La menace croissante de conditions météorologiques extrêmes pour la qualité de l'air urbain

Les changements climatiques remodelent les conditions météorologiques dans le monde entier, ce qui entraîne des événements extrêmes plus fréquents et plus intenses. Les vagues de chaleur, les sécheresses prolongées, les pluies abondantes et les tempêtes violentes frappent maintenant avec une plus grande régularité, et leurs effets sur les milieux urbains sont profonds. L'une des conséquences les plus critiques et souvent négligées est la détérioration marquée de la qualité de l'air dans les villes.

Ces pics de pollution ne sont pas seulement inconfortables; ils posent de graves risques pour la santé.Les niveaux élevés d'ozone et de particules fines (PM[2,5) sont liés aux maladies respiratoires et cardiovasculaires, aux admissions à l'hôpital et à la mortalité prématurée.Les populations vulnérables, y compris les enfants, les personnes âgées et celles qui ont des conditions préexistantes, sont particulièrement à risque.

Pourquoi les modèles prédictifs sont essentiels à la santé publique et à la planification

Les villes peuvent émettre des avis de santé, recommander la fermeture des écoles, ajuster les modes de circulation et réduire temporairement les émissions industrielles lorsque les modèles indiquent une augmentation imminente de la pollution. Par exemple, si un modèle prévoit qu'une onde thermique fera dépasser les seuils de sécurité deux jours à l'avance, les organismes de transport en commun peuvent offrir des trajets gratuits pour décourager l'utilisation de voitures privées, et les hôpitaux peuvent se préparer à une augmentation de la fréquence des patients respiratoires.

Au-delà de la protection sanitaire immédiate, les modèles de prévision contribuent également à l'aménagement urbain à long terme. En identifiant les quartiers les plus vulnérables à la pollution lors de phénomènes météorologiques extrêmes, les planificateurs peuvent privilégier les infrastructures vertes, comme la plantation d'arbres et les toits verts, qui aident à refroidir l'air et à filtrer les polluants. Les modèles aident également à concevoir des protocoles d'intervention d'urgence pour des événements combinés, comme un feu de forêt suivi d'une tempête, où les cendres et les poussières deviennent aéroportées.

Composantes essentielles d'un modèle prédictif de la qualité de l'air

Pour établir un modèle prédictif qui prévoit de façon fiable la qualité de l'air en cas de conditions météorologiques extrêmes, il faut intégrer divers flux de données et comprendre les interactions complexes entre la météorologie, les émissions et la chimie atmosphérique.

Les variables météorologiques et leur rôle

Les conditions météorologiques sont les principaux facteurs du transport, de la transformation et de l'accumulation des polluants. La température influe sur le taux de réactions chimiques qui produisent de l'ozone. La vitesse et la direction du vent déterminent si les polluants sont emportés ou piégés dans une zone locale. L'humidité affecte la croissance des particules d'aérosol. La stabilité atmosphérique – la tendance de l'air à résister au mélange vertical – est critique pendant les vagues de chaleur lorsque les inversions peuvent épingler des polluants près du sol.

Inventaires des émissions et sources dynamiques

Les inventaires des émissions fournissent des estimations des sources de pollution, y compris les véhicules, les centrales électriques, les installations industrielles, le chauffage résidentiel et les activités de construction. Pendant les périodes météorologiques extrêmes, les caractéristiques des émissions peuvent changer : davantage de personnes utilisent la climatisation pendant les vagues de chaleur, augmentent les émissions des centrales électriques; de fortes pluies peuvent réduire la circulation, mais augmenter le ruissellement des composés organiques volatils.

Données historiques sur la pollution et reconnaissance des modèles

Les données historiques de surveillance de la qualité de l'air provenant de stations au sol, souvent gérées par des organismes environnementaux comme le réseau AirNow de l'Environmental Protection Agency des États-Unis (), fournissent des données sur les particules[2.5, l'ozone, le dioxyde d'azote et d'autres polluants lors d'événements extrêmes antérieurs. Ces données enseignent comment les niveaux de pollution ont réagi aux vagues de chaleur, aux tempêtes et aux claquements de froid passés.

Facteurs géospatials et morphologie urbaine

Les modèles prédictifs intègrent de plus en plus les données d'utilisation des terres, les indices de végétation dérivés des satellites et les modèles de construction en trois dimensions pour simuler ces effets. Par exemple, un modèle pourrait prédire correctement qu'un quartier avec des rues étroites et peu d'espace vert verra des concentrations de PM[2,5 plus élevées[[][][][]][]]]][[FLT:]]]][[FLT:]]][[FLT:]]]][[FLT:]]][[FLT:]]][FLT:][FLT:]]][FLT:][FLT:]][FLT:][FLT:][FLT:]][FLT:][FLT:][F][F][F][F][F][F

Méthodes pour construire des modèles prédictifs

Les chercheurs ont élaboré diverses approches pour prédire la qualité de l'air urbain en période de temps extrême, chacune avec ses forces et ses limites.

