Chapitre 3 - Estimation des températures de l’air à partir d’images satellite et de stations météorologiques
p. 53-62
Texte intégral
1Les moustiques du genre Aedes sont thermosensibles, c’est-à-dire que leur niveau d’activité (recherche de repas sanguin, déplacements, etc.) et la vitesse de développement de leurs larves sont conditionnés par les températures. La zone de confort de ces moustiques se situe entre 21 °C et 32 °C, avec une probabilité de survie qui se réduit au-delà de ces bornes (Brady et al., 2013). À l’échelle du globe, si l’incidence des maladies dues à ces moustiques est donc pour l’essentiel concentrée dans les zones tropicales et sub-tropicales (Bhatt et al., 2013), la présence des vecteurs s’étend aujourd’hui jusqu’aux zones tempérées d’Amérique du Nord et d’Europe du Sud notamment, à la faveur du changement climatique (Messina et al., 2019). Les moustiques de l’espèce Aedes aegypti sont également synanthropiques, c’est-à-dire que leur cycle de vie est étroitement lié à la présence de populations humaines. Les femelles Ae. aegypti privilégient en effet de petits gîtes créés par l’homme (pots de fleurs, citernes à eau, détritus, etc.) pour pondre et ont besoin de repas de sang pour la maturation de leurs œufs. En concentrant la chaleur et les humains, les villes sont donc de parfaits attracteurs pour ces populations de vecteurs.
2Dans ce chapitre, nous nous intéressons plus particulièrement à l’estimation des températures en milieu urbain en ce qu’elles impactent potentiellement les dynamiques de population vectorielle. En effet, les différentiels de température présents à micro-échelle pourraient, selon les contextes, favoriser ou limiter le développement biologique des moustiques et donc leur propension à se déplacer, à prélever des repas de sang, mais aussi agir sur la durée de leur cycle de reproduction et leur taux de survie. Connaître précisément les températures à échelle fine est donc un préambule à la détection d’environnements locaux qui leur sont favorables ou défavorables. Nous présentons dans ce chapitre différents types de données pour caractériser les températures du sol et de l’air, puis un ensemble de méthodes pour estimer les températures de l’air et, pour conclure, une comparaison des résultats de ces méthodes appliquées à Bangkok (Thaïlande).
Des données pour mesurer les températures
3La connaissance des températures, ou tout au moins de leurs variations relatives à échelle fine, doit permettre de caractériser plus précisément les micro-environnements qui sont susceptibles de favoriser ou non le maintien et le développement de populations de moustiques. Les îlots de chaleur urbains sont caractéristiques de ce différentiel de température qui peut être mesuré en zone intra-urbaine. La présence d’un îlot de chaleur est due à la concentration de zones bâties qui restituent la nuit la chaleur emmagasinée le jour, contribuant ainsi à l’augmentation des températures minimales des zones densément peuplées. Ceci peut donc favoriser d’autant plus le maintien d’Aedes, notamment lors des périodes les plus froides pour les zones urbaines des régions intertropicales — comme à Bangkok où la dengue est endémique —, et réduire sa probabilité de survie lors des périodes les plus chaudes. Classiquement, deux classes de températures sont mobilisables pour identifier la présence d’îlots de chaleur : les températures au sol et les températures de l’air.
4La mesure des températures au sol (LST pour Land Surface Temperature) passe par l’imagerie satellitaire via différents capteurs. Les images sont proposées à différentes résolutions spatiales et temporelles. Nous pouvons citer le capteur TIRS embarqué sur Landsat 8, avec lequel il est théoriquement possible d’estimer les températures de surface à une résolution spatiale de 100 m pour une périodicité bimensuelle. Pour une périodicité plus courte et donc plus adaptée au cycle de développement du moustique, le capteur MODIS embarqué sur les satellites Aqua et Terra fournit des températures du sol à une résolution de 1 km, mais quatre fois par jour, lorsque les conditions météorologiques sont optimales. L’une des contraintes fortes en effet pour les images satellite, notamment dans les régions tropicales et subtropicales, est la présence d’un plafond nuageux très fréquent qui les rend peu exploitables.
5Si les températures varient spatialement à la surface du sol, elles varient également lorsqu’on les compare à celles de l’air (figure 3.1). Ces différences s’expliquent par la combinaison de nombreux facteurs qui agissent localement : humidité du sol, rugosité de surface, vitesse du vent (Stisen et al., 2007), etc., et ces différences de température ne sont pas sans effet sur le développement du vecteur (Misslin et al., 2016).
