À l’échelle mondiale, les incendies de forêt deviennent de plus en plus fréquents et destructeurs, générant une quantité importante de fumée qui peut être transportée sur des milliers de kilomètres, ce qui nécessite des prévisions plus précises de la pollution atmosphérique. Une équipe de chercheurs de Penn State a développé un modèle d’apprentissage en profondeur qui fournit des prévisions améliorées de la qualité de l’air dans les zones sujettes aux incendies de forêt et peut différencier les incendies de forêt des autres.
« Alors que le changement climatique continue de provoquer des changements et des défis écologiques, il est probable que les activités de feux de forêt continueront d’augmenter », a déclaré Manzhu Yu, professeur adjoint de géographie à Penn State et chercheur principal du projet. « Pour cette raison, c’est une priorité de recherche urgente de prédire avec précision la concentration de polluants atmosphériques induits par la fumée des feux de forêt, en particulier dans les zones sujettes aux incendies de forêt. »
La fumée des feux de forêt contient une combinaison de particules et de nombreux polluants gazeux. Les particules fines, appelées PM2,5, ont été associées à des risques importants pour la santé humaine et sont réglementées par l’US EPA.
« Les particules fines contenues dans la fumée des feux de forêt peuvent avoir un impact négatif sur la santé humaine lorsque les niveaux sont élevés », a déclaré Yu. « Les prévisions de la qualité de l’air pour les zones sujettes aux incendies peuvent considérablement aider les gestionnaires des urgences et les responsables de la santé publique à atténuer les effets potentiellement néfastes sur l’environnement et la santé publique des événements de pollution atmosphérique. »
Selon Yu, le nouveau modèle de l’équipe serait en mesure d’avertir plus tôt les gens de la qualité dangereuse de l’air. L’équipe a rapporté ses découvertes dans le journal Science de l’environnement total.
Selon les chercheurs, la prédiction précise de la qualité de l’air, en particulier pour les polluants dérivés des incendies de forêt, est difficile car elle est fortement liée aux caractéristiques de l’incendie de forêt, telles que les conditions atmosphériques, la topographie, le carburant et l’humidité.
« L’avantage de ce modèle est qu’il est capable de produire de meilleures prédictions qui peuvent capturer les changements brusques de PM2,5 en cas de feu de forêt, sans sous-estimer la quantité de PM2,5 présente, que d’autres modèles ont tendance à sous-estimer », dit Yu. « De même, le modèle ne surestime pas les PM2,5 lorsqu’il n’y a pas d’incendie. »
Le modèle développé par l’équipe est une itération d’un modèle d’apprentissage en profondeur existant appelé « Transformer », qui est un modèle séquence à séquence proposé à l’origine pour la traduction linguistique et qui a été utilisé avec succès pour la prévision de séries chronologiques. Le nouveau modèle, appelé ST-Transformer, utilise un nouveau cadre qui peut déterminer les tendances associées aux incendies de forêt.
En utilisant les données des stations de qualité de l’air de l’US EPA dans la grande région de Los Angeles, le modèle a été formé pour effectuer des prévisions de séries chronologiques sur les concentrations de PM2,5. Étant donné que les stations de qualité de l’air sont dispersées sur de vastes zones et collectent des données tout au long de la journée, ST-Transformer doit tenir compte des variables temporelles et spatiales ainsi que des dépendances variables, qui sont des variables qui s’influencent les unes les autres.
« Pour former le modèle ST-Transformer, nous avons inclus des dépendances spatiales, temporelles et variables des feux de forêt, de la fumée et des polluants atmosphériques », a déclaré Yu. « Nous avons également basculé le mécanisme d’attention totale de Transformer vers une attention clairsemée, qui peut être entraînée pour hiérarchiser et capturer les informations les plus pertinentes. Cela permet au modèle de se concentrer uniquement sur les PM2,5 liées aux incendies de forêt. »
La manière traditionnelle d’effectuer ce type de travail de modèle pour la prévision de séries chronologiques consiste à former des modèles séparément pour des scénarios sans fumée ou de référence ainsi que des scénarios de fumée. Ensuite, les modèles de base peuvent être utilisés pour prédire la pollution de l’air pendant les jours sans fumée de feu de forêt, et le modèle de fumée pour prédire les jours avec de la fumée de feu de forêt, selon l’équipe. Mais Yu et son équipe ont fusionné ces entrées en un seul modèle.
« C’est là que l’attention clairsemée entre en jeu car avec une attention clairsemée, vous savez quelles entrées fourniront mieux une prévision précise », a-t-elle déclaré. « Une attention clairsemée fournit également de meilleures estimations des PM2,5, réduisant les surestimations pendant les périodes de référence et les sous-estimations en cas d’incendie. »
Yu a déclaré que ST-Transformer pourrait également être utilisé pour améliorer les prévisions dans d’autres domaines, tels que la qualité de l’eau, les précipitations et le rayonnement solaire.
« ST-Transformer pourrait être utile pour prédire les problèmes de qualité de l’eau là où vous avez des stations dans l’eau, mais vous ne pouvez pas contrôler où vous pouvez les placer », a déclaré Yu. « Par exemple, l’azote ou le phosphore dans les eaux de ruissellement qui peuvent provoquer la prolifération d’algues sont comme des incendies de forêt car ils sont fluides et changent de manière dynamique tout le temps. Vos capteurs peuvent ou non capturer cela. »
Plus d’information:
Manzhu Yu et al, Prédiction des concentrations horaires de PM2,5 dans les zones sujettes aux incendies de forêt à l’aide d’un modèle de transformateur spatio-temporel, Science de l’environnement total (2022). DOI : 10.1016/j.scitotenv.2022.160446