Les modèles de dispersion des odeurs

9Les modèles de dispersion des odeurs proviennent avant tout des innovations en matière de modélisation atmosphérique qui ont été mises au point au cours de la seconde moitié du 20^e siècle (Heymann, 2006). Il existe principalement trois familles de modèles de dispersion. Les plus anciens, et aussi les plus simples, sont les modèles gaussiens. Ils s’appuient sur des équations mathématiques qui simulent la dispersion du nuage de pollution à partir d’une distribution gaussienne. La dispersion du panache de pollution dans l’air suit une trajectoire relativement simple – les évolutions de la concentration des polluants correspondant à une forme en cloche. Ces modèles, peu onéreux, coexistent avec d’autres types de modèles, plus complexes en matière de puissance de calcul. Il s’agit, d’une part, des modèles lagrangiens qui permettent de suivre les vents et de tracer les particules dans l’air sur de longues distances, et, d’autre part, des modèles eulériens dont la modélisation s’appuie sur un quadrillage du territoire en mailles élémentaires où les évolutions du nuage de pollution sont calculées de manière répétée pour chacune des mailles. Ces trois types de modèles ont été adaptés à la problématique des nuisances olfactives. Ils ont d’abord été alimentés par des valeurs de concentration en composés chimiques odorants (exprimées en µg/m³) (Högström, 1972), puis par des valeurs exprimées en unité d’odeur, estimées à partir d’études olfactométriques réalisées au point d’émission [5]. L’olfactométrie a ainsi été « associée » à la diversité des modèles de dispersion atmosphérique, qu’ils soient gaussiens (ISC3, AERMOD ou encore ADMS), lagrangiens (CALPUFF; SCIPUFF, NAME, AUSTAL) ou encore eulériens (CMAQ, CALGRID) [6].

Le développement d’une communauté d’usagers

10En France, ce n’est qu’à partir des années 2000 que les modèles de dispersion des odeurs s’imposent dans les pratiques de pilotage des installations industrielles. La réglementation en matière de nuisances olfactives d’origine industrielle a explicitement suscité le recours aux modèles de dispersion atmosphérique. Plusieurs arrêtés relatifs à la réglementation sur les Installations Classées mentionnent l’obligation pour un porteur de projet industriel de réaliser une « étude de dispersion » afin de « calculer » les concentrations d’odeurs présentes dans l’environnement [7]. Ces calculs de dispersion permettent d’apprécier l’impact olfactif du site, de comparer ces valeurs calculées à des valeurs seuils définies réglementairement et de juger si l’installation répond ou non à la réglementation en matière de pollutions olfactives [8].

11Cette inscription institutionnelle de l’outil dans la réglementation a donné naissance à une communauté d’usagers qui s’est petit à petit emparée des modèles de dispersion pour les intégrer dans leur offre de service auprès des porteurs de projets industriels. Comme précisé plus haut, cette communauté, relativement restreinte, est composée principalement de bureaux d’études en environnement, d’AASQA, et de centres de recherche spécialisés dans la gestion des risques et des nuisances. Ces usagers partagent plusieurs caractéristiques notables. Premièrement, ils ne sont pas spécialisés dans la modélisation ; ils ont acquis ces modèles auprès d’entreprises spécialisées dans la modélisation atmosphérique (comme Numtech ou Aria technologie), mais n’ont aucunement la main sur les formules mathématiques qui en composent l’architecture interne. Deuxièmement, ils utilisent ces modèles comme des outils « parmi d’autres » pour réaliser leurs expertises. Leur domaine de compétence est donc davantage orienté vers l’utilisation et la maîtrise d’une boîte à outils opérationnelle et hétérogène que vers des activités de conception et de développement. Troisièmement, malgré la relative immuabilité des modèles, ces usagers ont montré des formes différenciées d’appropriation des modèles en jouant sur les données d’entrée ou en adaptant les types d’interface. Par exemple, les modèles sont parfois utilisés en association avec des nez électroniques qui, en remplacement des campagnes de mesures olfactométriques, permettent de mesurer en continu des concentrations d’odeur à l’émission et alimenter continuellement le modèle (cf. Mesbah et al., 2008). Cette association entre nez électronique et modèle de dispersion est d’ailleurs préconisée par la réglementation [9]. De plus, les modèles de dispersion peuvent être associés à des interfaces informatiques participatives de signalement d’épisodes odorants à l’usage des riverains. C’est le cas notamment du dispositif Odourmap qui combine une interface associant les modèles de dispersion à des plateformes collaboratives de signalement des odeurs (cf. Harreveld, 2012). Ce type d’interfaces permet de comparer les perceptions sensorielles quotidiennes des riverains aux résultats de la modélisation.