6La mesure des températures de l’air passe par des stations météorologiques. Celles-ci sont positionnées selon des normes très précises, à l’ombre notamment, et gérées par des organismes officiels locaux. Les relevés sont donnés à 2 m d’altitude et les contrastes de valeur enregistrés entre les différentes stations d’une même ville rendent compte des variations locales du bilan énergétique de surface. L’un des défis dans l’utilisation de ces données est généralement la densité du maillage territorial, le nombre de stations étant souvent trop faible pour réaliser des interpolations fiables à l’échelle de grandes métropoles architecturalement et structurellement hétérogènes.
7Ce chapitre propose donc d’associer ces deux sources de données : des images satellite (LST) qui ne sont pas complètes dans le temps et des relevés de stations météorologiques qui ne sont pas complets dans l’espace, pour comparer différentes méthodes d’estimation des températures de l’air dans la métropole de Bangkok (figure 3.1). Pour cette étude, nous avons fait le choix de privilégier le capteur MODIS pour les fréquences élevées de passage et la simplicité d’accès aux images (site de l’USGS21).
Figure 3.1. Températures dans la zone étendue de la métropole de Bangkok.

Les stations sont identifiées par des numéros
affichés sous forme d'étiquettes, en haut à droite des croix (p. ex. «
48429 » désigne la station de l'aéroport). L’image des températures de
surface (LST) a été obtenue par imagerie MODIS le 27 février 2021, à
14 h.
En bas à gauche sont exprimées les températures de surface
(Ts) en degrés Celsius estimées par imagerie satellite MODIS, les
températures de l’air (Ta) enregistrées aux stations et l’écart (Δ)
entre les deux.
Estimation des températures de l’air : différentes méthodes
8Il existe différentes méthodes pour estimer les températures de l’air à partir de la connaissance des températures de surface. Une première méthode simple repose sur des régressions linéaires entre les températures de l’air enregistrées par les stations au sol et les températures du sol obtenues à partir d’images satellite. Si le nombre d’enregistrements est important (réalisés sur une longue période et avec un nombre suffisant de stations) et le coefficient de corrélation significatif, la régression permet d’estimer les températures de l’air sur l’ensemble de la zone à partir des données de température du sol (Zaksek et Schroedter-Homscheidt, 2009). Un autre type d’approche utilise le bilan énergétique des surfaces observées et mobilise des concepts de thermodynamique (Sun et al., 2005). Enfin, des régressions (linéaires ou non) entre la température de surface et d’autres variables annexes, comme l’occupation du sol ou l’altitude, peuvent être utilisées (Benali et al., 2012 ; Oyler et al., 2014). La méthode TVX (Temperature-Vegetation Index) repose sur ce principe.
9Une première hypothèse de la méthode TVX postule un équilibre thermique entre les températures du sol et de l’air au niveau de la canopée (Vancutsem et al., 2010). Elle part également du postulat qu’il existe une corrélation négative entre la température et l’activité végétative, mesurée par l’indice de végétation par différence normalisée (NDVI pour Normalized Differenced Vegetation Index), et que les conditions atmosphériques sont uniformes localement (Stisen et al., 2007). À partir de ces principes, la méthode TVX consiste à calculer une régression linéaire entre les valeurs de LST (Ts) et celles de NDVI dans une fenêtre mobile de taille donnée :
Ts~αNDVI + β (équation 1)
10En se basant sur l’hypothèse de l’équilibre thermique de la canopée, on conserve les paramètres de l’équation 1 et on pose alors que :
Ta~αNDVImax + β (équation 2)
11où NDVImax peut être soit choisi parmi les valeurs de NDVI des stations au sol de sorte qu’il minimise l’erreur moyenne absolue de la relation de l’équation 2 (méthode 1 ou « TVX classique »), soit le NDVI maximum dans la fenêtre locale (méthode 2 ou « TVX local »). L’avantage de la méthode TVX est qu’elle nécessite peu de données auxiliaires en entrée et que, contrairement à l’approche statistique, elle ne requiert pas un réseau de stations très dense pour donner des résultats corrects (Misslin et al., 2018).
