potentiellement éligibles. Afin d’évaluer leur éligibilité, les articles devaient respecter les critères suivants : avoir été publiés dans des revues à comité de lecture; porter sur l’évaluation du phénomène d’ICU; utiliser une méthode par simulation numérique; porter sur une/des zones en France.

thumbnail Figure 1

Méthode utilisée pour identifier, sélectionner et évaluer l’éligibilité des études ayant évalué l’ICU par une simulation numérique en France (source : auteur d’après la méthode PRISMA; Page et al., 2021). Method used to identify, select and assess the eligibility of studies that have assessed UHI by numerical simulation in France.

La définition de ces critères a permis de cibler 21 articles ayant mis en place une méthode par simulation numérique pour évaluer le phénomène d’ICU sur une zone en France. Ces critères ne constituaient pas une évaluation, mais une sélection non exhaustive des articles. Ainsi, une grande majorité des études identifiées ne répondaient pas aux critères et 377 documents ont été exclus de la sélection, car ils étaient valables pour d’autres objectifs de recherche et pour investiguer l’état des connaissances sur d’autres territoires et approches d’évaluation de l’ICU. Quatre études ont ensuite été ajoutées en novembre 2022 à la liste des recherches éligibles, portant ainsi le nombre total d’études incluses dans la synthèse à 25.

À partir de l’analyse du contenu des articles, nous extrayons certaines caractéristiques : la localisation géographique du cas d’étude, les objectifs, les solutions de rafraîchissement, les conséquences et l’évaluation de l’intensité de l’ICU. Les limites de l’application de chaque type de méthodes d’évaluation sont ensuite identifiées tandis que des recommandations pour en améliorer la mise en application au sein de l’urbanisme français sont formulées.

2. Les études sur l’évaluation des ICU par simulation numérique en France

2.1. La diversité des approches d’évaluation par simulation numérique

La figure 2 localise les territoires étudiés en rapport avec le nombre d’études réalisées. Toulouse, Paris et Strasbourg sont particulièrement représentées. En effet, ces villes ont fait l’objet de campagnes de mesures telles que CAPITOUL pour Toulouse (Masson et al., 2008), ce qui permet de valider les résultats des simulations numériques par confrontation à des mesures in situ.

thumbnail Figure 2

Localisation des études récentes (2010-2022) ayant évalué l’ICU par une approche de simulation numérique en France. Location of recent studies (2010-2022) assessing UHI using a numerical simulation approach in France.

Le tableau 3 présente les caractéristiques des études retenues durant la phase d’éligibilité. Les intensités de l’ICU simulées varient entre les territoires du fait de contextes particuliers (topographie, proximité à l’océan, etc.) et de climats différents (Gardes et al., 2020). En France, il existe 10 types de climats, toutefois les climats Cfb (climat océanique), Cfa (climat subtropical humide) et Csa (climat méditerranéen chaud) (Dubreuil, 2022) sont les plus évalués. Les résultats des simulations varient également du fait de la diversité des périodes de simulation. Il est établi que l’ICU nocturne est davantage marqué que l’ICU diurne (Arnfield, 2003). Ainsi, un certain nombre d’études vont se concentrer sur la variation et la comparaison de l’ICU diurne et nocturne (Kastendeuch et al., 2010; Lemonsu et al., 2015). D’autres études vont privilégier l’évaluation des ICU sur une période de l’année correspondant aux trois mois les plus chauds (en été) en relation avec des périodes de canicule notamment. Enfin, d’autres études vont effectuer des simulations annuelles (Kohler et al., 2017; Nogueira et al., 2022) ou comparer les intensités pour les saisons chaudes et froides (été/hiver) (Reder et al., 2018). Enfin, pour une même ville, les résultats d’intensité d’ICU simulés varient et semblent dépendants des outils de simulation, de leur type de paramétrisation et de résolution.

Tableau 3

Les applications récentes (2010-2022) des études ayant évalué l’ICU par une approche de simulation numérique. Recent applications (2010-2022) of studies assessing UHI using a numerical simulation approach.

2.2. Les applications et objectifs des études

Les résultats des études dépendent des types d’ICU étudiés. Près de 70% des études évaluent l’ICU de canopée (CLUHI), tandis que 15% des études évaluent celui de surface (SUHI). Ainsi, les méthodes par simulation semblent davantage dédiées à l’étude des températures de l’air, tandis que les températures de surface semblent étudiées par d’autres approches telles que la télédétection (Bherwani et al., 2020) non analysées dans ce travail. Les résultats dépendent également des objectifs de recherche classés en quatre grands types d’application :

  • 1)

    L’analyse de la variabilité spatio-temporelle de l’ICU constitue une des applications majeures des études analysées. En effectuant un diagnostic du territoire, elles étudient les liens entre la structure, la morphologie et les caractéristiques du territoire telles que la topographie ou la présence d’eau, ainsi que l’intensité, le comportement et l’étendue de l’ICU.

  • 2)

    46% des études ont pour objectif d’évaluer l’impact de différentes mesures et orientations d’aménagement et de rafraîchissement sur la réduction des ICU. L’étude des solutions d’adaptation est peu répandue en France en comparaison avec la littérature scientifique internationale qui abonde sur ce sujet (Fallmann et al., 2014; Akbari et al., 2016; Aleksandrowicz et al., 2017; Grafakos et al., 2020; Tsoka et al., 2020; Marando et al., 2022). Les études en France analysent davantage, selon la classification réalisée par l’ADEME, les solutions vertes, bleues et grises (Bernard et al., 2020). D’une part, les solutions vertes et bleues étudiées sont relatives à l’impact du verdissement, de la végétalisation ou de la gestion de l’eau (Lemonsu et al., 2015; Martins et al., 2016; Morille et Musy, 2017; Alonso et Renard, 2020). D’autre part, les solutions grises consistent à évaluer l’impact de la structure, la morphologie et les matériaux urbains (Masson et al., 2014; Kohler et al., 2017; Reder et al., 2018).

  • 3)

    Près de 58% des études effectuent des simulations numériques de l’ICU en utilisant de nouveaux outils développés, couplés ou non validés. Leur objectif est d’évaluer la capacité d’un modèle à simuler plus précisément le phénomène d’ICU. Elles portent particulièrement sur le couplage ou l’intégration de modèles qui permettent de produire des résultats avec une meilleure résolution, à prendre en compte davantage d’indicateurs ou de simuler l’ICU à différentes échelles (Bueno et al., 2011; Kastendeuch et Najjar, 2015; Lemonsu et al., 2015; Le Mentec, 2022).

