Résumé
Les récentes avancées dans les technologies de capteurs et l’IoT permettent des mesures de la qualité de l’air plus denses et mobiles. Ces mesures restent encore rares dans l’espace et le temps au niveau de la ville, mais elles peuvent être interpolées à l’aide de techniques basées sur les données. Ce travail présente les résultats de validation de deux modèles d’apprentissage automatique pour inférer les données des capteurs de la qualité de l’air à la fois dans l’espace et dans le temps. Les exercices de validation temporelle ont été réalisés sur des stations de surveillance réglementaires disponibles, suivant le protocole FAIRMODE. Les deux modèles montrent une scalabilité pour différents ensembles de données mobiles, avec des performances de prédiction comparables pour PM2.5 (R2 = 0.68–0.75, MAE = 2.99–2.82 μg m−3) et NO2 (R2 = 0.8–0.82, MAE = 8.81–9.83 μg m−3) à Utrecht et Anvers. À Oakland (Atlanta), nous avons observé des performances plus faibles pour NO2 (R2 = 0.46–0.41, MAE = 4.06–5.07) et BC (R2 = 0.31–0.28, MAE = 0.48–0.27), probablement en raison d’une couverture de surveillance moins représentative. Bien qu’ils soient comparables en termes de performances de prédiction, le modèle de Forêt Aléatoire Géographique (GRF) semble obtenir une précision légèrement meilleure, tandis que les corrélations sont généralement plus élevées dans le modèle de Codeur Automatique de Graphe Variationnel de l’Air (AVGAE). Ce travail démontre le potentiel des techniques basées sur les données pour l’inférence spatio-temporelle de la qualité de l’air à partir de données de capteurs complémentaires. Les métriques de performance observées sont proches des modèles actuels de transport chimique de dernière génération en termes de performance, tout en nécessitant beaucoup moins de ressources, de puissance de calcul, d’infrastructure et de temps de traitement.