12Nous appliquons par la suite la méthode TVX à la métropole de Bangkok (méthode 1 « TVX classique ») en proposant différentes variantes, telles que l’utilisation du NDVImax local (méthode 2 « TVX local ») et la correction des températures en lien avec la part de surface bâtie (méthode 3 « TVX local & bâti »). En effet, si les bâtiments influencent les températures en générant l’effet îlot de chaleur, leur prise en compte peut potentiellement améliorer l’estimation des températures de l’air.
Applications à Bangkok
13Pour ce cas d’étude, nous nous appuyons sur la collecte des images de LST et de NDVI issues du capteur MODIS de Terra et Aqua pour la période du 30 juin 2015 au 30 avril 2022. Au total, 1 885 images sont potentiellement exploitables, avec une couverture d’au moins 50 % de la zone. Néanmoins, les mois de mai à novembre, du fait d’une couverture nuageuse importante, ne représentent que 17 % de l’échantillon (tableau 3.1).
14Nous utilisons également une couche géographique contenant plus de 1,4 million de bâtiments à Bangkok (voir chapitre 4 pour le détail de la méthode). Nous appliquons pour chacune des images une régression linéaire dans une fenêtre mobile (entre la température du sol et le NDVI pour les méthodes 1 et 2 et avec l’ajout de la couche de bâtiment pour la méthode 3). Nous obtenons alors les coefficients de régression locaux, ainsi que les ordonnées à l’origine, comme explicité dans la figure 3.2.
Figure 3.2. Présentation des méthodes employées.

La méthode 2 (« TVX local ») suit le cheminement en noir, auquel on rajoute les éléments en rouge pour la méthode 3 (« TVX local & bâti ») ou ceux en bleu pour la méthode 1 (approche « TVX classique »). Valeur minimise la moyenne des erreurs pour l’ensemble des stations pour la méthode 1, tandis qu’elle correspond au NDVImax local pour les méthodes 2 et 3.
15Concernant les données météorologiques, sept stations sont présentes sur la zone d’étude, mais nous ne disposons d’informations sur les surfaces bâties que pour cinq d’entre elles (les plus proches des limites administratives de Bangkok, figure 3.1). Ces dernières fournissent les températures de l’air avec une fréquence d’une à trois heures, mais seules les températures aux heures des passages les plus proches des satellites Aqua et Terra sont conservées à des fins de calibration et de validation. Nous proposons par la suite trois approches issues de la méthode TVX afin de les comparer.
16La première méthode (méthode 1) reprend l’approche de Misslin et al. (2018). Elle consiste à trouver la valeur NDVImax telle que l’écart entre les températures de l’air enregistrées par les stations et les températures de l’air estimées par l’équation 2 soit minimisé. La méthode consiste donc à utiliser l’ensemble des valeurs de NDVI enregistrées à la position de chacune des stations et de sélectionner celle qui donne l’erreur moyenne absolue (MAE pour Mean Absolute Error) la plus faible :
17avec Ta’ la température de l’air estimée, Ta la température de l’air enregistrée et n le nombre d’observations.
18C’est cette valeur de NDVImax, soit une valeur pour l’ensemble de la zone, qui est alors utilisée dans l’équation 2 pour estimer les températures de l’air. La mise à jour saisonnière de NDVImax permet d’estimer les évolutions des températures de l’air sur la zone (tableau 3.1).
Tableau 3.1. Valeurs du NDVImax par période (par mois).
|
Janvier |
Février |
Mars |
Avril |
Mai à novembre |
Décembre |
NDVImax (diurne) |
0,56 |
0,49 |
0,47 |
0,45 |
0,62 |
0,58 |
NDVImax (nocturne) |
0,08 |
0,02 |
0,08 |
0,06 |
0 |
0,05 |
Nombre d’images |
333 |
388 |
334 |
200 |
328 |
302 |
19Remarquons que si ces valeurs NDVImax varient entre les périodes, elles varient également à différents moments de la journée (tableau 3.1). Les très faibles valeurs de NDVImax obtenues pour la nuit impliquent l’importance de l’ordonnée à l’origine (le coefficient β) dans l’estimation des températures nocturnes. En effet, si la valeur de NDVImax est proche de zéro, Ta’ devient alors très proche de β (équation 2). Ce premier constat devra être pris en compte lors des comparaisons des qualités des méthodes, notamment dans l’estimation des températures nocturnes.
