Exploiter les données satellitaires et le machine learning pour améliorer la qualité de l'air dans les villes

par Marco Arezio

La pollution atmosphérique représente l’un des principaux défis des villes modernes, avec des conséquences significatives sur la santé publique et la qualité de vie des citoyens. La complexité des dynamiques qui contribuent à la formation et à la dispersion des polluants rend difficile une prévision précise des niveaux de pollution dans les zones urbaines.

Cet article explore une approche innovante basée sur des modèles d'apprentissage automatique (machine learning) qui combinent des données issues d'observations satellitaires et des prévisions météorologiques pour améliorer la précision des prévisions des polluants atmosphériques. Nous nous concentrons en particulier sur la région métropolitaine de Milan, l'une des villes italiennes les plus touchées par les problèmes de qualité de l'air.

L'intégration des données satellitaires et des prévisions météorologiques

La précision des prévisions sur la qualité de l'air dépend de la disponibilité de données fiables et de leur intégration dans des modèles complexes. Les observations satellitaires fournissent des données précieuses sur les concentrations de polluants tels que le dioxyde d'azote (NO2), l'ozone (O3) et les particules fines (PM2.5 et PM10), couvrant de vastes zones géographiques et offrant une vue d'ensemble des conditions atmosphériques. Ces données sont intégrées à des prévisions météorologiques locales qui incluent des informations sur des paramètres clés comme la température, l'humidité, la vitesse et la direction du vent, autant d'éléments qui influencent significativement la dispersion des polluants dans l'air.

Les observations satellitaires sont réalisées à l’aide d’outils avancés, comme le capteur TROPOMI à bord du satellite Sentinel-5P de l'Agence spatiale européenne (ESA), capable de détecter les concentrations de nombreux gaz atmosphériques avec une haute résolution. L’intégration de ces données satellitaires avec des prévisions météorologiques issues de modèles tels que l’European Centre for Medium-Range Weather Forecasts (ECMWF) permet une compréhension plus précise et détaillée de la qualité de l’air dans un environnement urbain dynamique comme Milan.

Modèles de machine learning pour la prévision de la pollution

Pour améliorer la capacité de prévision de la pollution atmosphérique, des modèles de machine learning sont utilisés pour combiner des données hétérogènes et les traiter afin d’identifier des schémas cachés et des relations non linéaires entre les variables. Cette étude a exploité divers algorithmes d'apprentissage automatique, notamment les réseaux neuronaux artificiels (ANN), les arbres de décision boostés (tels que XGBoost) et les modèles de régression à vecteurs de support (SVR).

L’un des avantages du machine learning est la capacité d’entraîner des modèles sur de grands volumes de données, en identifiant des corrélations qui peuvent échapper aux techniques de modélisation traditionnelles. Par exemple, les modèles peuvent reconnaître comment certaines combinaisons de facteurs météorologiques, comme une pression atmosphérique spécifique ou une direction particulière du vent, favorisent l’accumulation ou la dispersion des polluants. Ce type d’analyse est particulièrement utile dans des zones densément peuplées comme Milan, où les sources d’émission sont multiples et variables.

Focus sur la région métropolitaine de Milan

Milan est caractérisée par une densité de population élevée, une forte concentration d’activités industrielles et une géographie limitant le renouvellement de l’air, rendant la ville particulièrement vulnérable à l’accumulation de polluants atmosphériques. Le modèle proposé a été appliqué pour prédire les niveaux de PM2.5 et de NO2, en raison de leurs importantes implications sur la santé publique.

Grâce à l'intégration des données satellitaires et des prévisions météorologiques locales, les modèles de machine learning ont permis d’améliorer de manière significative la précision des prévisions par rapport aux méthodes traditionnelles. En particulier, l'utilisation des réseaux neuronaux a permis de modéliser les interactions non linéaires entre les conditions météorologiques et les concentrations de polluants, tandis que XGBoost s'est avéré particulièrement efficace pour gérer la variabilité temporelle des émissions, telles que les pics de trafic ou les conditions météorologiques défavorables.

Résultats et perspectives futures

Les résultats des simulations ont montré que l’intégration des données satellitaires a amélioré la capacité du modèle à capturer des événements de pollution soudains, comme ceux causés par des conditions météorologiques stagnantes ou des augmentations temporaires des émissions. Les prévisions obtenues ont montré une amélioration des performances par rapport aux modèles basés uniquement sur des données météorologiques, avec une augmentation significative de la précision des estimations des niveaux de PM2.5 et de NO2.

Cette approche basée sur le machine learning a donc le potentiel de fournir des informations plus précises et opportunes sur la qualité de l'air, permettant aux autorités locales de mettre en œuvre des mesures préventives pour réduire l'exposition de la population aux polluants. À l'avenir, l'amélioration de l'accès à des données satellitaires à haute résolution et l'augmentation des capacités de calcul pourraient encore renforcer la fiabilité de ces modèles, les rendant essentiels pour une gestion durable de l'environnement urbain.

Conclusions

L’approche de prévision de la pollution atmosphérique basée sur l’intégration des observations satellitaires et des prévisions météorologiques, via l’utilisation de techniques de machine learning, représente une avancée significative dans la compréhension et la gestion de la qualité de l’air dans les zones urbaines. Dans le contexte d'une ville comme Milan, ce type de modèles offre la possibilité d’anticiper des situations critiques et d’adopter des mesures préventives pour réduire leur impact sur la santé publique. Bien que des défis subsistent concernant la complexité du système atmosphérique et la disponibilité de données de plus en plus précises, le potentiel de ces technologies pour le suivi et la prévision de la pollution est extrêmement prometteur.

© Reproduction Interdite

Photo : Wikimedia