La détermination de l’origine de la pollution fécale dans les eaux s’avère nécessaire pour estimer les risques sanitaires associés à ce type de pollution. Les indicateurs bactériens classiques ne permettant pas une différenciation de l’origine de la pollution fécale dans les eaux, un travail important a été réalisé ces dernières années afin de développer une nouvelle approche, dénommée typage de sources microbiennes (TSM) ou Microbial Source Tracking (MST). Cette approche est basée sur des méthodes normalisées pour les indicateurs microbiens classiques (Escherichia coli, coliphages somatiques, phages de Bacteroides spp. ou entérocoques) et de nouvelles méthodes développées pour la recherche pour le dénombrement des marqueurs de l’origine de la contamination. Cependant, aucun des indicateurs classiques ou marqueurs microbiens TSM proposés ne se révèle suffisant pour déterminer à lui seul l’origine de la pollution fécale. La combinaison d’au moins deux paramètres a démontré une plus grande efficacité. Il a également été démontré que les combinaisons comportant des marqueurs TSM et un indicateur classique de contamination fécale constituaient des combinaisons optimales. L’indicateur classique (non discriminant) offre une information quantitative concernant la charge fécale de l’eau. Le marqueur TSM (discriminant) apporte une information sur l’origine spécifique de la pollution fécale. Si nous disposons de plusieurs marqueurs TSM, il est possible d’évaluer les contributions de chacun d’entre eux en fonction de l’indicateur classique. Par conséquent, les valeurs relatives de chacun des marqueurs TSM en function des indicateurs classiques de contamination fécale devraient apporter une information sur la contribution de chacune des origines de la pollution fécale. Il s’avère aussi essentiel que les indicateurs classiques et les marqueurs TSM recherchés en parallèle persistent de manière similaire dans l’environnement. Nous avons développé des méthodes numériques, comme les méthodes d’apprentissage inductif, pour permettre de sélectionner le plus petit nombre de paramètres (indicateurs classiques et marqueurs TSM) conduisant à la plus grande resolution possible et ainsi développer des modèles prédictifs en approche TSM. L’apprentissage inductif utilisé est basé sur l’apprentissage automatique par une machine (ordinateur) qui permet le développement, l’analyse et l’implémentation de méthodes automatisables. Cette machine peut évoluer grâce à un processus d’apprentissage, et ainsi remplir des tâches qu’il est difficile ou impossible de réaliser par des moyens algorithmiques plus classiques. Ces combinaisons doivent prendre en considération les facteurs qui affectent l’application des modèles : les effets de dilution dans les eaux réceptrices, les différents types de pollution animale, la persistance de l’indicateur et des marqueurs dans l’environnement et l’existence de mélanges complexes de pollution fécale de différentes origines.

En résumé, il existe des conditions minimales que doivent satisfaire les indicateurs et les traceurs de sources microbiennes :

• il est nécessaire d’utiliser plus d’un indicateur (marqueur TSM et indicateur classique);

• la combinaison de différents marqueurs TSM doit permettre la résolution des pollutions fécales mixtes;

• les concentrations des indicateurs (marqueur TSM et indicateur classique) dans l’environnement doivent pouvoir être évaluées indépendamment du type d’eau;

• la persistance dans l’environnement et la résistance aux traitements appliqués sur les eaux de chacun des traceurs de sources microbiennes doivent être connues;

• les indicateurs (marqueur TSM et indicateur classique) doivent pouvoir être dénombrés pour permettre le développement de modèles prédictifs;

• les marqueurs TSM doivent être universels et indépendants de la zone géographique, du climat ou des habitudes alimentaires;

• les méthodes d’analyse de ces traceurs doivent être de faible coût et d’application facile.

The determination of the origin of faecal pollution in aquatic environments (Microbial Source Tracking, MST) is essential to estimate health risks linked to this pollution. The traditional bacterial faecal indicators do not allow a distinction of the origin of faecal pollution in waters. These last years, new MST indicators and their corresponding methods have been proposed. However, no single parameter has proved sufficient to determine the source of faecal pollution. Combinations of parameters involving at least one discriminating indicator and one universal faecal indicator offer the most promising solutions for qualitative and quantitative analyses. The universal (non-discriminating) faecal indicator provides quantitative information regarding the faecal load. The discriminating indicators contribute to the identification of a specific source. The relative values of the parameters derived from distinct discriminating indicators could provide information regarding the contribution to the total faecal load from each origin. It is also essential that the selected parameters characteristically persist in the environment for similar periods.

Numerical analysis, such as inductive learning methods, could be used to select the most suitable and the lowest number of parameters to develop predictive models. These combinations of parameters provide information on factors affecting the models, such as dilution, specific types of animal source, persistence of microbial tracers and complex mixtures from different sources.

In summary, there are minimal conditions which have to satisfy indicators and tracers of microbial sources:

• it is necessary to use more than an indicator;

• the combination of different indicators must allow the resolution of coeducational faecal pollutions;

• the concentration of indicators in environment must be able to be assessed independently of the type of water;

• the resistance of the different indicators to water treatments used in predictive models should be known, and their persistence in the environment should be for similar periods;

• the selection of variables (indicators and their parameters) should be reliably done by numerical analyses such as inductive learning methods;

• the selected MST indicators should be consistent with the development of MST predictive models and independent of geography, climate or dietary habits;

• the indicators and their parameters should be accessible without incurring large economic or logistic costs.