20Les deux autres méthodes testées (méthodes 2 et 3) calculent un NDVImax local à partir d’une fenêtre mobile. Par rapport au NDVImax global calculé par la méthode 1, l’hypothèse est que le bilan énergétique varie fortement en zone urbaine du fait de la variété des usages du sol, ce qui justifie de prendre en compte localement cette source de variation. La méthode 2 fait ainsi un focus sur le lien entre les températures de surface et le NDVImax local, et la méthode 3 (TVX & bâti) prend en compte la part de zones bâties dans le calcul des coefficients de régression, en modifiant l’équation 1 :
Ts~α1NDVI + α2bâti + β (équation 1 modifiée)
21La figure 3.3 montre la distribution des coefficients de corrélation calculés pour chaque image MODIS dans une fenêtre mobile (figure 3.3a) et les moyennes locales obtenues par la méthode 2 (figure 3.3b) et 3 (figure 3.3c).
Figure 3.3. Comparaison des coefficients de corrélation entre les températures de surface et le NDVI pour la méthode 2, et les températures de surface et le NDVI avec la prise en compte de la densité de bâtiments pour la méthode 3.

(a) Histogramme des valeurs du coefficient de corrélation R2 global calculé pour chaque image MODIS. (b) R2 local (fenêtre 7 × 7) moyen sur l’ensemble des images pour la relation Ts ~ NDVI. (c) Ts ~ NDVI + bâti.
22Nous pouvons noter que l’ajout de la couche de bâti dans l’application de régressions linéaires locales permet d’augmenter les R² globaux (moyenne à 0,18 pour la méthode 2, et 0,25 pour la méthode 3, figure 3.3a). Le même constat peut être fait localement (figure 3.3b et c), mais si un grand nombre de zones présentent des coefficients de corrélation élevés, il est délicat de conclure à une quelconque influence de la structure urbaine sur la relation Ts ~ NDVI + bâti. Si le niveau de corrélation n’a pas nécessairement besoin d’être élevé pour appliquer la suite de la méthode TVX (Misslin et al., 2018), on peut observer malgré tout que l’utilisation d’une couche de bâti en plus du NDVI augmente fortement la relation et pourrait améliorer l’estimation des températures de l’air.
23La figure 3.4 présente les résultats obtenus pour chaque méthode, avec, à titre de comparaison, les LST des images MODIS. La figure 3.4a montre qu’il y a d’une part une surestimation des températures de l’air évaluées le jour et une sous-estimation la nuit. Cependant, le jour, les modes des températures estimées sont plus proches de ceux des températures enregistrées que le mode des LST. À noter que la méthode 1, bien que présentant une amplitude des écarts plus importante, permet d’avoir plus de valeurs proches des températures des stations. En revanche, la nuit, les méthodes d’estimation des températures de l’air ne réduisent pas les écarts avec les températures observées, surtout pour la méthode 1. La figure 3.4b montre l’écart des estimations sur différentes périodes de l’année, sous le prisme du MAE et du R². Au regard de ce dernier indicateur, les températures de l’air pour les mois de mars et d’avril sont les plus fiables, notamment avec la méthode 2 qui présente des chiffres légèrement meilleurs que ceux de la méthode 3 (TVX + bâti). La méthode 1 réduit effectivement l’erreur absolue moyenne par rapport aux LST, mais reste moins efficace que les méthodes 2 et 3, où les écarts oscillent entre 3,2 et 3,7 °C selon les mois.
24La méthode de validation, qui passe par la comparaison avec les stations météorologiques au sol, souffre de plusieurs écueils. Tout d’abord, comment comparer efficacement des données à une échelle méso à des données à l’échelle micro ? Les valeurs enregistrées par ces dernières dépendent de leur environnement proche, alors que les estimations des températures de l’air sont des moyennes sur des zones nettement plus importantes. De plus, le nombre de stations est relativement faible (5) et leur maillage n’est pas suffisamment homogène pour représenter tous les assemblages des structures urbaines de Bangkok, susceptibles d’influencer les températures (zone d’habitat dense, éparse, hybride, etc.).
Figure 3.4. Écart des températures de l’air estimées par rapport aux températures observées.

Pour chaque méthode : (a) le jour (gauche) et la nuit (droite) ; (b) : erreur absolue moyenne (gauche) et coefficient de corrélation (droite) sur 6 périodes de l’année.