Approches statistiques

Des méthodes statistiques traditionnelles comme la régression linéaire multiple, la moyenne mobile intégrée autorégressive (ARIMA) et les modèles additifs généralisés (GAM) ont été utilisées pendant des décennies. Ces techniques sont interprétables et efficaces par calcul, et elles fonctionnent bien lorsque la relation entre la météo et la pollution est relativement stable. Cependant, les phénomènes météorologiques extrêmes introduisent souvent des conditions qui tombent en dehors des plages historiques, brisant les hypothèses de linéarité et de stationnarité qui sous-tendent ces modèles.

Techniques d'apprentissage automatique

Les réseaux neuraux, en particulier les architectures d'apprentissage profond comme les réseaux de mémoire à court terme (LSTM) et les réseaux neuronaux convolutionnels (RNC), peuvent capter les dépendances temporelles et les modèles spatiaux. Les forêts aléatoires et les machines de stimulation des gradients (p. ex. XGBoost) sont également populaires pour leur capacité à gérer de nombreuses variables d'entrée et à modéliser des interactions sans spécification explicite.Ces méthodes brillent lorsqu'elles sont formées sur de grands ensembles de données qui comprennent des événements extrêmes, car elles peuvent apprendre des précurseurs subtils aux pics de pollution. Par exemple, un réseau neural pourrait apprendre qu'une combinaison de haute pression, de vents légers et d'augmentation de l'humidité relative sur trois jours consécutifs est un puissant prédicteur d'un épisode de PM[2.5.

Modèles hybrides et méthodes d'ensemble

Les modèles hybrides combinent des simulations atmosphériques basées sur la physique et des corrections d'apprentissage automatique. Une stratégie commune consiste à exécuter un modèle de chimie déterministe – tel que le modèle communautaire multiéchelle de qualité de l'air (CMAQ) – pour produire une prévision de premier choix, puis à utiliser un modèle d'apprentissage automatique pour corriger les biais basés sur des erreurs historiques. Cette approche tire parti du réalisme physique de la simulation tout en apprenant des données.

Assimilation des données et mise à jour en temps réel

Les techniques d'assimilation des données intègrent des observations en temps réel des stations de surveillance et des capteurs à faible coût pour mettre à jour les états du modèle. Les filtres Kalman et les méthodes de variation sont couramment utilisés dans la prévision météorologique et ont été adaptés pour la qualité de l'air. Lorsqu'un modèle de prévision de l'ozone commence à dériver des mesures réelles, l'assimilation des données redonne du terrain au modèle.

Sources de données et défis liés à l'intégration

Réseaux de surveillance au sol

Aux États-Unis, le système de la qualité de l'air de l'Environmental Protection Agency (AQS[) conserve ces données. Cependant, les stations sont souvent rares, surtout dans les pays en développement ou les zones rurales, et elles ne peuvent pas saisir la variabilité à grande échelle dans une ville. Pendant les phénomènes météorologiques extrêmes, les gradients spatiaux peuvent être abrupts. Une station située en aval d'une zone industrielle peut signaler des niveaux dangereux alors qu'une station située en amont montre de l'air pur.

Télédétection par satellite

Les satellites offrent une vue large, mesurant la profondeur optique des aérosols (DAO), les colonnes de dioxyde d'azote et d'autres indicateurs de l'espace. Les instruments comme le spectroradiomètre à résolution modérée (MODIS) et l'instrument de surveillance TROPOsphérique (TROPOMI) fournissent une couverture mondiale.Les données satellitaires peuvent combler les lacunes entre les stations au sol et sont particulièrement utiles pour suivre le transport de fumée ou de poussières à partir de sources éloignées.

Capteurs IdO et faible coût

La prolifération de capteurs à faible coût de particules (p. ex. PurpleAir, Plantower) et de gaz a ouvert une nouvelle frontière pour la surveillance hyperlocale. Ces dispositifs sont assez abordables pour être déployés dans des réseaux denses, révélant les modes de pollution au niveau de la rue. Une étude sur les ondes de chaleur dans une ville comme Oakland, en Californie, a montré que les capteurs à faible coût pouvaient capter l'accumulation de pollution dans les quartiers où la chaleur est piégée. Cependant, les capteurs à faible coût souffrent de dérive d'étalonnage, de sensibilité à l'humidité et de précision limitée lors des épisodes de pollution élevée.

