Prédire la qualité de l'air grâce à l'IA géospatiale

27 septembre 2019

opérations
services publics
Microsoft
intelligence artificielle

Microsoft, delaware et l’Agence européenne pour l’environnement ont créé un module de deep-learning permettant de prévoir la qualité de l’air dans un rayon de 1 km grâce à une plate-forme de capteurs.

Prédire la qualité de l'air grâce à l'IA géospatiale

Les préoccupations environnementales atteignent un niveau sans précédent. La qualité de l'air que nous respirons est un enjeu important pour une part croissante de la population. Grâce à l'IA géospatiale, l'Agence européenne pour l'environnement, delaware et Microsoft oeuvrent à obtenir des informations plus précises sur la concentration de NO2 afin d'aider les acteurs politiques à prendre de meilleures décisions.

Le dioxyde d'azote est l'un des principaux composés produits par les activités industrielles - et un indicateur clé de la pollution atmosphérique. Les experts de delaware ont collaboré avec l’Agence européenne pour l’environnement et Microsoft afin de développer une solution d’IA éprouvée capable de prédire avec précision et à très haute résolution la qualité de l’air. Pour ce faire, les mesures de la qualité de l’air et les modèles existants ont été combinés aux images satellites.

Les technologies Microsoft pilotent la solution de deep-learning

L'équipe a utilisé les résultats de la modélisation du NO2 (réanalyse de 2016) à une échelle de 7 x 7 km et 2 000 mesures au sol pour former un modèle de deep-learning permettant d'évaluer la qualité de l'air à une résolution de 1 x 1 km. Notre pile technologique se composait de bases de données Azure avec prise en charge du processeur graphique, d'Azure Maps et du jeu de données européennes du CAMS (Copernicus Atmosphere Monitoring Service).

Enrichir les données sur la qualité de l'air avec des images satellite

Le CAMS fournit régulièrement des résultats de la modélisation de la qualité de l’air. Plusieurs pays de l’UE rassemblent au total environ 2 000 mesures de NO2 sur le terrain et les communiquent à l’Agence européenne pour l’environnement (AEE). Ces données ont été téléchargées depuis le système de e-Reporting sur la qualité de l'air de l'AEE.

prevoir qualite air avec intelligence artificielle

Les résultats de la modélisation du CAMS constituent la source d'informations la plus importante utilisée pour estimer le niveau de NO2 chaque année. Ils sont disponibles dans toute l’Europe et fournissent un bon aperçu de la qualité de l’air.

« Nous avions besoin de comprendre l'environnement entourant les capteurs pour compenser les mesures par satellite. L'algorithme de deep-learning le faisait automatiquement sans que nous ayons à signaler des facteurs environnementaux tels que les rues. »

Wouter Labeeuw, data scientist chez delaware

Toujours Wouter Labeew : « Après avoir collecté ces données, il nous fallait comprendre l'environnement entourant les capteurs pour compenser les mesures par satellite. » explique Wouter. « Nous avons observé que dans une zone donnée, un plus grand nombre d'arbres entraînait une baisse des mesures annuelles de NO2. Dans les zones très fréquentées, toutefois, le NO2 augmente en tant que sous-produit de la combustion de carburant. L'imagerie par satellite est une solution idéale car elle offre une vue parfaite de l'environnement. »

L'étape suivante consistait à entraîner un modèle de deep-learning de bout en bout pour qu'il puisse compenser les données du CAMS à l'aide d'images satellite. La présence de nombreuses rues signifie que les mesures de NO2 devraient être plus élevées dans une zone spécifique de 1 km sur 1, comparé aux résultats de la modélisation du CAMS sur 7 km sur 7 km. « L’algorithme de deep-learning mis au point par l’équipe a appris à réduire les estimations de NO2 lorsqu’il identifiait des arbres et à les augmenter en cas de présence de rues ou de sites de production », affirme Wouter.

Améliorer les algorithmes existants

La précision des prévisions du modèle s'est avérée meilleure que prévue : l’erreur absolue moyenne a été réduite de moitié, et l’erreur quadratique moyenne a été réduite de 40 % par rapport à l’algorithme de prévision déjà utilisé. « La méthode doit encore être retravaillée : il est possible d’identifier les données du CAMS dans les prévisions du modèle, elles doivent donc être lissées dans les prochaines versions », ajoute Wouter.« Nous souhaitons remercier l'Agence européenne pour l'environnement de nous avoir donné l'occasion de prouver que notre stratégie fonctionne, ainsi que Microsoft pour son assistance dans la mise en œuvre de la solution Azure », conclut Wouter.

Votre entreprise rencontre-t-elle un problème unique qui pourrait être résolu grâce à une solution d'apprentissage automatique sur-mesure ? Nos experts seront heureux de vous aider.