    Soixante deux pourcents des études utilisent un ensemble de plusieurs modèles, par l’intégration de modèles d’énergie du bâtiment (ex : TEB) afin de paramétrer les modèles de prédiction du climat d’échelle méso cmme par exemple Méso-NH, WRF, etc. (Lemonsu et al., 2015; Kohler et al., 2017; Nogueira et al., 2022). Certaines études vont coupler des modèles de canopée urbaine (ex : Solene-Microclimat) et de dynamique des fluides (ex : code saturne, Fluent) à l’échelle micro afin de tenir compte des flux d’air dans le calcul de l’intensité de l’ICU (Bouyer et al., 2011; Morille et al., 2016; Morille et Musy, 2017).

  • 4)

    Enfin, une dernière application consiste à analyser, parallèlement à l’ICU, le confort thermique : indice UTCI (Brode et al., 2013), indice PET (Hoppe, 1999), etc. (Martins et al., 2016; Morille et Musy, 2017) ou les besoins énergétiques (besoins en refroidissement et en chauffage, consommation globale, etc.; Gros et al., 2014; Morille et al., 2016; Kohler et al., 2017).

En outre, plus de la moitié des recherches simulent le comportement de l’ICU à l’échelle méso de la ville ou d’une zone métropolitaine. Ces études sont marquées par une grande diversité de calcul de l’intensité de l’ICU. En effet, d’une étude à l’autre, les formules varient (Memon et al., 2009; Schwarz et al., 2011; De Groot-Reichwein et al., 2015). Les études de la catégorie (1) effectuent la comparaison des températures non urbaines et urbaines pour caractériser l’ICU tandis que les études de la catégorie (2) vont le plus souvent comparer les températures urbaines avant et après la mise en place d’une solution; celles de la catégorie (3) vont davantage s’intéresser à la comparaison des températures mesurées in situ aux températures simulées. La représentation des résultats est également diversifiée. Les études à l’échelle méso vont souvent privilégier une représentation sous forme de cartographie 2D globale du territoire tandis que les autres études à l’échelle micro vont le plus souvent présenter des courbes ou des tableaux de températures, voire des rendus 3D avec spatialisation des températures.

2.3. Les portées opérationnelle et réglementaire des études

Il apparaît que peu de recherches ont une portée opérationnelle et aucune réglementaire. En effet, certains résultats (quatre études) ont permis d’améliorer des projets d’aménagements voire de trouver des solutions qui améliorent le confort thermique extérieur et contribuent à la lutte contre les ICU. C’est le cas du projet de la ZAC Montaudran à Toulouse qui a été simulé dans le modèle de dynamique des fluides Envi-met (Martins et al., 2016). Les résultats ont amené à la réalisation d’un aménagement doté de systèmes de rétention d’eau avec une végétalisation des abords, un espace public doté de matériaux perméables et de bassin d’eau, ce qui contribue à améliorer les températures extérieures de l’air de 2°C.

3. Recommandations pour une meilleure application des évaluations par simulation numérique

Les méthodes d’évaluation l’ICU se développent de plus en plus rapidement et notamment, les méthodes par simulation du fait de l’amélioration des différents outils (Bherwani et al., 2020; Imran et al., 2021). Cet article fait l’état des méthodes de simulation numérique des ICU et de leur application en France. À partir de l’analyse d’articles, des challenges pouvant limiter leurs applications ont été relevés et sont résumés dans la section suivante. Puis, des recommandations sont émises pour tenter de les surmonter et le tableau 4 présente les principales applications spatiales et objectifs auxquels peuvent répondre les différents modèles de simulation numérique de l’ICU, en facilitant le choix d’une méthode pour l’aménagement opérationnel et la planification urbaine en France.

Tableau 4

Comparaison et sélection d’une méthode de simulation des ICU pour une application en France. Comparison and selection of an UHI simulation method for an application in France.

3.1. Les limites à la prise en compte des évaluations par simulation numérique de l’ICU

À travers un état de l’art, il ressort diverses problématiques liées à la réalisation des études sur l’ICU. La littérature scientifique internationale est fournie sur les études portant sur le potentiel des solutions d’adaptation et divers états de l’art ont été publiés (Kardinal et al., 2019; Grafakos et al., 2020; Tsoka et al., 2020; Neij et Heiskanen, 2021). Toutefois, en France, les études portant sur l’ICU visent davantage à caractériser et étudier les variations temporelles et spatiales de l’ICU ou à effectuer la validation d’une approche pour diagnostiquer avec fiabilité l’intensité de l’ICU. Ainsi, il apparaît un manque d’études sur l’application de solutions de rafraîchissement en France.

Les problématiques liées à l’application de méthodes par simulation numérique semblent liées à des limitations techniques communes à toutes les méthodes d’évaluation. En effet, la variété des échelles spatiales et temporelles doit être prise en compte pour diagnostiquer précisément l’ICU. De ce fait, la mise en place de stratégies d’adaptation doit prendre en considération les différences de contexte urbain et climatique des territoires (Gardes et al., 2020). La diversité des indicateurs de l’ICU et de représentation des résultats peut également constituer une limite à l’application territoriale (De Groot-Reichwein et al., 2015). En effet, la cartographie semble être un outil de travail courant pour les acteurs de l’urbanisme, car elle leur permet de visualiser rapidement et spatialement les enjeux de leurs territoires (Ren et al., 2013). À l’inverse, les représentations sous forme de courbes ou de tableaux de températures sont moins utilisées par les acteurs urbains. Par ailleurs, les applications pour l’aménagement opérationnel et la planification urbaine semblent être limitées par le manque d’expertise des utilisateurs sur le choix et l’utilisation d’une méthode de diagnostic appropriée (Bherwani et al., 2020). L’intérêt pour les méthodes par simulation numérique réside dans leur faculté à tester et comparer plusieurs stratégies tout en prenant en considération un contexte urbain réel. Ainsi, il existe plusieurs échelles d’application des études par simulation allant de la ville au bâtiment (tableau 2). Le choix d’une méthode doit dépendre de l’objectif de celle-ci. Toutefois, les méthodes par couplage de plusieurs modèles semblent davantage répondre aux objectifs multiples des études sur l’ICU : meilleure résolution spatiale, confort thermique ou besoins énergétiques intégrés à l’évaluation de l’ICU, etc. (Parsaee et al., 2019). Bien que le développement des outils de simulation se multiplie, leur utilisation et leur connaissance par les acteurs de l’urbanisme restent un challenge en France. Le développement des compétences des acteurs institutionnels est une nécessité pour lier les connaissances issues de la climatologie urbaine à la pratique de l’urbanisme de demain et une meilleure prise en compte des ICU.

3.2. Recommandations générales pour la recherche

Comme il a été énoncé, les outils de simulation tels que les modèles de dynamique des fluides ou encore les modèles de prédiction du climat sont complexes à appréhender, car ils simulent des phénomènes physiques que les non-initiés comprennent peu (De Groot-Reichwein et al., 2015). L’élaboration et l’amélioration des outils de simulation devraient tendre vers la simplification des outils et des indicateurs de l’ICU par la création d’indices tels le Urban Heat Island Index (Jin, 2012). Enfin, la formation des acteurs doit être développée et des experts doivent être missionnés pour faire le lien entre langage opérationnel, réglementaire et recherche fondamentale et appliquée.

