Emma Thulliez
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Emma Thulliez has a total of 6 co-authors. Here are the top co-authors by number of shared publications:
- Michel Bobbia
ATMO Normandie, 3 place de la pomme d'or, 76000 Rouen, France
4 shared publications - Bruno Portier
INSA Rouen Normandie, Normandie Univ, LMI UR 3226, F-76000 Rouen, France
3 shared publications - Jean-Michel Poggi
LMO, Université Paris-Saclay, Fac. Sciences Orsay, Bat. 307, 91400 Orsay, France
3 shared publications Bruno Portier
INSA Rouen Normandie, Normandie Univ, LMI UR 3226, F-76000 Rouen, France
1 shared publication- Camille Coron
AgroParisTech INRAE Université Paris-Saclay UMR MIA Paris-Saclay 91120 Palaiseau France
1 shared publication Jean-Michel Poggi
LMO, Université Paris-Saclay, Fac. Sciences Orsay, Bat. 307, 91400 Orsay, France
1 shared publication
Latest Publications
- Open Access
- 24 June 2026
- Published by Elsevier in Data in Brief
- Vol. 67, 113025
Multi-source dataset of NO2 and PM from mobile and fixed sensors in Rouen (France)
- 24 June 2026
- Published by Elsevier in Data in Brief
- Vol. 67, 113025
Open AccessMulti-source dataset of NO2 and PM from mobile and fixed sensors in Rouen (France)
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Mesures de micro-capteurs en qualité de l'air : calibration statistique et débiaisage de sorties de modèles numériques
Cette thèse explore les enjeux et les perspectives liés à l'utilisation des micro-capteurs pour la surveillance de la qualité de l'air, en mettant l'accent sur deux polluants : le dioxyde d'azote (NO₂) et les particules fines (PM₁₀). Elle s'inscrit dans l'écosystème de la qualité de l'air rouennais à travers l'exploitation et la valorisation des données collectées à l'échelle locale. La thèse est structurée autour de deux axes principaux : proposer des méthodologies de calibration des micro-capteurs en zone urbaine afin d'améliorer la fiabilité de leurs mesures, et modéliser et estimer le biais des cartes de pollution issues de modèles déterministes. Dans une première partie, nous constituons et diffusons plusieurs jeux de données construits à partir de mesures effectuées à Rouen. Ensuite, nous proposons plusieurs méthodologies de calibration ponctuelle des capteurs, que nous évaluons à partir de ces données. Une approche de calibration globale est également proposée à travers une régression géographiquement pondérée (GWR). Nous évoquons enfin les perspectives ouvertes par l'essor des micro-capteurs mobiles dans les stratégies de calibration. Dans une seconde partie, nous proposons deux approches distinctes pour modéliser le biais des cartes de pollution issues de modèles déterministes, en fusionnant des données hétérogènes, issues de modèles, de stations de référence et de micro-capteurs. Nous terminons par évoquer l'approche de multi-fidélité permettant d'améliorer les cartes de pollution à partir de plusieurs réseaux de mesures de qualité et de densité différentes. Ces différents aspects mettent en lumière la contribution des micro-capteurs aux réseaux de surveillance de la qualité de l'air, tout en explorant de nouvelles approches pour en garantir un meilleur usage à l'échelle urbaine.
- 9 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Mesures de micro-capteurs en qualité de l'air : calibration statistique et débiaisage de sorties de modèles numériques
Cette thèse explore les enjeux et les perspectives liés à l'utilisation des micro-capteurs pour la surveillance de la qualité de l'air, en mettant l'accent sur deux polluants : le dioxyde d'azote (NO₂) et les particules fines (PM₁₀). Elle s'inscrit dans l'écosystème de la qualité de l'air rouennais à travers l'exploitation et la valorisation des données collectées à l'échelle locale. La thèse est structurée autour de deux axes principaux : proposer des méthodologies de calibration des micro-capteurs en zone urbaine afin d'améliorer la fiabilité de leurs mesures, et modéliser et estimer le biais des cartes de pollution issues de modèles déterministes. Dans une première partie, nous constituons et diffusons plusieurs jeux de données construits à partir de mesures effectuées à Rouen. Ensuite, nous proposons plusieurs méthodologies de calibration ponctuelle des capteurs, que nous évaluons à partir de ces données. Une approche de calibration globale est également proposée à travers une régression géographiquement pondérée (GWR). Nous évoquons enfin les perspectives ouvertes par l'essor des micro-capteurs mobiles dans les stratégies de calibration. Dans une seconde partie, nous proposons deux approches distinctes pour modéliser le biais des cartes de pollution issues de modèles déterministes, en fusionnant des données hétérogènes, issues de modèles, de stations de référence et de micro-capteurs. Nous terminons par évoquer l'approche de multi-fidélité permettant d'améliorer les cartes de pollution à partir de plusieurs réseaux de mesures de qualité et de densité différentes. Ces différents aspects mettent en lumière la contribution des micro-capteurs aux réseaux de surveillance de la qualité de l'air, tout en explorant de nouvelles approches pour en garantir un meilleur usage à l'échelle urbaine.