Le problème des incertitudes

12L’institutionnalisation des modèles de dispersion des odeurs a progressivement fait émerger un ensemble hétérogène d’usages et d’usagers, de pratiques et de praticiens. Les experts odeurs ont pu les utiliser dans différents contextes. Les modèles sont mobilisés dans les études d’impact pour prédire les nuisances et vérifier la conformité à la réglementation. Ils permettent également de veiller à ce que les fréquences d’apparition des épisodes odorants ne dépassent pas les valeurs réglementaires. Ils peuvent aussi servir à l’industriel comme outil de pilotage des installations techniques et de communication avec les riverains pour prédire d’éventuels épisodes à venir. La fonction de « représentation » ou de « qualification » de la nuisance est ainsi associée à des usages plus larges, qui vont de la simple réponse à la réglementation au pilotage technique de l’usine et à l’outillage de la concertation. Ils donnent lieu à un ensemble de pratiques servant à légitimer les projets industriels et à outiller les efforts de concertation entre les industriels et leur voisinage en cas de nuisances olfactives. Pour autant, la confiance dans ces modèles semble relever d’un véritable « acte de foi » (Lahsen, 2005 ; Shackley et Darier, 1998) tant les incertitudes de ces outils sont, à l’instar de tout autre instrument scientifique, nombreuses. L’analyse des pratiques scientifiques dans ce domaine a montré combien cet exercice, qui consiste à mimer des phénomènes physiques, fait appel à une série de simplifications, d’approximations, d’idéalisations dont certains ont souligné l’« opacité épistémique » (cité dans Heymann, 2010 ; Humphreys, 2004), mais sans laquelle les modèles ne pourraient exister. Comme la plupart des simulations informatiques, les modèles de dispersion des odeurs sont marqués par de fortes incertitudes. Celles-ci sont conscientisées par les usagers et fréquemment évoquées dans les publications scientifiques. La plupart d’entre elles m’ont été exposées à de multiples reprises au fil des entretiens.

13Premièrement, les modèles n’intègrent pas la totalité des émissions odorantes. Ils prennent en compte, pour la plupart, les trajectoires des émissions « canalisées » (celles provenant notamment des conduits de cheminées) mais peinent à considérer dans le processus de modélisation les émissions plus « diffuses ». Deuxièmement, les données d’entrées, qu’elles soient olfactométriques, météorologiques ou topographiques, ne sont pas toujours de bonne qualité, ce qui peut entraîner des biais dans le calcul de la diffusion. C’est le cas notamment des données olfactométriques, qui occasionnent de nombreuses interrogations quant à leur fiabilité. Si les protocoles de prélèvements d’odeurs et de mesures en laboratoire sont normalisés, certains experts pensent que ces normes ne sont pas appliquées dans les règles de l’art, tous les laboratoires olfactométriques n’étant pas accrédités par un organisme certificateur (le Cofrac en l’occurrence). Troisièmement, les types d’équations mathématiques et de paramétrages utilisés pour construire les modèles comportent également des incertitudes. Celles-ci sont d’autant plus fortes que les modèles choisis dans la pratique pour simuler la réalité odorante sont relativement « simplistes ». En effet, parmi la diversité des modèles existant sur le marché, ce sont principalement les modèles gaussiens, plus rudimentaires et moins onéreux, qui sont utilisés dans la pratique (Capelli et al., 2013) [10]. Cette sélection à la baisse s’explique par le souci des experts de présenter des offres attractives et compétitives en réduisant les coûts de prestation, limitant de ce fait la possibilité d’utiliser des modèles épistémiquement plus élaborés.