25Si nous comparons les écarts moyens entre les différentes méthodes d’estimation des températures de l’air et les LST (figure 3.5), nous pouvons noter la présence de zones où les températures de l’air sont supérieures aux températures du sol issues de MODIS, notamment dans le centre-ville. L’inverse s’observe également, surtout à l’est de la ville, dans la zone de l’aéroport (station 48429) [figure 3.1]. Une grande hétérogénéité dans l’occupation du sol à une échelle locale peut expliquer ces écarts, notamment dans la zone du méandre au sud de Bangkok (figure 3.5b), où des zones essentiellement végétalisées côtoient des zones densément peuplées. Cette hétérogénéité locale influence les coefficients de régression locaux et le NDVImax local.
Figure 3.5. Différences entre la somme des températures diurnes estimées (de gauche à droite : méthodes 1, 2 et 3) et les LST issues de MODIS, pondérées par le nombre de pixels contenant une information sur l’ensemble de la période : (a) sur l’ensemble de Bangkok, (b) sur une zone plus petite et hétérogène au sud de la ville.
Conclusion
26Nous avons comparé ici différentes méthodes permettant d’estimer les températures de l’air à partir des températures du sol provenant d’images MODIS. Si les traitements proposés permettent de réduire les écarts entre les températures de l’air observées et estimées, ces derniers restent relativement importants et varient de 3 à 5 °C selon les périodes de l’année et les méthodes. Il est toutefois délicat de comparer des températures estimées à l’échelle méso à des données mesurées à micro-échelle. En effet, il est tout à fait possible que la température moyenne de l’air effective sur une maille de 1 km2 soit différente de la température enregistrée localement, du fait de l’emplacement de la station et de son environnement local d’une part, et d’effets de lissage sur la maille d’autre part. La qualité de l’estimation dépend aussi de la densité de maillage des stations météorologiques de référence et de leur environnement local, pas nécessairement homogène sur la maille d’analyse.
27Notons également que les méthodes employées entraînent des effets de bordure liés à l’utilisation d’une fenêtre mobile dans des zones hétérogènes. Le calcul des coefficients de régression locaux sur des zones homogènes d’un point de vue de l’occupation du sol permettrait d’affiner la comparaison des différentes méthodes.
Bibliographie
Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.
Format
- APA
- Chicago
- MLA
Benali A., Carvalho A.C., Nunes J.P., Carvalhais N., Santos A., 2012. Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment, 124, 108-121.
Bhatt S., Gething P.W., Brady O.J., Messina J.P., Farlow A.W., Moyes C.L., Drake J.M., Brownstein J.S., Hoen A.G., Sankoh O., Myers M.F., George D.B., Jaenisch T., Wint G.R., Simmons C.P., Scott T.W., Farrar J.J., Hay S.I., 2013. The global distribution and burden of dengue. Nature, 496 (7 446), 504-507.
Brady O.J., Johansson M.A., Guerra C.A., Bhatt S., Golding N., Pigott D.M., Delatte H., Grech M.G., Leisnham P.T., Maciel-de-Freitas R., Styer L.M., Smith D.L., Scott T.W., Gething P.W., Hay S.I., 2013. Modelling adult Aedes aegypti and Aedes albopictus survival at different temperatures in laboratory and field settings. Parasit Vectors, 6, 351.
Messina J.P., Brady O.J., Golding N., Kraemer M.U.G., Wint G.R.W., Ray S.E., Pigott D.M., Shearer F.M., Johnson K., Earl L., Marczak L.B., Shirude S., Davis Weaver N., Gilbert M., Velayudhan R., Jones P., Jaenisch T., Scott T.W., Reiner R.C. Jr., Hay S.I., 2019. The current and future global distribution and population at risk of dengue. Nature Microbiology, 4 (9), 1508-1515.
Misslin R., Vaguet Y., Vaguet A., Daudé É., 2018. Estimating air temperature using MODIS surface temperature images for assessing Aedes aegypti thermal niche in Bangkok, Thailand. Environmental Monitoring and Assessment, 190 (9), 537.
Misslin R., Telle O., Daudé É., Vaguet A., Paul R.E., 2016. Urban climate versus global climate change-what makes the difference for dengue? Annals of the New York Academy of Sciences, 1382 (1), 56-72.
Oyler J., Ballantyne A., Jencso K., Sweet M., Running S., 2014. Creating a topoclimatic daily air temperature dataset for the conterminous United States using homogenized station data and remotely sensed land skin temperature. International Journal of Climatology, 35 (9), 2258-2279.