Qualité des données et lacunes

Les événements extrêmes sont, par définition, rares, de sorte que les enregistrements historiques contiennent peu d'exemples. Ce déséquilibre rend difficile pour les modèles d'apprentissage automatique d'apprendre des modèles fiables pour les scénarios les plus dangereux. De plus, pendant les phénomènes extrêmes, les stations de surveillance peuvent échouer en raison de pannes de courant ou de dommages physiques. Les lacunes de données peuvent conduire à des modèles qui sous-estiment les concentrations maximales.

Applications et études de cas dans le monde réel

À Londres, le Réseau de la qualité de l'air utilise une combinaison de prévisions météorologiques et de modèles d'émissions pour émettre des prévisions quotidiennes de pollution. Au cours de la canicule de juillet 2022, qui a établi des températures records, le modèle a prédit des niveaux d'ozone dépassant 200 μg/m3 trois jours à l'avance. Les autorités ont activé une « Alerte à la pollution élevée » et conseillé aux personnes vulnérables de réduire l'activité extérieure.

À Beijing, des scientifiques ont mis au point des modèles d'apprentissage automatique intégrant les AOD satellitaires, les données météorologiques et les PM au sol2,5 pour prédire les événements de brume hivernale graves. Une étude de 2023 publiée dans Environnement atmosphérique a montré qu'un modèle basé sur LSTM pourrait prévoir des dépassements de PM[2,5 48 heures avant avec une précision de 85 % pendant les périodes de temps stagnants associés à des systèmes à haute pression.

Une autre application prometteuse est l'utilisation de modèles prédictifs pour la conception urbaine « adaptée au climat ». Par exemple, la ville de Paris a utilisé des données historiques sur la qualité de l'air et des projections climatiques pour simuler comment un réseau planifié de corridors verts pourrait réduire les PM[2,5 pendant les prochaines vagues de chaleur.

Surmonter les principaux défis

Malgré les progrès accomplis, plusieurs défis demeurent avant que les modèles de prévision ne puissent être mis en confiance dans tous les scénarios météorologiques extrêmes. La rareté des données est la plus persistante: la « longue queue » des événements extrêmes signifie que les ensembles de formation sont petits.Les chercheurs se tournent vers le transfert de l'apprentissage – en prenant des modèles pré-formés sur les données d'une ville et en les adaptant à une autre – et vers des réseaux neuronaux informés de la physique qui appliquent les lois atmosphériques connues. ]La non-stationnalité est un autre problème: à mesure que les changements climatiques, la relation statistique entre la météo et la pollution peut changer, ce qui rend les modèles formés sur les données passées peu fiables pour les extrêmes futurs.

L'hétérogénéité urbaine[ complique la prévision spatiale. Les mesures prises sur un bloc ne représentent peut-être pas les conditions à quelques rues. La modélisation à haute résolution nécessite des données d'entrée détaillées (p. ex. hauteurs de bâtiment, nombre de trafic) que de nombreuses villes manquent. Le coût de calcul[ est un obstacle à la prévision en temps réel : faire fonctionner un modèle de transport chimique complet à résolution de 1 km pour une grande région métropolitaine nécessite des ressources de supercalcul.

Orientations futures et innovations

La prochaine génération de modèles prédictifs intégrera probablement l'intelligence artificielle plus profondément avec la technologie numérique jumelle. Un jumeau numérique d'une atmosphère urbaine, constamment mis à jour avec les données des capteurs, pourrait simuler l'impact sur la qualité de l'air de diverses interventions en temps quasi réel. Par exemple, un directeur de ville pourrait se demander : « Si je ferme cette rue à la circulation pendant la canicule de demain, combien va diminuer le niveau d'ozone ? » Le jumeau numérique ferait une simulation rapide et fournirait une réponse.

Les caméras de téléphone intelligent peuvent estimer la profondeur optique des aérosols et les capteurs portables peuvent suivre l'exposition personnelle. Grâce à un contrôle de qualité approprié, ces données provenant de sources crowd pourraient améliorer la résolution spatiale du modèle à un coût minime. Les progrès de la télédétection par satellite, comme les satellites géostationnaires à venir qui fournissent des observations horaires sur de grandes zones, amélioreront encore l'entrée du modèle.

Enfin, les collaborations internationales deviennent plus fréquentes.L'Organisation météorologique mondiale (OMM) fournit des prévisions régionales et mondiales qui peuvent être réduites pour une utilisation locale.En partageant des modèles, des données et des pratiques exemplaires, les villes peuvent accélérer la mise au point d'outils de prévision suffisamment robustes pour gérer les modèles météorologiques de plus en plus volatils d'un monde de réchauffement.

Les modèles prédictifs de la qualité de l'air urbain pendant les conditions météorologiques extrêmes ne sont pas un luxe, ils sont une nécessité. Alors que le changement climatique continue d'augmenter, la santé de millions dépendra de notre capacité à prévoir les événements de pollution avant qu'ils ne se produisent et à agir.