La question de la validation

14L’évocation fréquente des incertitudes de la modélisation chez les experts soulève la question délicate de la crédibilité des résultats et plus particulièrement de la façon dont les modélisateurs construisent la confiance dans leur modèle. Dans le domaine de la modélisation climatique, du fait de la possibilité de confronter les simulations à des observations mesurées, la confiance dans les modèles est construite autour de pratiques de comparaison systématique entre les modèles et la réalité (Guillemot, 2009 ; Sundberg, 2010). La confrontation croisée entre les observations empiriques et les simulations est une pratique courante de validation et de légitimation des modèles. Les modèles sont conçus, paramétrés et ajustés au regard des résultats de la modélisation, de la crédibilité des valeurs obtenues, du souci d’éviter les valeurs extrêmes qui ne seraient pas suffisamment vraisemblables (Sundberg, 2010) [11]. Cet exercice de « validation » permet de contrecarrer la relative autonomie dont bénéficient les modélisateurs dans leur travail de mise au point des modèles (choix des données d’entrées, élaboration des équations et des algorithmes). Le rapport direct à l’empirie permet de tempérer le caractère parfois décrit comme opaque voire chaotique des opérations de paramétrage. Les modèles de dispersion des odeurs n’échappent pas à cette nécessité. La construction de la confiance passe, au niveau des pratiques scientifiques, par une confrontation des résultats de la modélisation avec des données externes. Les modèles sont tour à tour confrontés à des séries de mesures chimiques et olfactométriques, à des mesures réalisées par des nez électroniques ou encore à des campagnes d’observation de nez humains (pour une revue de littérature sur le sujet, cf. Capelli et al., 2013). Si ces études fournissent des éléments de validation des modèles, et sont essentielles à la construction de la confiance, leur autorité est moins marquée lorsque les modèles se retrouvent en dehors des cercles relativement restreints de leurs concepteurs, comme nous allons le voir maintenant.

Les usages prédictifs ou le pouvoir des représentations visuelles

15Les modèles de dispersion des odeurs sont bien souvent assimilés à ce que l’on en perçoit en surface, c’est-à-dire avant tout à des représentations cartographiques sur lesquelles figurent les panaches de pollutions. Ces représentations, que les modélisateurs appellent les données de sortie (outputs), figurent en première ligne dans les études d’impact et les documents d’expertise associés aux arrêtés et aux décisions préfectorales. Elles composent avec un usage bien souvent prédictif où leur exposition dans les différentes arènes décisionnelles et consultatives a pour objectif de simuler un état environnemental projeté. Elles font apparaître la carte du territoire, les sources de pollutions, le panache odorant et offrent une image très accessible de l’ampleur du phénomène et de son évolution dans le temps. Dans les deux cas étudiés, les simulations de dispersion des odeurs figurent en annexe des études d’impacts disponibles sur demande dans les bureaux des services des Installations Classées et présentées dans les CODERST [12] avant que les arrêtés d’autorisation ne soient publiés. Ces simulations prédictives sont vécues comme des formalités administratives par le cercle restreint des acteurs qui participent à ce type de commission. Elles n’ont pas suscité de contestation particulière de la part des acteurs de la mise en projet, riverains y compris. À Montpellier, par exemple, les arguments de l’association riveraine d’opposition à l’installation portaient en priorité, au moment de la parution de l’arrêté d’autorisation de 2006, sur les risques d’explosion [13].

16Cette forme d’assentiment général suscité par la modélisation s’explique de plusieurs manières. Tout d’abord, le « pouvoir persuasif » de la simulation et de son mode de représentation graphique, facile à lire et à s’approprier (Lahsen, 2005, p. 908) suscite presque instinctivement l’adhésion – à tel point que les modélisateurs eux-mêmes tendent parfois à oublier que les résultats de ces modélisations ne sont que des représentations de la réalité et non LA réalité (Lahsen, 2005). Cette ambiguïté peut être entretenue dans les documents d’expertises, où les incertitudes associées aux modèles ne sont pas nécessairement explicitées. Les simulations invitent avant toute chose à regarder, plus qu’à penser (Jin, 2008 ; cité dans Sundberg, 2010) – et ce tant pour les non-initiés que pour les experts, utilisateurs des modèles. Cette forme d’adhésion primaire tient non seulement au caractère attractif et séduisant de la représentation visuelle, mais aussi au « degré de consistance » affiché par l’outil (Heymann, 2006) ; la richesse des données météorologiques d’entrée, la sophistication des protocoles de mesures olfactométriques, l’autorité dégagée par l’interface informatique ou encore la précision des courbes d’iso-concentration sont autant d’éléments qui inspirent le « professionnalisme », donnent de la crédibilité à l’expertise et suscitent la confiance. Cette forme d’autorité technique est doublée d’une légitimité réglementaire justifiant l’usage de cet instrument. La prédiction mathématique est, en effet, le seul outil permettant de simuler le panache odorant avant même que l’usine ne soit installée.

