Prévision multi-modèles de $$\text {NO}_{2}$$ et $$\text {O}_{3}$$ à Abou Dabi : avantages de l’augmentation des caractéristiques basée sur la corrélation

Pourquoi des prévisions d’air plus propres comptent

Les habitants de villes en croissance comme Abou Dabi respirent un air constamment façonné par la circulation, l’industrie et la météo. Deux gaz invisibles, le dioxyde d’azote et l’ozone au niveau du sol, jouent un rôle majeur dans le smog et les problèmes respiratoires. Cette étude pose une question pratique aux conséquences concrètes : avec quelle précision peut-on prédire ces polluants à l’horizon de quelques heures à quelques jours en utilisant l’intelligence artificielle moderne, et peut-on améliorer ces prévisions en apprenant aux modèles comment ces deux gaz s’influencent mutuellement ?

Les deux fauteurs de trouble de l’air urbain

Le dioxyde d’azote et l’ozone sont étroitement liés dans l’atmosphère. Le dioxyde d’azote provient en grande partie des gaz d’échappement et d’autres sources de combustion ; à la lumière du soleil, il contribue à la formation d’ozone, un ingrédient majeur du smog. Dans la journée, les niveaux d’ozone augmentent tandis que ceux de dioxyde d’azote baissent souvent, et la tendance peut s’inverser la nuit. À Abou Dabi, la croissance urbaine rapide, le trafic intense et les conditions désertiques qui limitent le « nettoyage » naturel de l’air rendent ces polluants particulièrement préoccupants. Anticiper précisément leurs variations permet aux autorités d’alerter les populations vulnérables, d’ajuster les flux de circulation ou de planifier les activités industrielles pour réduire les risques sanitaires.

Une vue détaillée de l’air à Abou Dabi

Les chercheurs ont exploité un jeu de données exceptionnellement large et détaillé : cinq années de mesures horaires de dioxyde d’azote et d’ozone provenant de sept stations fixes réparties entre zones désertiques, banlieues, quartiers littoraux et une zone industrielle de l’Émirat d’Abou Dabi. Cet enregistrement long, couvrant 2018 à 2022, évite les conditions biaisées observées pendant les confinements liés au COVID-19 qui ont affecté des travaux antérieurs. L’équipe a soigneusement nettoyé les données, comblant les lacunes occasionnelles en moyennant les valeurs de dates et d’heures similaires d’autres années, et appliqué des traitements mathématiques pour gérer les pics brusques tout en préservant les véritables extrêmes de pollution. Ils ont ensuite découpé la chronologie en blocs successifs d’entraînement et de test, reproduisant la manière dont un système de prévision réel apprend du passé et est évalué sur des périodes futures inconnues.

Tester de nombreuses méthodes de prévision

Pour déterminer quels outils fonctionnent le mieux, l’étude a comparé une large gamme d’approches. Les méthodes plus simples incluaient les arbres de décision, les forêts aléatoires et les machines à vecteurs de support, qui recherchent des motifs dans les mesures passées. Les méthodes d’apprentissage profond plus avancées comprenaient des réseaux de neurones convolutionnels, excellents pour repérer des formes locales dans des séries temporelles, et des réseaux LSTM, conçus pour retenir des tendances à long terme. Les chercheurs ont aussi utilisé Prophet, un modèle adapté à la capture des cycles quotidiens et saisonniers répétitifs, et un modèle Transformer, une architecture plus récente qui utilise un mécanisme d’« attention » pour pondérer l’influence de différents instants passés sur chaque prévision. Tous les modèles devaient prédire les niveaux de polluants à 1 heure, 2 heures, 1 jour et 1 semaine, et leurs erreurs ont été évaluées à l’aide de plusieurs mesures complémentaires.

Apprendre des mouvements conjoints des polluants

Parce que le dioxyde d’azote et l’ozone sont chimiquement liés, l’équipe a exploré si l’historique de l’un pouvait aider à prévoir l’autre. Ils ont d’abord mesuré la force de liaison des deux gaz à chaque station et confirmé une relation inverse généralement forte : quand l’un est élevé, l’autre tend à être bas. Ils ont ensuite construit deux versions de chaque modèle. Dans la version de base, le modèle ne voyait que les valeurs passées du polluant qu’il devait prédire. Dans la version enrichie, il voyait également des valeurs retardées de l’autre polluant, lui donnant ainsi un indice supplémentaire sur l’état actuel de l’air urbain. Cela a permis aux chercheurs de tester si « l’augmentation des caractéristiques » — l’ajout d’informations corrélées — produit des prévisions plus précises sans introduire de connaissance du futur.

Quels modèles l’ont emporté, et pourquoi cela compte

Sur presque toutes les stations, pour les deux polluants et pour la plupart des horizons, le modèle Transformer a clairement surpassé les autres, fournissant les erreurs moyennes les plus faibles et le comportement le plus stable dans le temps. Pour le dioxyde d’azote, son erreur en pourcentage typique variait d’environ un quart à un tiers, et pour l’ozone il faisait encore un peu mieux. Les réseaux convolutionnels étaient proches pour les prévisions très court terme, surtout dans les premières heures, tandis que Prophet s’est avéré utile à l’horizon d’une semaine grâce à sa bonne prise en main des motifs récurrents. De manière importante, fournir aux modèles des informations supplémentaires sur le polluant partenaire a systématiquement réduit les erreurs de prévision, en particulier pour le dioxyde d’azote à 1 heure et pour les prévisions d’ozone jusqu’à un jour complet. Concrètement, ce travail montre que l’IA avancée basée sur l’attention, alimentée par un riche enregistrement pluriannuel et entraînée à exploiter la « conversation » chimique entre polluants clés, peut fournir des prévisions de qualité de l’air plus fiables. De tels outils peuvent aider les urbanistes et les agences de santé d’Abou Dabi et de régions similaires à agir plus tôt et avec plus de précision pour protéger la santé publique, en particulier les enfants, les personnes âgées et celles souffrant de maladies pulmonaires ou cardiaques.

Citation: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

Mots-clés: prévision de la pollution de l’air, dioxyde d’azote, ozone troposphérique, modèles d’apprentissage profond, qualité de l’air à Abou Dabi