La mise en place de stratégies d’adaptation ou d’évaluation des ICU apporte plusieurs bénéfices pour les acteurs de la planification urbaine et le territoire, notamment en termes de coûts énergétiques, environnementaux ou encore économiques. De ce fait, la multiplication des liens entre recherche et planification urbaine est bénéfique pour les territoires, car elle permettrait de tester les impacts de diverses solutions d’adaptation sur la réduction des effets de l’ICU. Ainsi, des initiatives telles que le projet MAPUCE (Lambert et al., 2016; Lambert et al., 2019) ou encore les recherches sur les cartes climatiques urbaines (Ng et Ren, 2015) doivent être encouragées et développées en France.

3.3. Recommandation aux acteurs de l’aménagement opérationnel

Les applications d’évaluation de l’ICU sur des projets d’aménagement opérationnel peuvent porter sur deux objectifs principaux : 1) l’amélioration du confort thermique ou des besoins énergétiques; 2) la simulation de différentes solutions de rafraîchissement urbain. Quelques exemples d’applications existent en France. À Nice, une simulation par un modèle de dynamique des fluides a ainsi permis d’analyser différentes versions du projet afin de parvenir à des conditions de confort thermique optimales (2ei Véolia, 2022). Différentes solutions de rafraîchissement ont ainsi été simulées : arrosage de la chaussée, pavé à rétention d’eau, verdissement, etc. En milieu tropical, les choix de conception de l’Écocité de la Réunion, située sur la commune de Saint-Paul, sont issus d’une évaluation des différentes options de matériaux par simulation numérique et leur impact sur le confort thermique. À des échelles spatiales plus réduites, des simulations numériques ont été réalisées pour améliorer les conditions de confort thermique dans le cadre de la transformation de cours d’école en îlot de fraîcheur notamment dans les projets RECRE (ADEME 2019-2022) et cours OASIS (FEDER 2018-2022). En ce qui concerne les applications pour l’aménagement opérationnel, les échelles spatiales restent réduites, de l’échelle micro du quartier à celle de la parcelle. De ce fait, les points suivants peuvent être relevés :

  • Les exemples d’études énoncés précédemment révèlent que la meilleure opportunité d’employer une méthode par approche numérique pour l’aménagement opérationnel est à l’étape de la conception du projet.

  • Les outils de simulation les plus fréquemment utilisés à l’échelle opérationnelle sont les outils permettant d’évaluer les ICU à l’échelle micro, mais également de prendre en compte le confort thermique tels que les modèles de canopée urbaine ou les modèles de dynamique des fluides. Les modèles d’énergie du bâtiment peuvent également être utilisés pour simuler les besoins énergétiques.

3.4. Recommandations aux acteurs de la planification urbaine

Il n’existe pas, à notre connaissance, de cas d’études par simulation de l’ICU ayant conduit à l’élaboration de documents d’urbanisme. Pourtant, les applications peuvent être diverses et les apports majeurs pour le territoire. En effet, les études énoncées précédemment ont révélé que les modèles de simulation permettent de répondre à deux objectifs : 1) l’analyse de l’intensité de l’ICU et 2) la simulation de différentes solutions de planification et d’aménagement. D’après l’analyse des études précédentes, les applications pour la planification urbaine doivent porter une attention particulière sur :

Les applications pour la planification urbaine peuvent intervenir principalement au cours de trois étapes : du diagnostic du territoire puis aux étapes de définition des orientations et enfin, des règles de planification. Particulièrement, les études d’évaluation de l’ICU peuvent être intégrées au sein des Plans Locaux d’Urbanisme Communaux (PLU) et Intercommunaux (PLUi), des Schémas de Cohérence Territoriaux (SCOT) ou encore des Plans Climat Air Énergie Territoriaux (PCAET) (Ramora et al., 2013; Ministère de la Cohésion des territoires, 2017). D’une part, l’analyse de la présence et de l’intensité de l’ICU sur un territoire à l’échelle méso peut être intégrée au sein des diagnostics contenus dans les rapports de présentation et annexes. D’autre part, les simulations de solutions d’adaptation peuvent être intégrées en tant que recommandations au sein des Projets d’Aménagement et de Développement Durables (PADD), des Projets d’Aménagement Stratégique (PAS) ou des Documents Stratégiques en fixant des orientations concernant la lutte contre les ICU (étalement urbain et structure urbaine, trames vertes et bleues, etc.) (Hidalgo, 2014). Ces solutions peuvent être intégrées au sein des règlements d’urbanisme des PLU qui permettent de définir sur chaque parcelle du territoire, les aspects urbains, architecturaux et paysagers (GRIDAUH, 2018). En effet, ces règlements sont composés d’articles au sein desquels les acteurs de l’urbanisme réglementaires ont la possibilité de définir des règles participant à la lutte contre les ICU. Celles-ci devront être appliquées par tous les projets du territoire (obligation d’un coefficient de biotope ou de végétation, limitation du coefficient d’emprise au sol, emprise des constructions, etc.) (Struillou, 2012; Hidalgo, 2014; Lambert et al., 2019). Enfin, ces recommandations peuvent également être intégrées au sein des Orientations d’Aménagement et de Programmation (OAP), qui sont des documents obligatoires des PLU/PLUi et qui permettent de définir sur un périmètre, les caractéristiques d’un projet d’aménagement souhaité par la collectivité (Lambert et al., 2016).

  • Les outils de simulation qui semblent adaptés pour la planification urbaine dépendent de l’échelle d’étude. Ainsi, pour le diagnostic du territoire, les modèles d’échelle méso de prédiction du climat sont les plus pertinents. Pour la simulation de solutions d’adaptation, des modèles d’échelles plus réduites telles que les modèles de canopée urbaine ou de dynamique des fluides sont requis.

Les points énoncés précédemment visent une meilleure intégration des études de simulation sur l’ICU au sein de la pratique de l’urbanisme en France. Bien que les applications territoriales se développent, elles mettent en pratique d’autres méthodes d’évaluation telles que le relevé de mesures in situ, la télédétection, etc. Ces méthodes ont l’avantage d’être moins coûteuses et de nécessiter moins d’expertise (ADEME, 2017). Pourtant, les méthodes par simulation sont particulièrement adaptées à la notion de prospective de l’aménagement opérationnel et de la planification urbaine, car elles permettent de simuler différents scénarios. Les différentes recommandations doivent permettre une meilleure application des méthodes par simulation au sein des territoires avec les avantages qu’elles présentent, mais également de faire avancer la recherche en climatologie dans le contexte français.

