Prédire la pollution de l’air avec l’intelligence artificielle

(Rinnovabili.it) – L’application de laintelligence artificielle construire des modèles d’estimation dela pollution de l’air et la poussière fine n’a rien de nouveau, mais le recherche récemment publiée de l’Université Cornell renvoie une image prévisionnelle beaucoup plus précise et détaillée.

Les scientifiques ont simultanément simplifié et rendu plus précis les modèles de calcul des PM2,5, les particules fines riches en suie et en poussière et les gaz d’échappement des véhicules à moteur : des particules si fines qu’elles pénètrent dans les organismes humains et déterminent des conséquences importantes en termes de santé.

L’étude, financée par le programme des centres de transport universitaires du département américain des transports et Cornell Atkinson, a été publiée en décembre dernier dans la revue Transportation Research Part D.

« L’infrastructure détermine notre cadre de vie, notre exposition », a expliqué l’auteur principal Oliver Gao, professeur Howard Simpson de génie civil et environnemental au Collège d’ingénierie de l’Université Cornell. « L’impact de la pollution de l’air provenant des transports – comme les gaz d’échappement des voitures et des camions sur nos routes – est très complexe. Nos politiques d’infrastructures, de transport et d’énergie auront un impact sur la pollution de l’air et donc sur la santé publique ».

Intelligence artificielle et modèles de prévision de la pollution de l’air

Le développement de modèles de prédiction de la diffusion des particules fines nécessitait jusqu’à présent une grande quantité de données. Le nouveau système pourrait grandement simplifier la vie des analystes car l’application de l’intelligence artificielle donnera des résultats plus précis, rendant le modèle de calcul des prévisions de la pollution atmosphérique beaucoup plus précis. La clé, selon l’étude, réside dans la programmation de l’IA. Dans l’article « Developing Machine Learning Models for Hyperlocal Traffic Related Particulate Concentration Mapping » un modèle de données facilement accessible est élaboré et, comme l’a expliqué Gao « avec l’aide de l’intelligence artificielle remplissant certains blancs, il est possible d’avoir un modèle précis au échelle locale ».

L’équipe de scientifiques a exécuté quatre modèles d’apprentissage automatique différents des concentrations de particules fines dans cinq arrondissements de New York avec une population combinée de 8,2 millions de personnes et un trajet quotidien moyen de 55 millions de miles.

Le modèle fonctionne à travers des équations qui nécessitent peu d’entrées pour faire des prédictions : données de trafic, topologie, météorologie. Tout le reste est fait par l’algorithme, qui apprend de manière autonome en se rendant capable de développer des prédictions pour différents types de scénarios.

Le modèle le plus performant parmi ceux développés est le Convolutional Long Short-term Memory, ou ConvLSTM, une IA qui « entraîne » l’algorithme à faire des prédictions sur une série d’observations corrélées entre elles dans l’espace.

« Notre approche basée sur les données – principalement les données sur les émissions des véhicules – nécessite beaucoup moins d’étapes de modélisation », a expliqué Salil Desai, co-auteur de l’étude. « Au lieu de se concentrer sur des emplacements fixes, la méthode fournit une résolution de surface élevée de la pollution des rues de la ville . Une plus grande résolution peut aider les études sur les transports et l’épidémiologie à évaluer les impacts sur la santé, la justice environnementale et la qualité de l’air.