Détermination des concentrations de surface de NO2 par apprentissage automatique

Le dioxyde d'azote (NO2) de surface est une source de préoccupation en raison de son impact sur la qualité de l'air et la santé humaine. Par apprentissage automatique il est possible d'établir avec grande précision une correspondance non linéaire entre les distributions de NO2 en surface et certains prédicteurs géophysiques. Cependant, l'application de l'apprentissage automatique pour générer un produit opérationnel de NO2 de surface avec une quantification réaliste de son incertitude reste un défi. Nous poursuivons l'exploration d’une approche systématique pour la génération d'un produit NO2 de surface stable basé sur l’intelligence artificielle (IA).

La mesure des concentrations de surface de NO2 est essentielle pour l'évaluation de la qualité de l'air et des risques pour la santé. Cela nécessite la construction d'un modèle utilisant des observations satellitaires combinées à des mesures au sol ainsi qu’un ensemble de données auxiliaires. Ce travail est généralement effectué à l'aide de modèles physiques (assimilant les observations) ou de modèles statistiques empiriques. Cependant ces méthodes nécessitent de faire des compromis entre l'efficacité de calcul, la résolution et la précision.

Ce problème est atténué par l'apprentissage automatique, qui a une capacité supérieure à construire des correspondances non linéaires complexes entre les prédicteurs et les cibles. Récemment, l'apprentissage automatique a été largement utilisé et développé dans diverses disciplines grâce à l’amélioration de la puissance de calcul des ordinateurs et leur capacité à gérer des données volumineuses (big data).

La puissance de l’IA pour estimer la distribution spatio-temporelle du NO2 de surface à haute résolution a été démontrée dans plusieurs études. Cependant, il reste difficile de l’utiliser opérationnellement en raison de l'instabilité des prévisions, du manque d'évaluation de l'incertitude et de la faiblesse des contraintes physiques.

Pour la génération opérationnelle d’un produit NO2 stable basé sur l’IA

Dans le cadre du projet Terrascope, notre étude vise à relever ces défis et à explorer un schéma systématique pour la génération opérationnelle d’un produit NO2 stable basé sur l’IA. Ce travail est en cours et le schéma de recherche est décrit ci-dessous :

  • Identifier les prédicteurs influents et explorer la méthode de traitement des données appropriée.
  • Étudier le comportement et les performances de différents modèles d’apprentissage automatique et développer un algorithme efficace pour l'estimation du NO2 de surface.
     
  • Développer des méthodes de quantification de l'incertitude pour le modèle choisi et fournir un intervalle de prédiction.
  • Examiner la fiabilité des résultats et procéder à leur interprétation.
  • Réaliser une évaluation de l'impact sur la santé sur base des prévisions du modèle.
     
  • Publier le produit NO2 obtenu sur la plateforme Terrascope pour le rendre accessible au public.
  • Tester les algorithmes et les schémas sur le domaine belge et étendre l'étude à d'autres pays européens.

Dans l'ensemble, cette étude vise à explorer comment les modèles d’apprentissage automatique peuvent améliorer la prévision du NO2 de surface, ce qui offrirait une perspective pour des applications pratiques dans la science atmosphérique. En outre, nous pensons que la méthodologie utilisée pourrait être exploitée pour la prévision d'autres composants atmosphériques.

Flux de travail cartographie NO2 apprentissage automatique
Flux de travail pour la cartographie des distributions de NO2 de surface à l'aide de méthodes d'apprentissage automatique. Ce processus comprend la préparation des données, l'entraînement et le test des modèles, ainsi que la quantification de l'incertitude, l'interprétation des modèles, la cartographie du NO2 et la fourniture des intervalles de prédiction correspondants.