17

En fait, votre réglementation elle dit : « la concentration d’odeurs dans l’environnement dans un rayon de 3 km autour des installations ne doit pas dépasser 5 unités d’odeurs plus de 175 heures par an, plus de 2 % du temps ». Donc, on a bien une notion de concentration [d’odeur] et de fréquence. Mais, du coup, c’est le seul outil qui donne ces deux informations-là. […] C’est vrai qu’aujourd’hui la modélisation est l’outil qui permet de répondre à la réglementation.

18Face à cette injonction réglementaire, les bureaux d’études ne peuvent pas faire l’économie des modèles de dispersion pour réaliser ces études d’impact. Les modèles représentent pour eux un passage incontournable mais aussi un produit d’appel leur permettant par la suite de se positionner sur des solutions de surveillance plus élaborées si la situation se corse, en cas de nuisances répétées. Enfin, l’outil prédictif opère également par des relais communicationnels qui lui assurent localement une force de frappe efficace. Les études d’impact qui garantissent l’adéquation entre les composantes techniques des installations et la réglementation en vigueur sont accompagnées de stratégies de communication visant à vanter les bienfaits du projet industriel. Des plaquettes de communication sont diffusées pour médiatiser localement la promesse du « zéro odeur » (cas de Montpellier). Des articles de presse relayent localement ces discours rassurants à l’instar de celui paru dans Ouest France le 12 mai 2010 intitulé « L’usine Biopole est garantie “sans odeurs” ». Ces stratégies permettent d’élargir la communauté de croyance dans une usine inodore aux riverains les plus récalcitrants.

19L’emprise technique, réglementaire et communicationnelle de la modélisation est, dans le cadre de ces études prédictives, très difficile à ébranler car aucune forme alternative d’existence de la nuisance ne peut véritablement être mobilisée pour s’opposer aux conclusions du modèle. Concrètement, avant la mise en route de l’usine, les riverains n’ont aucune prise sensorielle sur la nuisance potentielle. De plus, n’ayant pas nécessairement fait l’expérience concrète de la nuisance, ils ne sont pas « sensibles » à ce que les mauvaises odeurs peuvent induire sur leur quotidien. Ils ne peuvent alors se fier qu’aux résultats qui leur sont présentés. En réalité, seule la médiatisation des nuisances réellement survenues sur un autre territoire est à même de contrecarrer les conclusions des modèles prédictifs. L’accumulation des mises en route difficiles de la dizaine d’installations de méthanisation en France, dues notamment aux problèmes de nuisances odorantes, a entaché la réputation de tels procédés de traitements des déchets. Certains projets comme celui de Romainville en région parisienne ont été abandonnés car les élus ont eu écho des problèmes survenus à Montpellier [14]. Cette rupture de la confiance montre que les modèles prédictifs ne sont pas intouchables. Toutefois en l’absence de récits alternatifs relatant une situation de nuisance avérée susceptible de se reproduire, et donc à même de contredire les simulations, les modèles sont perçus comme des outils relativement neutres qui font référence.