Conclusion

La modification de l’environnement naturel par l’urbanisation est la cause principale de l’effet d’ICU dans les villes, notamment du fait de la disparition des espaces naturels, de la perturbation des échanges radiatifs, de la ventilation et de la présence des activités humaines. Exacerbée par les changements climatiques, cette problématique constitue un vrai défi pour les acteurs de l’urbanisme, car ils doivent trouver des moyens permettant de réduire la surchauffe urbaine et d’assurer la durabilité de leurs territoires.

Cet article contribue à enrichir l’état de l’art et le débat mené sur l’apport des approches par simulation numérique pour l’évaluation de l’ICU en France. Il s’adresse à la fois à la communauté scientifique, aux acteurs de l’aménagement opérationnel et de la planification urbaine, ainsi qu’aux utilisateurs finaux de produits issus de l’évaluation des ICU. Dans ce travail, les différentes techniques de simulation numérique permettant d’évaluer l’intensité des ICU ont été présentées. En fonction de l’échelle spatiale, ces différentes techniques sont divisées en quatre catégories : 1) les modèles à l’échelle de la ville ou de la région; 2) les modèles à l’échelle du quartier ou de la rue; 3) les modèles à l’échelle du bâtiment; 4) les modèles d’échelles multiples. Les caractéristiques, avantages et faiblesses de chaque modèle ont été présentés et discutés. L’utilisation des outils de simulation des ICU offre des avantages, notamment dans la simulation des solutions d’adaptation dans un contexte urbain réel, la comparaison de diverses versions et l’aide à la décision pour les acteurs qui peuvent faire des choix d’aménagement ou de planification éclairés.

Des études récentes d’évaluation de l’ICU par simulation numérique sur la période 2010-2022 ont ensuite été présentées. Leurs objectifs se regroupent dans quatre grandes applications : 1) variabilité spatio-temporelle de l’ICU; 2) solutions d’adaptation; 3) validation des outils de simulation; 4) confort thermique et besoins énergétiques. Bien que la littérature scientifique soit fournie sur le potentiel de rafraîchissement de diverses solutions telles que le verdissement des zones urbaines, les matériaux urbains, etc., leurs applications au sein de la pratique des acteurs de l’urbanisme restent limitées. En effet, le recours aux méthodes de simulation présente des limites telles que la multiplicité des échelles spatiales et temporelles, la diversité des indicateurs de l’ICU, la complexité des outils de simulation et le manque d’expertise des utilisateurs. À travers cette recherche, des recommandations ont été émises pour intégrer les évaluations par simulation numérique à certaines phases de l’aménagement opérationnel et de la planification urbaine et éclairer et orienter le choix d’un type de modèle permettant de répondre aux besoins et attentes des acteurs de l’urbanisme.

Remerciements

Ce travail, réalisé dans le cadre d’une thèse de doctorat depuis 2019 au sein du laboratoire LIFAM de l’École Nationale Supérieure d’Architecture de Montpellier, a bénéficié du co- financement de l’ADEME, au sein du Pôle Aménagement des Villes et Territoires, et du Ministère de la Culture.

