Utiliser des algorithmes d’apprentissage automatique pour étudier la relation entre les conditions météorologiques et les paramètres de la qualité de l’air

Pourquoi le temps et l’air urbain sont importants

Quiconque a vu une tempête de poussière arriver ou un smog stagner au‑dessus d’une ville sait à quelle vitesse l’air que nous respirons peut changer. Cette étude examine comment la météo quotidienne dans une région aride et industrielle d’Arabie saoudite influe sur trois types importants de pollution atmosphérique, et si des outils informatiques modernes peuvent transformer des relevés météorologiques simples en prévisions de qualité de l’air fiables. Les résultats aident à expliquer pourquoi certains polluants réagissent fortement aux variations d’humidité et de saison, tandis que d’autres sont davantage dictés par le trafic, les usines et les épisodes de poussière soudains.

Une ville désertique comme laboratoire naturel

La recherche se concentre sur la zone métropolitaine de Dammam, sur la côte est de l’Arabie saoudite, un pôle en forte expansion de pétrole, de gaz, de complexes pétrochimiques, de centrales électriques et d’un trafic intense. La région présente un climat désertique sévère : étés très chauds, hivers doux, peu de pluie et tempêtes de poussière fréquentes. Les brises marines du golfe Arabique et les vents continentaux secs redessinent constamment la météo locale. Ce mélange d’activité humaine intense et de vents, températures et niveaux d’humidité changeants fait de Dammam un lieu idéal pour étudier l’interaction entre météo et pollution dans des conditions arides très différentes de celles de la plupart des études antérieures sur la qualité de l’air.

Transformer les relevés météo en indices

L’auteur a rassemblé cinq ans de mesures, de 2017 à 2021, en associant des observations météorologiques de routine à des mesures de trois polluants clés : le dioxyde d’azote issu de la combustion des carburants, le monoxyde de carbone issu de la combustion incomplète, et les particules grossières connues sous le nom de PM10, qui dans les villes désertiques proviennent souvent de la poussière soulevée. Les données météorologiques comprenaient la température, l’humidité, la vitesse et la direction du vent, le point de rosée et la pression atmosphérique, relevés deux fois par jour. Après un nettoyage attentif des données pour éliminer les lacunes et les valeurs aberrantes, l’étude a ajouté un indicateur « jour de l’année » pour capturer les saisons puis a utilisé des méthodes informatiques pour classer les facteurs météorologiques les plus importants pour chaque polluant avant de les introduire dans des modèles prédictifs.

Apprendre aux machines à lire le ciel

Quatre types de modèles d’apprentissage automatique ont été testés : un réseau neuronal, un arbre de décision unique et deux méthodes d’ensemble appelées forêts aléatoires et gradient boosting, qui combinent de nombreux modèles simples pour en faire un plus performant. Les données ont été divisées de sorte que la plupart des enregistrements servent à entraîner les modèles, tandis que le reste teste leur capacité à prédire des cas non vus. Pour le dioxyde d’azote, le modèle de gradient boosting s’est démarqué. En n’utilisant que trois entrées — la saison de l’année, le point de rosée et l’humidité — il expliquait plus de quatre cinquièmes de la variation observée. Cela souligne le rôle important de l’humidité et de l’ensoleillement saisonnier dans la formation, la transformation et la persistance des composés azotés dans la basse atmosphère, même dans une région sèche.

Quand la météo ne suffit pas

Le monoxyde de carbone a livré un tableau plus contrasté. Les meilleurs modèles n’ont capturé qu’environ la moitié de ses fluctuations, ce qui suggère que si la météo et la saison comptent — les périodes fraîches et stagnantes tendent à piéger ce gaz près du sol — les variations du trafic, de l’utilisation des carburants et de l’activité industrielle sont tout aussi importantes. Pour les PM10, les quatre approches ont eu du mal. Leurs prédictions étaient à peine meilleures, et parfois pires, que l’utilisation de simples valeurs moyennes. Cela reflète le caractère chaotique de la poussière dans les villes arides : des rafales soudaines, des travaux de construction, le trafic routier et les conditions du sol peuvent provoquer des pics de courte durée que des relevés météorologiques de base ne peuvent pas prévoir. L’étude a également montré que l’ajout d’un grand nombre de variables météorologiques au‑delà des quelques plus pertinentes empirait souvent les prédictions, soulignant l’importance de se concentrer sur les signaux les plus forts plutôt que d’alimenter les modèles avec tout en même temps.

Ce que signifient les résultats pour la vie quotidienne

Pour les habitants des régions poussiéreuses et en développement rapide, ce travail montre à la fois les promesses et les limites des prévisions de qualité de l’air fondées sur la météo. Des combinaisons judicieuses de données météorologiques simples peuvent anticiper de manière fiable les variations de certains gaz, en particulier le dioxyde d’azote, offrant un outil peu coûteux pour émettre des alertes sanitaires et planifier des contrôles des émissions là où des réseaux de surveillance denses font défaut. Dans le même temps, l’imprévisibilité tenace des particules liées à la poussière indique que la protection de la santé publique dans les villes désertiques exigera des informations plus riches sur l’utilisation des terres, l’humidité du sol, le trafic et le suivi satellitaire de la poussière, et pas seulement la météo. Ensemble, ces enseignements ouvrent la voie à des systèmes de prévision plus ciblés et adaptés localement qui peuvent aider les communautés à respirer un peu mieux sous des cieux difficiles.

Citation: Tawabini, B. Using machine learning algorithms to study the relationship between meteorological conditions and air quality parameters. Sci Rep 16, 10392 (2026). https://doi.org/10.1038/s41598-026-39579-0

Mots-clés: qualité de l’air, apprentissage automatique, pollution désertique, météorologie, Arabie saoudite