Les usages évaluatifs et le surgissement de décalages cognitifs

20La confiance primaire dans la modélisation est mise à l’épreuve lorsque les outils de dispersion deviennent les instruments d’évaluation d’un état environnemental existant, suite à la mise en route d’une installation industrielle. Dans de telles circonstances, les résultats des modèles sont invariablement confrontés à d’autres formes d’appréhension des états de l’environnement odorant et peuvent être à l’origine de décalages cognitifs. À Montpellier (cf. encadré 2 ci-après), par exemple, la confrontation entre les résultats de la modélisation et les signalements d’épisodes odorants (répertoriés via la mise en place d’un jury de nez [15]) a fait émerger des décalages entre ces deux modes de qualification de la nuisance : les résultats de la carte de dispersion ne coïncidaient pas avec ceux obtenus après compilation des signalements d’odeurs. Le nuage de pollution odorant réalisé par la modélisation informatique ne couvrait pas l’ensemble du territoire concerné par les signalements d’odeurs. Ce décalage a donné lieu à de vives critiques de la part de certains riverains qui considéraient que la nuisance était de ce fait sous-évaluée :

Moi, je m’étais accroché avec l’ingénieur [expert] qui s’occupait de ça. Elle, quand elle analysait les comptes rendus de plaintes des réseaux de nez [jury de nez], elle prenait comme base la station [nom de ville]. La station météorologique donne un certain type de vent mais, dans les altitudes, dans les couches de l’atmosphère, il y a des choses qui se passent et qui ne sont pas homogènes sur toute la zone. Donc, les couches laminaires, par exemple, quand on a un vent au nord, quelquefois entre les bâtiments on a un courant d’air qui vient de l’est ou de l’ouest, tout ça parce que le vent passe un peu partout. Et ça, soit elle n’arrivait pas à le comprendre, soit elle ne voulait pas.

L’immuabilité des scripts

21Face à ces décalages cognitifs, les experts utilisateurs sont peu ou prou dépourvus, car ils ne maîtrisent pas nécessairement les équations mathématiques ni même les algorithmes informatiques qui composent les modèles. Ces derniers sont mis sur le marché et lorsque les experts les acquièrent, ils sont certes formés à une utilisation pratique, mais ne sont pas en mesure de les transformer. En réalité, la plupart des bureaux d’études, y compris ceux spécialisés dans la gestion des odeurs, comptent la modélisation des odeurs dans leur offre de service sans pour autant qu’ils aient développé eux-mêmes les logiciels de dispersion. Alors que certains d’entre eux avaient construit au cours des années 1990-2000 une certaine expertise dans le domaine, la spécialisation de cette activité dans les mains d’un nombre limité d’acteurs a contribué à éloigner le travail de conception de celui d’utilisation. L’amélioration des modèles, la sophistication des offres commerciales et la complexification des logiciels ont eu comme principal effet de déconnecter les praticiens des activités de construction des modèles. Comme en témoigne cet expert : « Il y a 8 ou 10 ans […] les logiciels étaient peut-être un peu plus compliqués, il fallait construire par soi-même les modèles [16]. » Il existe aujourd’hui une véritable division sociale du travail de modélisation entre, d’une part, les développeurs et, d’autre part, les utilisateurs. Or, si les modèles sont caractérisés par leur plasticité, leur malléabilité (Kieken, Dahan et Armatte, 2003 ; Sundberg, 2009) dans le cercle des experts scientifiques, développeur des modèles, ils sont marqués par leur relative stabilité une fois déployés dans le monde de la gestion des nuisances. Une fois commercialisés, les modèles deviennent, dans les mains de leurs utilisateurs, des objets stabilisés, quasi immuables, dans la mesure où leur « script » (Akrich, 1987) ne peut être aisément modifié. Ils deviennent des objets techniques servant à répondre à des questions précises plus que des objets épistémiques susceptibles de renouveler le spectre des questionnements auquel peuvent être confrontés les utilisateurs. Ces derniers utilisent les modèles comme des boîtes noires. Ils sont, dans la plupart des cas, incapables d’en restituer intégralement le fonctionnement, tant du point de vue du paramétrage que du codage. Leur connaissance du fonctionnement du logiciel est très théorique, parfois approximative et lacunaire. Ces praticiens ont une expertise qui est davantage liée à une compétence d’utilisation du logiciel. Lors des entretiens avec les experts praticiens, les questions relatives au « fonctionnement » du modèle donnaient fréquemment des réponses portant sur l’interface d’utilisation et non sur les fondements théoriques des modèles. Les interfaces d’utilisation ont d’ailleurs évolué vers plus de convivialité et d’ergonomie, de sorte qu’ « il n’y a pas besoin d’être expert au niveau scientifique pour interpréter directement les données » [17]. Les logiciels sont à la portée des experts spécialisés dans la gestion des odeurs et de tout type d’utilisateur, industriels et riverains y compris. Pour reprendre la distinction faite par Turkle (1995) et Sunberg (2010), les experts praticiens sont animés par une « culture de la simulation » axée prioritairement sur les données de sortie, par opposition à une « culture du calcul » qui valorise le développement de la structure théorique et mathématique des modèles. Même si ces utilisateurs sont les mieux placés pour apprécier l’adéquation entre les résultats de la simulation informatique et les données empiriques, ils sont de fait relativement démunis pour ajuster, transformer, paramétrer le modèle et opérer par là des boucles de savoir.