Références

  • Abbasabadi, N., Ashayeri, J., 2019. Urban energy use modeling methods and tools: A review and an outlook, Building and environment, 161, 17, 106270. doi: 10.106/j.buildenv.2019.106270. [CrossRef] [Google Scholar]
  • ADEME, 2011. Diagnostic de vulnérabilité d’un territoire au changement climatique - Éléments méthodologiques tirés de l’expérience internationale. ADEME, Angers, p. 53 pages. [Google Scholar]
  • ADEME, 2017. Diagnostic de la surchauffe urbaine - Méthodes et Applications Territoriales. ADEME, Angers, 67 p. [Google Scholar]
  • Aghamolaei, R., Fallahpour, M., Mirzaei, P., 2021. Tempo- spatial thermal comfort analysis of urban heat island with coupling of CFD and building energy simulation. Energy and Buildings, 251, 111317, doi: 10.1016/j.enbuild.2021.111317. [CrossRef] [Google Scholar]
  • Akbari, H., Cartalis, C., Kolokotsa, D., Muscio, A., Pisello, A., Rossi, F., et al., 2016. Local climate change and urban heat island mitigation techniques - the state of the art. Journal of Civil Engineering and Management 22, 1, 1–16. doi: 10.3846/13923730.2015.1111934. [CrossRef] [Google Scholar]
  • Akbari, H., Kolokotsa, D., 2016. Three decades of urban heat islands and mitigation technologies research. Energy and Buildings, 133, 834–842, 10.1016/j.enbuild.2016.09.067. [CrossRef] [Google Scholar]
  • Aleksandrowicz, O., Vuckovic,M., Kiesel, K., Mahdavi, A., 2017. Current trends in urban heat island mitigation research: Observations based on a comprehensive research repository. Urban Climate, 21, 1–26. doi: 10.1016/j.uclim.2017.04.002. [CrossRef] [Google Scholar]
  • Allegrini, J., Carmeliet, J., 2017. Coupled CFD and building energy simulations for studying the impacts of building height topology and buoyancy on local urban microclimates. Urban Climate 21, 278–305, doi: 10.1016/j.uclim.2017.07.005. [CrossRef] [Google Scholar]
  • Allegrini, J., Carmeliet, J., 2018. Simulations of local heat islands in Zürich with coupled CFD and building energy models. Urban Climate, 24, 340–359, doi: 10.1016/j.uclim.2017.02.003. [CrossRef] [Google Scholar]
  • Alonso, L., Renard, F., 2020. A Comparative Study of the Physiological and Socio-Economic Vulnerabilities to Heat Waves of the Population of the Metropolis of Lyon (France) in a Climate Change Context. International Journal of Environmental Research and Public Health, 17, 3, 1004. Doi: 10.3390/ijerph17031004. [CrossRef] [Google Scholar]
  • Al-Yahyai, S., Charabi, Y., Gastli, A., 2010. Review of the use of Numerical Weather Prediction (NWP) Models for wind energy assessment. Renewable and Sustainable Energy Reviews, 14, 9, 3192–3198. Doi: 10.1016/j.rser.2010.07.001. [CrossRef] [Google Scholar]
  • Ameer, B., Krarti, M., 2022. Review of Urban Heat Island and Building Energy Modeling Approaches. ASME Journal of Engineering for Sustainable Buildings and Cities, 3, 1. doi: 10.1115/1.4053677. [CrossRef] [Google Scholar]
  • Arnfield, A. (2003) Two decades of urban climate research: A review of turbulence, exchanges of energy and water and the urban heat island. International Journal of Climatology, 23, 26 pages. [CrossRef] [Google Scholar]
  • Bahi, H., Mastouri, H., Radoine, H., 2020. Review of methods for retrieving urban heat islands. Materials Today: Proceedings, 27, 3004–3009. Doi: 10.1016/j.matpr.2020.03.272. [CrossRef] [Google Scholar]
  • Benzerzour M., Masson V., Groleau D., Lemonsu A., 2011. Simulation of the urban climate variations in connection with the transformations of the city of Nantes since the 17th century. Building and Environment, 46, 8, 1545–1557. doi: https://doi.org./10.1016/j.buildenv.2011.01.014. [CrossRef] [Google Scholar]
  • Bernard J., Musy M., Marie H., 2020. Rafraîchissement des villes : Solutions existantes et pistes de recherche. ADEME, Éditions Paranthèses, 16 pages. [Google Scholar]
  • Bherwani H., Singh A., Kumar R., 2020. Assessment methods of urban microclimate and its parameters: A critical review to take the research from lab to land. Urban Climate, 34, 100690. doi: 10.1016/j.uclim.2020.100690. [CrossRef] [Google Scholar]
  • Bouyer J., Inard C., Musy M., 2011. Microclimatic coupling as a solution to improve building energy simulation in an urban context. Energy and buildings, 43, 1549–1559. doi: 10.1016/j.enbuild.2011.02.010. [CrossRef] [Google Scholar]
  • Brode P., Blazejczyk K., Fiala D., Havenith G., Holmér I., Jendritzky G. et al., 2013. The Universal Thermal Climate Index UTCI compared to ergonomics standards for assessing the thermal environment. Industrial Health, 51, 1, 16–24. doi: 10.2486/indhealth.2012-0098. [Google Scholar]
  • Brozovsky J., Radivojevic J., Simonsen A., 2022. Assessing the impact of urban microclimate on building energy demand by coupling CFD and building performance simulation. Journal of Building Engineering, 55, doi: 10.1016/j.jobe.2022.104681. [CrossRef] [Google Scholar]
  • Buchin O., Hoelscher M., Meier F., Nehls T., Ziegler F., 2016. Evaluation of the health-risk reduction potential of countermeasures to urban heat islands. Energy and Buildings, 114, 27–37. doi: 10.1016/j.enbuild.2015.06.038. [CrossRef] [Google Scholar]
  • Bueno B., Norford L., Pigeon G., Britter R., 2011. Combining a detailed building energy model with a physically-based Urban Canopy Model. Boundary-Layer Meteorology, 140, 3, 471–489. doi: 10.1007/s10546-011-9620-6. [CrossRef] [Google Scholar]
  • Bueno B., Norford L., Hidalgo J., Pigeon G., 2013. The urban weather generator. Journal of Building Performance Simulation, 6, 4, 269–281. doi: 10.1080/19401493.2012.718797. [CrossRef] [Google Scholar]
  • Chen F., Kusaka H., Tewari M., Bao J., Hirakuchi H., 2004. Utilizing the coupled WRF/LSM/URBAN modeling system with detailed urban classification to simulate the urban heat island phenomena over the greater Houston area. Fifth Symposium on the Urban Environment, American Meteorological Society, Vancouver B.C. Canada, 23–26 août 2004, 25, 9–11. [Google Scholar]
  • De Ridder K., Maiheu B., Lauwaet D., Daglis I., Keramitsoglou I., Kourtidis K. et al., 2017. Urban Heat Island intensification during hot spells—The case of Paris during the Summer of 2003. Urban Science, 1, 1, 3. doi: 10.3390/urbansci1010003. [Google Scholar]
  • De Groot-Reichwein M., Van Lammeren R., Goosen H., Koekoek A., Bregt A., Vellinga P., 2015. Urban heat indicator map for climate adaptation planning. Mitigation and Adaptation Strategies for Global Change, 23, 2, 169–185. doi: 10.1007/s11027-015-9669-5. [Google Scholar]
  • Delage Y., Taylor P., 1970. Numerical studies of heat island circulations. Boundary-Layer Meteorology, 1, 2, 201–226. doi: https://doi.org/10.1007/BF00185740. [CrossRef] [Google Scholar]
  • Diallo-Dudek J., Lacaze B., Comby J., 2015. Land surface temperature in the urban area of Lyon metropolis: A comparative study of remote sensing data and MesoNH model simulation. Joint Urban Remote Sensing Event (JURSE), 2015, 1–4. doi: 10.1109/JURSE.2015.7120528. [Google Scholar]
  • Douay N., 2013. La planification urbaine française : théories, normes juridiques et défis pour la pratique. L’Information géographique, 77, 3, 45–70. doi: 10.3917/lig.773.0045. [Google Scholar]
  • Dubreuil V., 2022. Le changement climatique en France illustré par la classification de Koppen. La Météorologie, 116, 037. doi: 10.37053/lameteorologie-2022-0012. [Google Scholar]
  • Dudhia J., 2014. A history of mesoscale model development. Asia-Pacific Journal of Atmospheric Sciences, 50, 1, 121–131. doi: https://doi.org/10.1007/s13143-014-0031-8. [CrossRef] [Google Scholar]
  • Fallmann J., Emeis S., Suppan P., 2014. Mitigation of urban heat stress - A modelling case study for the area of Stuttgart. Journal of the Geographical Society of Berlin, 144, 202–216. [Google Scholar]
  • Gao Z., Bresson R., Qu Y., Milliez M., de Munck C., Carissimo B., 2018. High resolution unsteady RANS simulation of wind, thermal effects and pollution dispersion for studying urban renewal scenarios in a neighborhood of Toulouse. Urban Climate, 23, 114–130. doi: 10.1016/j.uclim.2016.11.002. [CrossRef] [Google Scholar]
  • Gardes T., Schoetter R., Hidalgo J., Long N., Marqués E., Masson V., 2020. Statistical prediction of the nocturnal urban heat island intensity based on urban morphology and geographical factors - An investigation based on numerical model results for a large ensemble of French cities. Science of The Total Environment, 737, 139253. doi: 10.1016/j.scitotenv.2020.139253. [CrossRef] [Google Scholar]
