L'IA peut aider à prévoir la qualité de l'air, mais des événements anormaux comme la fumée des incendies de forêt de l'été 2023 nécessitent également des méthodes traditionnelles.

La fumée des incendies de forêt La saison des incendies extrêmes au Canada a amené beaucoup de gens à réfléchir à la qualité de l’air et à se demander à quoi s’attendre dans les jours à venir.

Tout l'air contient des composés gazeux et de petites particules.Mais à mesure que la qualité de l'air se détériore, ces gaz et particules peuvent déclencher l'asthme et aggraver les problèmes cardiaques et respiratoires lorsqu'ils pénètrent dans le nez, la gorge et les poumons et circulent même dans la circulation sanguine.Lorsque la fumée des incendies de forêt a rendu le ciel de New York orange début juin 2023, visites aux urgences pour l'asthme a doublé.

Dans la plupart des villes, c'est facile de trouver un quotidien score de l'indice de qualité de l'air qui vous indique quand l'air est considéré comme malsain ou même dangereux.Cependant, prédire la qualité de l’air dans les jours à venir n’est pas si simple.

Je travaille sur la prévision de la qualité de l'air en tant que professeur de génie civil et environnemental.L’intelligence artificielle a amélioré ces prévisions, mais les recherches montrent qu’elle est bien plus utile lorsqu’elle est associée aux techniques traditionnelles.Voici pourquoi :

Comment les scientifiques prédisent la qualité de l’air

Pour prédire la qualité de l’air dans un avenir proche – quelques jours à l’avance ou plus – les scientifiques s’appuient généralement sur deux principales méthodes:un modèle de transport chimique ou un modèle d'apprentissage automatique.Ces deux modèles génèrent des résultats de manières totalement différentes.

Les modèles de transport chimique utilisent de nombreuses formules chimiques et physiques connues pour calculer la présence et la production de polluants atmosphériques.Ils utilisent les données des inventaires d'émissions rapportés par les agences locales qui répertorient les polluants provenant de sources connues, telles que les incendies de forêt, la circulation routière. ou des usines, et des données météorologiques qui fournissent des informations atmosphériques, telles que le vent, les précipitations, la température et le rayonnement solaire.

Ces modèles simulent le flux et les réactions chimiques des polluants atmosphériques.Cependant, leurs simulations impliquent de multiples variables comportant d’énormes incertitudes.La nébulosité, par exemple, modifie le rayonnement solaire entrant et donc la photochimie.Cela peut rendre les résultats moins précis.

Les modèles d’apprentissage automatique apprennent plutôt des modèles au fil du temps à partir de données historiques pour prédire la qualité de l’air future dans une région donnée, puis appliquent ces connaissances aux conditions actuelles pour prédire l’avenir.

L’inconvénient des modèles d’apprentissage automatique est qu’ils ne prennent en compte aucun mécanisme chimique ou physique, comme le font les modèles de transport chimique.En outre, la précision des projections d’apprentissage automatique dans des conditions extrêmes, telles que des vagues de chaleur ou des incendies de forêt, peut être compromise si les modèles n’ont pas été entraînés sur ces données.Ainsi, même si les modèles d’apprentissage automatique peuvent montrer où et quand des niveaux de pollution élevés sont les plus probables, par exemple aux heures de pointe à proximité des autoroutes, ils ne peuvent généralement pas gérer des événements plus aléatoires, comme la fumée des feux de forêt venant du Canada.

Quel est le meilleur ?

Les scientifiques ont déterminé qu'aucun des deux modèles n'est suffisamment précis en soi, mais en utilisant le meilleurs attributs des deux modèles ensemble peut aider à mieux prédire la qualité de l'air que nous respirons.

Cette méthode combinée, connue sous le nom de fusion apprentissage automatique – modèle de mesure, ou ML-MMF, a la capacité de fournir des prédictions fondées sur la science avec plus de 90 % de précision.Il s’appuie sur des mécanismes physiques et chimiques connus et peut simuler l’ensemble du processus, depuis la source de pollution de l’air jusqu’à votre nez.L’ajout de données satellitaires peut les aider à informer le public avec une plus grande précision à la fois sur les niveaux de sécurité de la qualité de l’air et sur la direction dans laquelle les polluants se déplacent.

Nous avons récemment comparé les prédictions des trois modèles avec des mesures de pollution réelles.Les résultats ont été frappants :Le modèle combiné était 66 % plus précis que le modèle de transport chimique et 12 % plus précis que le modèle d’apprentissage automatique seul.

Le modèle de transport chimique reste la méthode la plus couramment utilisée aujourd’hui pour prédire la qualité de l’air, mais les applications utilisant des modèles d’apprentissage automatique deviennent de plus en plus populaires.Le régulier méthode de prévision utilisé par les États-UnisAgence de protection de l’environnement AirNow.gov s'appuie sur l'apprentissage automatique.Le site compile également les résultats des prévisions sur la qualité de l'air provenant d'agences nationales et locales, dont la plupart utilisent transport de produits chimiques modèles.

À mesure que les sources d’information deviendront plus fiables, les modèles combinés deviendront des moyens plus précis de prévoir la qualité de l’air dangereuse, en particulier lors d’événements imprévisibles comme la fumée des incendies de forêt.