L’exigence de précision et la multiplication des dispositifs de saisie de l’environnement

22Cette situation d’usage évaluatif, où les modèles comportent de nombreuses incertitudes et où les utilisateurs n’ont que très peu de marges de manœuvre pour espérer les réduire, fait peser le doute sur l’outil informatique et la fiabilité des résultats obtenus. Bien qu’il soit censé être l’outil réglementaire de mesure des odeurs dans l’environnement et de la gêne des riverains, son opérativité escomptée en matière de réglementation reste limitée. La promesse de l’instrument quant à sa propension à donner des éléments fiables et indiscutables d’arbitrage et à réguler à lui tout seul le conflit est limitée. Dans les deux cas étudiés, les données sur lesquelles se sont appuyées des décisions relatives au processus d’implantation de l’usine n’ont en réalité pas fait appel directement aux résultats de la modélisation (encadrés 1 et 2). Les décisions se sont appuyées sur des valeurs de concentrations d’odeurs à l’émission ou sur des dispositifs perceptuels alternatifs (jury de nez et observatoire des plaintes).

23Ces deux exemples ne sont pas isolés. Dans la plupart des cas, d’autres dispositifs de mesure sont presque systématiquement mis en place pour évaluer la nuisance. Cette expertise multi-référentielle se construit chemin faisant ; elle est motivée par une exigence de précision portée à la fois par les riverains, les industriels et les administrations publiques. Il semble que plus la conflictualité est forte et plus la précision devient un enjeu majeur dans le processus dialogique entre les industriels et les riverains. Les deux cas observés témoignent de cette « surenchère » de la précision, du regard critique porté sur certains instruments de mesure et de la recherche de nouveaux modes de qualification par certains acteurs. Dans le cadre de cette dynamique, les bureaux d’études proposent des offres de services plus élaborées, des dispositifs complémentaires, des outils plus performants. Les experts odeurs ont intégré dans leurs offres différentes formules plus ou moins coûteuses, s’appuyant sur des outils de mesure de différente nature pour élaborer une image composite, pluri-sources du paysage odorant. L’objectif est bien de s’assurer de l’évolution de la nuisance au travers d’une diversité de modes de qualification, de construire la confiance dans les mesures via la coexistence d’indices provenant de modes disparates de mesure de la nuisance. La poursuite de la précision (Schaffer, 1992 ; Wise, 1997) légitime une augmentation significative du « coût » dévolu à cette activité cognitive pour équiper le dialogue entre industriels et riverains.

24Il serait intéressant d’approfondir la diversité des configurations d’usage, d’identifier et de hiérarchiser les facteurs de déploiement des différents instruments (intensité de la nuisance, niveau de conflictualité, intention ou non des industriels et/ou des pouvoirs publics de faire participer les riverains à l’effort de qualification, volonté de ces derniers d’y contribuer, etc.) S’il est difficile pour le moment d’élaborer une typologie complète avec un nombre si limité de cas, on peut toutefois faire l’hypothèse que l’élaboration des modes plus sensoriels de qualification de la nuisance dépend de la capacité des riverains et de leur consentement à co-construire une expertise collective (Daniel, 2018, 2015 ; Charvolin et al., 2015 ; Rémy et Estades, 2007).