- Open Access
Using low-cost sensors to improve NO2 concentration maps derived from physico-chemical models
Urban air quality is a major concern today. Concentrations of pollutants, such as NO2, must be monitored to ensure that they do not exceed hazardous thresholds. Two recent approaches enable fine-scale mapping of pollutant concentrations. The first relies on deterministic physico-chemical models that incorporate the street network and compute concentration estimates on a grid, producing spatial maps. The second is based on the emergence of low-cost sensors, which enable monitoring organizations to increase the density of their measurement networks. However, these sensors are less reliable than reference instruments and require calibration. We propose a new approach to improve maps generated by deterministic models by integrating data from multiple sensor networks. Specifically, we model the bias of deterministic models and estimate its parameters using measurements, through a Bayesian nested framework. Our approach simultaneously enables the calibration of low-cost sensors and the correction of deterministic models outputs. This method, although general, is applied to the city of Rouen (France), combining outputs of the physico-chemical model SIRANE and the measurements provided both by 4 reference monitoring stations and 10 low-cost sensors during December 2022. Results show that the method indeed corrects the concentration maps, reducing the Root Mean Squared Error (RMSE) by approximately 9.7 %, and that low-cost sensors play an essential role in this correction.
Open AccessUsing low-cost sensors to improve NO2 concentration maps derived from physico-chemical models
Urban air quality is a major concern today. Concentrations of pollutants, such as NO2, must be monitored to ensure that they do not exceed hazardous thresholds. Two recent approaches enable fine-scale mapping of pollutant concentrations. The first relies on deterministic physico-chemical models that incorporate the street network and compute concentration estimates on a grid, producing spatial maps. The second is based on the emergence of low-cost sensors, which enable monitoring organizations to increase the density of their measurement networks. However, these sensors are less reliable than reference instruments and require calibration. We propose a new approach to improve maps generated by deterministic models by integrating data from multiple sensor networks. Specifically, we model the bias of deterministic models and estimate its parameters using measurements, through a Bayesian nested framework. Our approach simultaneously enables the calibration of low-cost sensors and the correction of deterministic models outputs. This method, although general, is applied to the city of Rouen (France), combining outputs of the physico-chemical model SIRANE and the measurements provided both by 4 reference monitoring stations and 10 low-cost sensors during December 2022. Results show that the method indeed corrects the concentration maps, reducing the Root Mean Squared Error (RMSE) by approximately 9.7 %, and that low-cost sensors play an essential role in this correction.
- Open Access
- 1 March 2025
- Published by Elsevier in Data in Brief
- Vol. 59, 111439
A dataset of particulate matters measurements from a network of mobile and fixed sensors and monitoring stations in Rouen (Northwestern France)
- 1 March 2025
- Published by Elsevier in Data in Brief
- Vol. 59, 111439
Open AccessA dataset of particulate matters measurements from a network of mobile and fixed sensors and monitoring stations in Rouen (Northwestern France)
- Open Access
- 24 July 2024
- Published by Elsevier in Data in Brief
- Vol. 55, 110768
Deployment of low-cost air quality sensors in Rouen: A dataset of one year of hourly concentrations of gas pollutants
- 24 July 2024
- Published by Elsevier in Data in Brief
- Vol. 55, 110768
Open AccessDeployment of low-cost air quality sensors in Rouen: A dataset of one year of hourly concentrations of gas pollutants
- Open Access
- 11 July 2023
- Published by Elsevier in Data in Brief
- Vol. 49, 109398
Air quality low-cost sensors and monitoring stations NO2 raw dataset in Rouen (France)
- 11 July 2023
- Published by Elsevier in Data in Brief
- Vol. 49, 109398
Open AccessAir quality low-cost sensors and monitoring stations NO2 raw dataset in Rouen (France)