Résumé
La cartographie de la qualité de l’air urbain a été largement utilisée dans la planification urbaine, le contrôle de la pollution de l’air et l’évaluation de l’exposition personnelle à la pollution. Traditionnellement, les cartes de la qualité de l’air urbain sont dérivées à partir de mesures provenant de stations de surveillance fixes. En raison de leur coût élevé, ces stations sont généralement déployées de manière dispersée dans quelques endroits représentatifs, ce qui donne lieu à une carte de la qualité de l’air très généralisée. De plus, la qualité de l’air urbain varie rapidement sur de courtes distances (<1 km) et est influencée par les conditions météorologiques, le réseau routier et le flux de trafic. Ces variations ne sont pas bien représentées dans les cartes de qualité de l’air à large échelle générées par les méthodes de surveillance conventionnelles, mais elles ont des implications importantes pour caractériser les expositions personnelles hétérogènes à la pollution de l’air et identifier les points chauds localisés de pollution. Par conséquent, la cartographie fine de la qualité de l’air urbain est indispensable. Dans ce contexte, les capteurs mobiles à faible coût rendent la surveillance mobile de la qualité de l’air une alternative prometteuse. En utilisant des mesures dispersées de la qualité de l’air recueillies par des capteurs mobiles et divers facteurs contextuels, notamment le flux de trafic, nous proposons un modèle de forêt profonde localement adapté et contextuellement conscient (CLADF) pour inférer la distribution de NO2 avec une résolution de 100 m et 1 heure pour la cartographie fine de la qualité de l’air. Le modèle CLADF exploite la forêt profonde pour construire un modèle local pour chaque groupe composé de mesures des voisins les plus proches dans l’espace des caractéristiques contextuelles, et considère le flux de trafic comme une caractéristique contextuelle importante. Des expériences de validation étendues ont été réalisées en utilisant des mesures mobiles de NO2 collectées par 17 fourgonnettes postales équipées de capteurs à faible coût en fonctionnement à Anvers, en Belgique. Les résultats expérimentaux montrent que le modèle CLADF obtient le RMSE le plus bas, ainsi que des progrès en précision et en corrélation, par rapport à plusieurs modèles de référence, notamment les forêts aléatoires, les forêts profondes, l’extrême gradient boosting et la régression de support vectoriel.