Stisen S., Sandholt I., Nørgaard A., Fensholt R., Eklundh L., 2007. Estimation of diurnal air temperature using MSG SEVIRI data in West Africa. Remote Sensing of Environment, 110 (2), 262-274.
Sun Y.J., Wang J.F., Zhang R.H., Gillies R.R., Xue Y., Bo Y.C., 2005. Air temperature retrieval from remote sensing data based on thermodynamics. Theoretical and Applied Climatology, 80 (1), 37-48.
10.1007/s00704-004-0079-y :Vancutsem C., Ceccato P., Dinku T., Connor S.J., 2010. Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa. Remote Sensing of Environment, 114 (2), 449-465.
Zaksek K., Schroedter-Homscheidt M., 2009. Parameterization of Air Temperature in High Temporal and Spatial Resolution from a Combination of the SEVIRI and MODIS Instruments. ISPRS Journal of Photogrammetry and Remote Sensing, 64 (4), 414-421.
Notes de bas de page
Auteurs
-
Barbara Boufhal
Étudiante en master 2 de Géographie, aménagement, environnement et développement, parcours Analyse territoriale en environnement et santé, à l’université de Rouen. Elle est stagiaire au sein de l’UMR IDEES et travaille sur la détection des environnements propices au développement d’Aedes aegypti et Aedes albopictus en zone urbaine, sur deux sites d’étude : Bangkok et la métropole de Rouen.
-
Alexandre Cebeillac
Postdoctorant à l’Institut Pasteur et hébergé à l’UMR IDEES (Normandie Université). Ses travaux portent essentiellement sur l’étude des mobilités humaines, notamment en contexte d’épidémies de dengue. Il s’appuie sur la collecte, l’analyse et le traitement de données massives et variées, allant de traces numériques géolocalisées aux images satellite, et participe à la production de modèles multi-agents.
-
Éric Daudé
Géographe, directeur de recherche au CNRS affecté à l’UMR IDEES (Normandie Université). Ses travaux portent sur l’étude des vulnérabilités des territoires et des populations à différents aléas (environnementaux et technologiques), les stratégies de gestion des risques (contrôle vectoriel) et des crises (évacuations massives de population) à partir de la conception de modèles de simulation spatiale et l’exploration de scénarios d’aléas.
Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Paroles de chercheurs
Environnement et interdisciplinarité
Évelyne Brun, Jean-François Ponge et Jean-Claude Lefeuvre
2017
La question des échelles en sciences humaines et sociales
Sébastien Boulay et Sylvie Fanchette (dir.)
2019
Systèmes agraires et changement climatique au Sud
Les chemins de l'adaptation
Hubert Cochet, Olivier Ducourtieux et Nadège Garambois (dir.)
2019
Les terres agricoles face à l’urbanisation
De la donnée à l’action, quels rôles pour l’information ?
Roel Plant, Pierre Maurel, Éric Barbe et al. (dir.)
2018
Sociologie des changements de pratiques en agriculture
L’apport de l’étude des réseaux de dialogues entre pairs
Claude Compagnone
2019
Construire des politiques alimentaires urbaines
Concepts et démarches
Caroline Brand, Nicolas Bricas, Damien Conaré et al. (dir.)
2017
Services écosystémiques et protection des sols
Analyses juridiques et éclairages agronomiques
Carole Hermon (dir.)
2018
Manger en ville
Regards socio-anthropologiques d’Afrique, d’Amérique latine et d’Asie
Nicolas Bricas, Olivier Lepiller, Audrey Soula et al. (dir.)
2020
La santé globale au prisme de l'analyse des politiques publiques
Sébastien Gardon, Amandine Gautier et Gwenola Le Naour
2020
Agroforesterie et services écosystémiques en zone tropicale
Recherche de compromis entre services d’approvisionnement et autres services écosystémiques
Josiane Seghieri et Jean-Michel Harmand (dir.)
2019
Méthodes d'investigation de l'alimentation et des mangeurs
MIAM
Olivier Lepiller, Tristan Fournier, Nicolas Bricas et al. (dir.)
2021
Télédétection et modélisation spatiale
Applications à la surveillance et au contrôle des maladies liées aux moustiques
Annelise Tran, Eric Daudé et Thibault Catry (dir.)
2022