  • Gobakis K., Kolokotsa D., Synnefa A., Saliari M., Giannopoulou K., Santamouris M., 2011. Development of a model for urban heat island prediction using neural network techniques. Sustainable Cities and Society, 1, 2, 104–115. doi: 10.1016/j.scs.2011.05.001. [CrossRef] [Google Scholar]
  • Grafakos S., Viero G., Reckien D., Trigg K., Viguie V., Sudmant A., et al., 2020. Integration of mitigation and adaptation in urban climate change action plans in Europe: A systematic assessment. Renewable and Sustainable Energy Reviews, 121, 109623. doi: 10.1016/j.rser.2019.109623. [CrossRef] [Google Scholar]
  • Gros A., Bozonnet E., Inard C., 2014. Cool materials impact at district scale - Coupling building energy and microclimate models. Sustainable Cities and Society, 13, 254–266. doi: 10.1016/j.scs.2014.02.002. [CrossRef] [Google Scholar]
  • Hamman P., 2011. Les échelles spatiales et temporelles de la « ville durable». Espaces et sociétés, 144–145, 1–2, 213–227, doi: 10.3917/esp.144.0213. [CrossRef] [Google Scholar]
  • Hidalgo J., 2014. L’intégration des enjeux climatiques dans la planification et l’aménagement urbains, un nouveau chantier de recherche interdisciplinaire, 5ème Congrés National Santé Environnement, Rennes, novembre 2014 [Google Scholar]
  • Hoppe P., 1999. The physiological equivalent temperature - a universal index for the biometeorological assessment of the thermal environment. International Journal of Biometeorology, 43, 2, 71–75. doi:10.1007/s004840050118. [CrossRef] [PubMed] [Google Scholar]
  • Hu Z., Yu B., Chen Z., Li T., Liu M., 2012. Numerical investigation on the urban heat island in an entire city with an urban porous media model. Atmospheric Environment, 47, 509–518. 10.1016/j.atmosenv.2011.09.064. [CrossRef] [Google Scholar]
  • Hulley M., 2012. The urban heat island effect: Causes and potential solutions. In Metropolitan Sustainability, Editions F. Zeman, Woodhead Publishing, 79-98, doi:10.1533/9780857096463.1.79. [CrossRef] [Google Scholar]
  • Hurlimann A., Moosavi S., Browne G., 2020. Urban planning policy must do more to integrate climate change adaptation and mitigation actions. Land Use Policy, 105188, doi: 10.1016/j.landusepol.2020.105188. [Google Scholar]
  • Imran H., Shammas M., Rahman A., Jacobs S., Ng A., Muthukumaran S., 2021. Causes, modeling and mitigation of Urban Heat Island : A review. Earth Sciences, 6, 10, 244–264. doi: 10.11648/j.earth.20211006.11. [CrossRef] [Google Scholar]
  • IPCC, 2022. Climate Change 2022: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, Pörtner, H., Roberts, D., Tignor, M., Poloczanska, E., Mintenbeck, K., Alegría, A. et al. (eds.).Cambridge University Press. Cambridge University Press, Cambridge, RU et New York, USA, 3056 pages. doi: 10.1017/9781009325844. [Google Scholar]
  • Janicke B., Milosevic D., Manavvi S., 2021. Review of user- friendly models to improve the urban micro-climate. Atmosphere, 12, 1291. doi: 10.3390/atmos12101294. [CrossRef] [Google Scholar]
  • Jin M., 2012. Developing an index to measure Urban Heat Island effect using satellite land skin temperature and land cover observations. Journal of Climate, 25, 18, 6193–6201. doi:10.1175/JCLI-D-11-00509.1. [CrossRef] [Google Scholar]
  • Kardinal J., Ignatius M., Hien W., Akbari H., 2019. Editorial: Urban heat island (UHI) and its mitigation through urban planning, design, and landscaping. Architectural science review, 1, 62, 2. doi: 10.1080/00038628.2019.1548095. [Google Scholar]
  • Kastendeuch P., Najjar G., Lacarrere P., Colin J., 2010. Modélisation de l’îlot de chaleur urbain à Strasbourg. Climatologie, 7, 21–37. doi:10.4267/climatologie.361. [CrossRef] [Google Scholar]
  • Kastendeuch P., Najjar G., 2015. Une simulation des interactions ville-atmosphère à différentes échelles : Application sur Strasbourg. Climatologie, 12, 44–64. doi: 10.4267/climatologie.1118. [CrossRef] [Google Scholar]
  • Kohler M., Tannier C., Blond N., Aguejdad R., Clappier A., 2017. Impacts of several urban-sprawl countermeasures on building (space heating) energy demands and urban heat island intensities. A case study. Urban climate, 19, 92–121. doi: 10.1016/j.uclim.2016.12.006. [CrossRef] [Google Scholar]
  • Kwak Y., Park C., Deal B., 2020. Discerning the success of sustainable planning: A comparative analysis of urban heat island dynamics in Korean new towns. Sustainable Cities and Society, 61, 102341, doi:10.1016/j.scs.2020.102341. [CrossRef] [Google Scholar]
  • Kwok Y., Ng E., 2021. Trends, topics, and lessons learnt from real case studies using mesoscale atmospheric models for urban climate applications in 2000–2019. Urban climate, 36, 100785, doi: 10.1016/j.uclim.2021.100785. [CrossRef] [Google Scholar]
  • Lambert M., Demazeux C., Gallafrio M., 2016. Climat urbain, énergie et droit de l’urbanisme - PLU(i). Rapport de présentation etPADD. Hal-01354282. [Google Scholar]
  • Lambert M., Hidalgo J., Masson V., 2019. Urbanisme & (micro-)climat : Outils et recommandation générales pour les documents de planification urbaine issus du projetMApUCE. Guide méthodologique, ANR France , 48 pages. [Google Scholar]
  • Le Mentec S., 2022. Impact de la végétalisation sur l’îlot de chaleur urbain et la pollution d’ozone: Quantification par une approche de modélisation à l’échelle d’un quartier. Thèse de l’Université Paris-Saclay, AgroParisTech, tel-03807318. [Google Scholar]
  • Lee D., Pietrzyk P., Donkers S., Liem V., Van Oostveen J., Montazeri S. et al., 2013. Modeling and observation of heat losses from buildings: The impact of geometric detail on 3D heat flux modeling, Towards Horizon 2020: Earth Observation and Social Perspectives, 33rd AERSel Symposium, Matera Italie, 3–6 juin 2013, 20. [Google Scholar]
  • Lee Y., Kim J., Yun G., 2016. The neural network predictive model for heat island intensity in Seoul. Energy and Buildings, 110, 353–361. doi: 10.1016/j.enbuild.2015.11.013. [CrossRef] [Google Scholar]
  • Lemonsu A., Viguié V., Daniel M., Masson V., 2015. Vulnerability to heat waves: Impact of urban expansion scenarios on urban heat island and heat stress in Paris (France). Urban Climate, 14, 586–605. doi:10.1016/j.uclim.2015.10.007. [CrossRef] [Google Scholar]
  • Lin P., Sin Yu Lau S., Qin H., Gou Z., 2017. Effects of urban planning indicators on urban heat island: A case study of pocket parks in high-rise high-density environment. Landscape and urban planning, 168, 48–60. doi:10.1016/j.landurbplan.2017.09.024. [CrossRef] [Google Scholar]
  • Marando F., Heris M.P., Zulian G., Udias A., Mentaschi L., Chrysoulakis N. et al., 2022. Urban heat island mitigation by green infrastructure in European Functional Urban Areas. Sustainable Cities and Society, 77, 103564. doi:10.1016/j.scs.2021.103564. [CrossRef] [Google Scholar]
  • Martins T., Adolphe L., Bonhomme M., Bonneaud F., Faraut S., Ginestet S., et al., 2016. Impact of Urban Cool Island measures on outdoor climate and pedestrian comfort: Simulations for a new district of Toulouse, France. Sustainable Cities and Society, 26, 9–26. doi: 10.1016/j.scs.2016.05.003. [CrossRef] [Google Scholar]
  • Masson V., 2000. A physically-based scheme for the urban energy budget in atmospheric models. Boundary-Layer Meteorology, 94, 3, 357–397. doi: 10.1023/A:1002463829265. [Google Scholar]
  • Masson V., Gomes L., Pigeon G., Liousse C., Pont V., Lagouarde J. et al., 2008. The Canopy and Aerosol Particles Interactions in Toulouse Urban Layer (CAPITOUL) experiment. Meteorology and Atmospheric Physics, 102, 3, 135. doi: 10.1007/s00703-008-0289-4. [CrossRef] [Google Scholar]
  • Masson V., Marchadier C., Adolphe L., Aguejdad R., Avner P., Bonhomme M. et al., 2014. Adapting cities to climate change: A systemic modelling approach. Urban climate, 10, 407–409. doi: 10.1016/j.uclim.2014.03.004. [CrossRef] [Google Scholar]
  • Mauree D., Naboni E., Coccolo S., Perera A., Nik V., Scartezzini J., 2019. A review of assessment methods for the urban environment and its energy sustainability to guarantee climate adaptation of future cities. Renewable and Sustainable Energy Reviews, 112, 733–746. doi: 10.1016/j.rser.2019.06.005. [CrossRef] [Google Scholar]
  • Memon R., Leung D., Liu C., 2009. An investigation of urban heat island intensity (UHII) as an indicator of urban heating. Atmospheric Research, 94, 3, 491–500. doi: 10.1016/j.atmosres.2009.07.006. [CrossRef] [Google Scholar]
  • Ming T., Lian S., Wu Y., Shi T., Peng C., Fang Y. et al., 2021. Numerical investigation on the Urban Heat Island effect by using a porous media model. Energies, 14, 15, 4681. doi: 10.3390/en14154681. [CrossRef] [Google Scholar]
  • Ministère de la cohésion des territoires, 2017. PLUI- Un outil pour l’avenir des territoires. Guide, Ministère de la cohésion des territoires, 4 pages. [Google Scholar]
