Soutenance de thèse: Wani Théo TAMAS (17 novembre 2015)

Prévision statistique de la qualité de l’air et d’épisodes de pollution atmosphérique en Corse

La prévision de la qualité de l’air est un enjeu majeur, alors que la Corse connait régulièrement des épisodes de pollution atmosphériques. Une prévision efficace du jour au lendemain permet de prendre à temps les mesures nécessaires à la réduction de l’ampleur du pic de pollution. Cela permet d’éviter une surexposition de la population, notamment à l’ozone, gaz toxique qui attaque le système respiratoire et les muqueuses, et aux PM10, particules cancérigènes assez fines pour pénétrer le système respiratoire.
Les modèles de chimie-transport actuellement opérationnels sont mal adaptés pour prédire les pics de pollution dans notre île, entravée par un relief important qui complique la prévision météorologique, isolée au cœur de la Méditerranée occidentale et actuellement sans cadastre régional des émissions pour alimenter le modèle. Dans ce contexte, le développement de modèles statistiques est apparu comme approprié. A la fois précis et peu couteux en calcul, les modèles de la famille des réseaux de neurones artificiels sont capables d’assimiler les relations sous-jacentes existantes entre plusieurs variables. Le Perceptron MultiCouche (PMC) se distingue particulièrement des architectures de réseaux de neurones alternatives, notamment pour  sa robustesse et sa précision.
C’est donc à l’aide de ce type de modèle que nous avons mené nos travaux, dont l’objectif est de mettre en place un système de prévision efficace. L’apprentissage des PMC a été effectué avec des données de pollution mesurées par Qualitair Corse ou issue de la plate-forme de prévision AIRES, qui utilise le modèle de chimie-transport CHIMERE. Des mesures météorologiques et les prévisions du modèle AROME fournies par Météo-France sont également utilisées.
Afin d’améliorer les performances de prévision, nous avons suivi une méthodologie permettant d’optimiser la configuration des PMC en respectant le principe de parcimonie et ainsi limiter la complexité du modèle. En ce sens, une étude sur la sélection de variable d’entrée du modèle a permis de comparer l’usage de trois méthodes différentes : l’analyse en composante principale, les algorithmes génétiques et le recuit simulé pour optimiser les jeux de données.
Une attention particulière a été portée à la prévision des valeurs extrêmes de concentrations en polluants, synonymes de pic de pollution. Ces valeurs sont les plus difficiles à prévoir. Nous avons proposé une méthode utilisant des modèles hybrides, composés d’un modèle de classification et de plusieurs PMC.  Ce nouveau type de modèle permet d’améliorer la détection des valeurs élevées. Nous avons adopté une méthodologie d’évaluation des modèles utilisant les courbes ROC afin de départager efficacement les modèles les plus efficaces pour la prévision des pics.
Pour mener ces expériences, nous avons développé l’application « Aria Base » qui utilise le logiciel Matab. Elle permet de gérer les données et les expérimentations avec nos modèles, ainsi que l’évaluation et l’archivage de ces derniers. Elle permet également de créer des modèles destinés à un usage opérationnel.
Une seconde application, « Aria Web », a été créée pour faire fonctionner ces modèles et faciliter la prévision au sein de Qualitair Corse, répondant ainsi au besoin ayant motivé ces travaux

Résumé scientifique