La simulation comme indicateur

25Ce constat relativement négatif à l’endroit des modèles de dispersion atmosphérique ne signifie pas que la modélisation est totalement laissée de côté. Les modèles, pris isolément, sont certes passablement inopérants en matière réglementaire, mais jouent toutefois un rôle dans la gouvernance des situations de gêne. Ils fournissent une indication concernant l’état de la nuisance, au même titre que les autres dispositifs d’objectivation. Ils sont parfois délégitimés, mis de côté, et d’autres fois mis à contribution malgré les incertitudes qui pèsent sur eux. Leurs résultats sont comparés aux autres instruments d’objectivation présents sur les sites. La construction de la confiance dans les modèles ne dépend plus d’un processus de validation scientifique, mais d’une dynamique locale multi-référentielle, où les résultats de la simulation informatique sont comparés avec des données multiples provenant de sources variées (Heymann, 2012). Cette façon de bâtir in situ la confiance dans l’outil nécessite d’être éprouvée à chaque utilisation. Elle peut être institutionnalisée via la mise en présence systématisée de différents instruments d’évaluation de l’odeur. C’est le cas en particulier du Biopole de Saint Barthélémy d’Anjou (encadré 1), où une interface informatique associant les modèles de dispersion à des plateformes de signalements riverains d’épisodes odorants a été installée. Les décalages cognitifs y étaient directement visualisables par les différents acteurs (riverains et exploitant) :

Tout ce qu’on fait, en fait, par rapport au suivi des odeurs va sur ce site. […] moi je regarde les remarques, le sens du vent. Ce qui est bien, c’est d’analyser, ça apporte des informations. C’est un bon outil d’échange parce que, en plus, quand ils font leurs observations, c’est sur un déroulé précis si vous voulez. Le nom, la date, le lieu, le type d’odeur.

Les usages prudents et modérés des modèles

26Cet usage indiciel des modèles est complété par une attitude prudente de la part des praticiens utilisateurs. Face aux critiques essuyées vis-à-vis des modèles et à l’incapacité de les ajuster, les experts adoptent une attitude précautionneuse dans la manipulation de ces outils. Ils ont une connaissance des principales incertitudes qui pèsent sur les modèles et ont une vue globale des limites de l’outil. Ajoutons que si ces praticiens ont une connaissance qualitative des incertitudes, ils sont par contre incapables de les quantifier, comme l’illustre ce témoignage :

27

Savoir quantifier les incertitudes, là sur la dispersion… je ne sais pas qui d’ailleurs est capable de le faire. Celui qui est capable, je veux bien le rencontrer. Je serais très intéressé. […] C’est d’ailleurs une des raisons pour lesquelles ce sont des outils. C’est pour ça que je dis toujours : tout ça au final ça ne reste que des outils

28L’interprétation des données est, par conséquent, réalisée de façon très mesurée. Les courbes d’isoconcentration délimitant le nuage de pollution sont interprétées dans la « grosseur du trait ». La simulation de la dispersion des odeurs suppose de prendre de la distance vis-à-vis de l’outil. Les résultats sont mis en perspective au regard des éléments contextuels présents sur le site, des expériences passées de la modélisation, des incertitudes du modèle. L’objectif est bien d’identifier les bonnes tendances plutôt que de trouver des résultats très précis.

29

C’est là où il faut quand même avoir une bonne connaissance de ce que l’on fait parce que si vous deviez faire une carte de modélisation prenant en compte les incertitudes, en fait, la modélisation, votre trait qui est là vous diriez il est entre là et là.

30Ces compétences d’interprétation sont présentées comme une des facultés du praticien utilisateur qui, certes, ne maîtrise pas le bricolage du modèle, mais est capable de mettre en perspective des données et de nuancer les conclusions. Il s’agit d’éviter une interprétation trop abrupte des résultats, de se prémunir contre la lecture trop orthodoxe des cartes de dispersion, de veiller à ne pas nécessairement prendre les résultats pour « argent comptant ». Les experts odeurs mettent en avant leur connaissance du terrain, des activités polluantes, des sources odorantes, pour évaluer la plausibilité des simulations. C’est sur cette lecture contextualisée des résultats cartographiés qu’ils s’appuient pour justifier leur légitimité d’expert, par opposition aux concepteurs de modèles qui, eux, n’ont pas la connaissance des situations. Ces pratiques de mise en perspective leur permettent de gérer les tensions issues du décalage entre les données de la modélisation et les ressentis sensoriels, et d’infléchir le pouvoir trop facilement persuasif du modèle.