  • Mirzaei P., Haghighat F., 2010. Approaches to study Urban Heat Island - Abilities and limitations. Building and Environment, 45, 10, 2192–2201. doi: 10.1016/j.buildenv.2010.04.001. [CrossRef] [Google Scholar]
  • Mirzaei P., 2015. Recent challenges in modeling of urban heat island. Substainable Cities and Society, 19, 200–206. doi: 10.1016/j.scs.2015.04.001. [CrossRef] [Google Scholar]
  • Morille B., Musy M., Malys L., 2016. Preliminary study of the impact of urban greenery types on energy consumption of building at a district scale: Academic study on a canyon street in Nantes (France) weather conditions. Energy and Buildings, 114, 275–282. doi: 10.1016/j.enbuild.2015.06.030. [CrossRef] [Google Scholar]
  • Morille B., Musy M., 2017. Comparison of the impact of three climate adaptation strategies on summer thermal comfort - Cases study in Lyon, France. Procedia Environmental Sciences, 38, 619–626. doi: 10.1016/j.proenv.2017.03.141. [CrossRef] [Google Scholar]
  • Musy M., Azam M., Guernouti S., Morille B., Rodler A., 2021. The SOLENE-Microclimat Model: Potentiality for comfort and energy studies. Urban Microclimate Modelling for Comfort and Energy Studies. Edition Palme & A. Salvati, Springer International Publishing, 265–291, doi: 10.1007/978-3-030-65421-4_13. [CrossRef] [Google Scholar]
  • Neij L., Heiskanen E., 2021. Municipal climate mitigation policy and policy learning - A review. Journal of Cleaner Production, 317, 128348. doi:10.1016/j.jclepro.2021.128348. [CrossRef] [Google Scholar]
  • Ng E., Ren C., 2015. The Urban Climatic Map. Routldege, Taylor & Francis Group, p. 543 pages, doi: 10.4324/9781315717616. [Google Scholar]
  • Nieuwenhuijsen M., 2021. New urban models for more sustainable, liveable and healthier cities post covid19; reducing air pollution, noise and heat island effects and increasing green space and physical activity. Environment International, 157, 106850, doi: 10.1016/j.envint.2021.106850. [CrossRef] [Google Scholar]
  • Nogueira M., Hurduc A., Ermida S., Lima D., Soares P., Johannsen F., et al., 2022. Assessment of the Paris urban heat island in ERA5 and offline SURFEX-TEB (v8.1) simulations using the METEOSAT land surface temperature product. Geoscientific Model Development, 15, 14, 5949–5965. doi: 10.5194/gmd-15-5949-2022. [CrossRef] [Google Scholar]
  • Oke T., 1976. The distinction between canopy and boundary- layer urban heat islands. Atmosphere, 14, 4, 268–277. doi: 10.1080/00046973.1976.9648422. [CrossRef] [Google Scholar]
  • Oke T., 1982. The energetic basis of the urban heat island. Quarterly Journal of the Royal Meteorological Society, 108, 455, 1–24. doi: 10.1002/qj.49710845502. [Google Scholar]
  • Page M., McKenzie J., Bossuyt P., Boutron I., Hoffmann T., Mulrow C. et al., 2021. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, 71. doi:10.1136/bmj.n71. [CrossRef] [Google Scholar]
  • Parsaee M., Joybari M., Mirzaei P., Haghighat F., 2019. Urban heat island, urban climate maps and urban development policies and actions plans. Environemental Technology & Innovation, 14, 16. doi: 10.1016/j.eti.2019.100341. [Google Scholar]
  • Ramora S., Broomberg K., Molinier J., 2013. Le schéma de cohérence territoriale SCOT : un projet stratégique partagé pour l’aménagement durable d’un territoire. Guide pratique, Ministère de l’égalité des territoires et du logement, 152 pages. [Google Scholar]
  • Reder A., Rianna G., Mercogliano P., Castellari S., 2018. Parametric investigation of Urban Heat Island dynamics through TEB 1D model for a case study: Assessment of adaptation measures. Sustainable Cities and Society, 39, 662–673. doi: 10.1016/j.scs.2018.03.023. [CrossRef] [Google Scholar]
  • Ren C., Lau K., Yiu K., Ng E., 2013. The application of urban climatic mapping to the urban planning of high-density cities: The case of Kaohsiung, Taiwan. Cities, 31, 1–16. doi:10.1016/j.cities.2012.12.005. [CrossRef] [Google Scholar]
  • Revi A., Sattertwhaite D., Aragon-Durand F., Corfee-Morlot J., Kiunsi R., Pelling M. et al., 2014. Urban areas. In Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Field, C., Barros, V., Dokken, D., Mach, K., Mastrandrea, M., Bilir, T. et al. (eds.),Cambridge University Press, Cambridge, RU et New-York, US, 535–612. [Google Scholar]
  • Salamanca F., Krpo A., Martilli A., Clappier A., 2009. A new building energy model coupled with an urban canopy parameterization for urban climate simulations - Part I. formulation, verification, and sensitivity analysis of the model. Theoretical and Applied Climatology, 99, 3, 331. doi: 10.1007/s00704-009-0142-9. [Google Scholar]
  • Santamouris M., 2016. Innovating to zero the building sector in Europe : Minimising the energy consumption, eradication of the energy poverty and mitigating the local climate change. Solar Energy, 128, 61–94. doi:10.1016/j.solener.2016.01.021. [CrossRef] [Google Scholar]
  • Santamouris M., 2020. Recent progress on urban overheating and heat island research. Integrated assessment of the energy, environmental, vulnerability and health impact. Synergies with the global climate change. Energy and Buildings, 207, 109482, doi:10.1016/j.enbuild.2019.109482. [CrossRef] [Google Scholar]
  • Schoetter R., Hidalgo J., Jougla R., Masson V., Rega M., Pergaud J., 2020. A statistical-dynamical downscaling for the urban heat island and building energy consumption - Analysis of Its uncertainties. Journal of Applied Meteorology and Climatology, 59, 5, 859. doi:10.1175/JAMC-D-19-0182.1. [CrossRef] [Google Scholar]
  • Schwarz N., Lautenbach S., Seppelt R., 2011. Exploring indicators for quantifying surface urban heat islands of European cities with MODIS land surface temperatures. Remote Sensing of Environment, 115, 12, 3175–3186. doi: 10.1016/j.rse.2011.07.003. [CrossRef] [Google Scholar]
  • Steensen B., Marelle L., Hodnebrog Ø., Myhre G., 2022. Future urban heat island influence on precipitation. Climate Dynamics, 58, 3393. doi:10.1007/s00382-021-06105-z. [CrossRef] [Google Scholar]
  • Stewart I., 2011. A systematic review and scientific critique of methodology in modern urban heat island literature. International Journal of Climatology, 31, 2, 200–217. doi:10.1002/joc.2141. [CrossRef] [Google Scholar]
  • Struillou J., 2012. L’intégration des préoccupations environnementales dans les documents de planification urbaine. L’apport de la loi Grenelle II. Revue française de droit administratif, 5, 872, Hal-02243241. [Google Scholar]
  • Tian L., Li Y., Lu J., Wang J., 2021. Review on Urban Heat Island in China: Methods, its Impact on buildings energy demand and mitigation strategies. Sustainability, 13, 2, 762. doi:10.3390/su13020762. [CrossRef] [Google Scholar]
  • Toparlar Y., Blocken B., Vos P., Van Heijst G., Janssen W., Van Hooff T. et al., 2015. CFD simulation and validation of urban microclimate: A case study for Bergpolder Zuid, Rotterdam. Building and Environment, 83, 79–90. doi: 10.1016/j.buildenv.2014.08.004. [CrossRef] [Google Scholar]
  • Toparlar Y., Blocken B., Maiheu B., Van Heijst G., 2017. A review of the CFD analysis of urban microclimate. Renewable and substainable energy reviews, 80, 1613–1640. doi:10.1016/j.rser.2017.05.248. [CrossRef] [Google Scholar]
  • Tsoka S., Tsikaloudaki K., Theodosiou T., Bikas D., 2020. Urban warming and cities’ microclimates: Investigation methods and mitigation strategies - A review. Energies, 13, 25, 1414. doi:10.3390/en13061414. [CrossRef] [Google Scholar]
  • Tzavali A., Paravantis J., Mihalakakou G., Fotiadi A., Stigka E., 2015. Urban heat island: A literature review. Fresenius Environmental Bulletin, 24, 12b, 21. [Google Scholar]
  • Wang H., Peng C., Li W., Ding C., Ming T., Zhou N., 2021. Porous media : A faster numerical simulation method applicable to real urban communities. Urban Climate, 38, 100865, 10.1016/j.uclim.2021.100865. [CrossRef] [Google Scholar]
  • Wang X., Li Y., 2016. Predicting urban heat island circulation using CFD. Building and Environment, 99, 82–97. doi:10.1016/j.buildenv.2016.01.020. [CrossRef] [Google Scholar]
  • Wouters H., De Ridder K., Demuzere M., Lauwaet D., Van Lipzig N., 2013. The diurnal evolution of the urban heat island of Paris: A model-based case study during Summer 2006. Atmospheric Chemistry and Physics, 13, 17, 8525–8541. doi:10.5194/acp-13-8525-2013. [CrossRef] [Google Scholar]
  • 2ei Véolia, 2022. Ilots de chaleur : quand l’eau rafraîchit la ville. Planet Veolia https://www.planet.veolia.com/fr/ilots-de-chaleur-quand-l-eau-rafraichit-la-ville. [Google Scholar]

