Prédiction résolue en altitude de la pollution de l’air au bord des routes à partir de mesures par UAV et d’apprentissage automatique

Pourquoi la pollution près des autoroutes importe

Beaucoup de personnes vivent, travaillent ou font de l’exercice près d’autoroutes fréquentées, où les fumées du trafic peuvent affecter leur santé sans faire de bruit. Pourtant, la plupart des moniteurs de qualité de l’air sont fixes au sol et ne peuvent pas montrer comment la pollution évolue à quelques mètres au‑dessus ou à l’écart de la route. Cette étude combine des drones et des modèles informatiques avancés pour créer une image tridimensionnelle de la pollution au bord des routes, aidant les urbanistes et les chercheurs en santé à comprendre qui est le plus exposé et à quel moment.

Utiliser des capteurs volants pour cartographier l’air pollué

Les chercheurs se sont concentrés sur une autoroute majeure coréenne reliant Séoul et Busan, qui supporte une partie du trafic le plus dense du pays. Ils ont installé un capteur d’air compact à une station au bord de la route et fixé un second capteur identique à un quadricoptère. Les instruments ont mesuré quatre polluants clés : le monoxyde de carbone issu des échappements, le dioxyde d’azote provenant de la combustion des carburants, l’ozone troposphérique formé à la lumière du soleil, et les particules fines connues sous le nom de PM2,5. Pendant plusieurs jours en été et en hiver, le drone a effectué des montées et descentes au‑dessus du bord de la route à des hauteurs de 10 à 60 mètres, et en hiver s’est aussi déplacé horizontalement jusqu’à 60 mètres de la route, s’arrêtant à chaque point pour échantillonner l’air.

Ce que le drone a observé au‑dessus de la route

Les mesures ont révélé des schémas clairs montrant comment la pollution varie avec la hauteur, la distance, l’heure de la journée et la saison. Le dioxyde d’azote et l’ozone étaient les plus élevés près du sol et diminuaient avec l’altitude et la distance à l’autoroute, indiquant que les véhicules constituent une source locale dominante. Le dioxyde d’azote connaissait un pic vers 7 h, en phase avec l’heure de pointe du matin, tandis que l’ozone était à son plus bas à ce moment et plus élevé l’après‑midi ensoleillé, lorsque la lumière du soleil alimente les réactions chimiques atmosphériques. En hiver, le dioxyde d’azote avait tendance à être globalement plus élevé, favorisé par des couches d’air froid et stagnantes qui emprisonnent les émissions près de la surface. De façon surprenante, les concentrations de particules fines étaient plus élevées en été qu’en hiver ; en retraçant les trajectoires des masses d’air sur 48 heures, l’équipe a constaté que l’air d’été arrivait souvent des régions industrielles de l’est de la Chine, suggérant qu’un transport sur longue distance s’ajoutait à la pollution locale liée au trafic.

De lectures ponctuelles à une carte 3D de la pollution

Parce que les drones ne peuvent voler que pendant un temps limité et doivent suivre des trajectoires sûres, leurs mesures sont parcimonieuses dans l’espace et le temps. Pour combler les vides, l’équipe a entraîné plusieurs modèles d’apprentissage automatique pour prédire comment la pollution en altitude se compare à ce qui est mesuré au bord de la route. Plutôt que de prédire des concentrations brutes, ils ont ciblé le rapport entre les relevés du drone et les relevés au sol pour chaque polluant. Les modèles utilisaient cinq groupes d’entrées : niveaux de pollution au sol, volume et vitesse du trafic, météo (vent, température, humidité), hauteur du drone et distance à la route, ainsi que la saison et l’heure de la journée. Parmi plusieurs algorithmes concurrents, une méthode appelée CatBoost a donné les meilleurs résultats, expliquant à peu près entre deux‑tiers et presque la totalité de la variation de ces rapports selon le polluant et la saison.

Ce qui pilote les profils de pollution au‑dessus de la chaussée

En analysant le modèle entraîné, les chercheurs ont pu voir quels facteurs réels influençaient le plus les profils verticaux et horizontaux de chaque polluant. Pour le monoxyde de carbone, la vitesse du trafic importait beaucoup : des véhicules lents ou en stop‑and‑go étaient associés à une pollution relative plus élevée près de la route, reflétant des émissions d’échappement plus intenses. Pour le dioxyde d’azote et les particules fines, la combinaison des conditions au sol et de la météo locale était déterminante — des conditions plus chaudes et des concentrations au sol plus élevées avaient tendance à accroître les niveaux en altitude. Les variations d’ozone étaient davantage gouvernées par la météorologie et la saison que par les relevés d’ozone au sol, conforme à sa formation par la chimie activée par la lumière. Lorsque l’équipe a utilisé le modèle pour créer des cartes continues des rapports de pollution selon la hauteur, la distance, l’heure et la saison, les motifs obtenus coïncidaient bien avec les connaissances établies : un dioxyde d’azote élevé le long de la chaussée, un ozone qui monte au cours de la journée, et des particules se mélangeant progressivement vers le haut et à l’écart des voies de circulation.

Comment cela aide à mieux respirer

En termes simples, l’étude montre que ce qu’un drone mesure au‑dessus d’une autoroute peut être reconstruit de manière fiable à partir de ce qu’un moniteur au sol, des compteurs de trafic et des instruments météorologiques observent en-dessous. En mariant de courtes missions de drone et l’apprentissage automatique, les chercheurs ont produit des vues tridimensionnelles détaillées de la qualité de l’air en bord de route qui seraient difficiles et coûteuses à obtenir uniquement par des mesures. Ces cartes haute résolution peuvent améliorer les estimations de l’exposition des résidents, des navetteurs et des piétons à la pollution routière à différentes hauteurs et distances, et à différents moments du jour et de l’année. À plus long terme, cette approche combinée drone‑modèle pourrait guider l’implantation de nouvelles routes, de murs antibruit et de ceintures végétales, et aider les responsables municipaux à tester comment des politiques de gestion du trafic pourraient assainir l’air que les gens respirent réellement.

Citation: Kho, C.J., Seo, S., Hwang, H. et al. Altitude-resolved prediction of roadside air pollution using UAV measurements and machine learning. Sci Rep 16, 13925 (2026). https://doi.org/10.1038/s41598-026-44153-9

Mots-clés: pollution de l’air au bord des routes, drones, apprentissage automatique, autoroutes, particules fines