Fumée de feu de forêt La saison des incendies extrêmes au Canada a laissé beaucoup de gens penser à la qualité de l’air et 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 exacerber les problèmes cardiaques et respiratoires lorsqu’ils pénètrent dans le nez, la gorge et les poumons et même circulent dans la circulation sanguine. Lorsque la fumée d’un feu 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 villesil est facile de trouver un quotidien indice de la 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 la recherche montre qu’elle est beaucoup plus utile lorsqu’elle est associée à des 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 méthodes principales: un modèle de transport chimique ou un modèle d’apprentissage automatique. Ces deux modèles génèrent des résultats de manière totalement différente.
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 ou usineset des données de météorologie 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 avec 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 pour 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 et physique, contrairement aux modèles de transport chimique. De plus, la précision des projections d’apprentissage automatique dans des conditions extrêmes, telles que les vagues de chaleur ou les incendies de forêt, peut être faussée si les modèles n’ont pas été entraînés sur ces données. Ainsi, alors que les modèles d’apprentissage automatique peuvent montrer où et quand les niveaux de pollution élevés sont les plus probables, comme pendant les heures de pointe près des autoroutes, ils ne peuvent généralement pas faire face à des événements plus aléatoires, comme la fumée des feux de forêt en provenance du Canada.
Ce qui est mieux?
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 de modèles d’apprentissage automatique et de mesure, ou ML-MMF, a la capacité de fournir des prédictions fondées sur la science avec plus de 90% de précision. Il est basé sur des mécanismes physiques et chimiques connus et peut simuler l’ensemble du processus, de la source de pollution de l’air à votre nez. L’ajout de données satellitaires peut les aider à informer le public à la fois sur les niveaux de sécurité de la qualité de l’air et sur la direction dans laquelle les polluants se déplacent avec une plus grande précision.
Nous avons récemment prédictions comparées des trois modèles avec des mesures de pollution réelles. Les résultats ont été saisissants : 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 est toujours la méthode la plus couramment utilisée aujourd’hui pour prédire la qualité de l’air, mais les applications avec des modèles d’apprentissage automatique deviennent de plus en plus populaires. Le régulier méthode de prévision utilisé par l’Environmental Protection Agency des États-Unis AirNow.gov s’appuie sur l’apprentissage automatique. Le site compile également les résultats des prévisions de la qualité de l’air des agences nationales et locales, dont la plupart utilisent transport chimique des modèles.
À mesure que les sources d’information deviennent plus fiables, les modèles combinés deviendront des moyens plus précis de prévoir la qualité de l’air dangereux, en particulier lors d’événements imprévisibles comme la fumée des feux de forêt.
Cet article est republié de La conversation sous licence Creative Commons. Lis le article original.