Citation de l’article : Técher M., Ait Haddou H., Aguejdad R., 2023. Îlot de chaleur urbain et application territoriale en France : revue des méthodes de simulation numérique. Climatologie, 20, 6.

Liste des tableaux

Tableau 1

Revues de littérature récentes présentant les méthodes d’évaluation par simulation de l’ICU (sources : Mirzaei, 2015; Parsaee et al., 2019; Bherwani et al., 2020; Imran et al., 2021; Tian et al., 2021). Recent literature reviews presenting UHI simulation assessment methods.

Dans le texte
Tableau 2

Les différents types de modèles de simulation numérique de l’ICU identifiés (sources : Mirzaei, 2015; Parsaee et al., 2019; Bherwani et al., 2020; Imran et al., 2021; Tian et al., 2021). Different types of UHI numerical simulation identified.

Dans le texte
Tableau 3

Les applications récentes (2010-2022) des études ayant évalué l’ICU par une approche de simulation numérique. Recent applications (2010-2022) of studies assessing UHI using a numerical simulation approach.

Dans le texte
Tableau 4

Comparaison et sélection d’une méthode de simulation des ICU pour une application en France. Comparison and selection of an UHI simulation method for an application in France.

Dans le texte

Liste des figures

thumbnail Figure 1

Méthode utilisée pour identifier, sélectionner et évaluer l’éligibilité des études ayant évalué l’ICU par une simulation numérique en France (source : auteur d’après la méthode PRISMA; Page et al., 2021). Method used to identify, select and assess the eligibility of studies that have assessed UHI by numerical simulation in France.
Dans le texte
thumbnail Figure 2

Localisation des études récentes (2010-2022) ayant évalué l’ICU par une approche de simulation numérique en France. Location of recent studies (2010-2022) assessing UHI using a numerical simulation approach in France.
Dans le texte

Les statistiques affichées correspondent au cumul d'une part des vues des résumés de l'article et d'autre part des vues et téléchargements de l'article plein-texte (PDF, Full-HTML, ePub... selon les formats disponibles) sur la platefome Vision4Press.

Les statistiques sont disponibles avec un délai de 48 à 96 heures et sont mises à jour quotidiennement en semaine.

Le chargement des statistiques peut être long.