Un nouveau modèle de maintenantification (estimation) basé sur un système d'inférence flou hésitant neutrosophique adaptatif (ANNHFIS) : étude de cas à Istanbul

Pourquoi cette étude compte pour l'air des villes

Les centrales à biomasse transforment les ordures ménagères et les déchets organiques en électricité, ce qui semble être une solution propre. Pourtant, ces installations émettent toujours du dioxyde d'azote, un gaz qui peut irriter les poumons et aggraver l'asthme. Dans des villes denses comme Istanbul, connaître le niveau de dioxyde d'azote du jour près de telles installations aide les autorités à prévenir les habitants et à gérer la qualité de l'air. Cette étude présente un nouveau type de système de prédiction intelligent conçu pour fournir des estimations plus fiables à la même journée du dioxyde d'azote autour d'une grande centrale de valorisation énergétique.

Comment la valorisation énergétique affecte l'air local

Les centrales à biomasse brûlent ou traitent de grandes quantités de déchets pour produire de l'énergie. Selon leur mode de fonctionnement, elles peuvent émettre des particules et des oxydes d'azote à des niveaux comparables à certaines centrales fossiles. Le dioxyde d'azote est particulièrement important car il trouble l'air, contribue au smog et à la formation d'acides, et nuit aux poumons. Dans le district d'Eyüp à Istanbul, un vaste complexe de valorisation énergétique et de biométhanisation fournit de l'électricité à des millions de personnes, mais il rejette aussi des gaz comme le dioxyde d'azote et de fines particules dans l'atmosphère. Comprendre comment la météo locale et les co‑polluants se combinent pour façonner les niveaux quotidiens de dioxyde d'azote autour de ce complexe est donc une question clé de santé publique.

Quelles données ont alimenté le modèle

Les chercheurs se sont concentrés sur les conditions quotidiennes entre 2019 et 2023 près des installations d'Eyüp. Ils ont utilisé cinq informations comme entrées : ensoleillement, température de l'air, humidité, oxydes d'azote et particules grossières en suspension. Toutes provenaient d'une station de surveillance voisine qui suit à la fois la météo et la qualité de l'air. L'objectif était d'estimer la moyenne quotidienne du dioxyde d'azote à partir de ces mesures. Avant d'entraîner les modèles, l'équipe a nettoyé les données en supprimant les journées avec lectures manquantes et en filtrant les anomalies extrêmes des capteurs. Ils ont ensuite mis toutes les valeurs sur une même échelle et vérifié la présence de sauts brusques ou de dérives à long terme susceptibles de perturber les algorithmes d'apprentissage.

Une nouvelle façon de gérer des signaux réels bruités

Les modèles statistiques traditionnels traitent les relations dans les données comme essentiellement linéaires et peuvent peiner lorsque les motifs sont ondulés, irréguliers ou changeants. Les réseaux neuronaux standard sont plus flexibles mais peuvent surajuster ou fournir peu d'indications sur leur mode de décision. Les auteurs ont construit un système hybride qui mêle réseaux neuronaux et logique floue, une méthode qui travaille en nuances plutôt qu'en oui/non. Leur originalité est de permettre au système d'exprimer non seulement à quel degré une entrée appartient à une catégorie comme faible ou élevée, mais aussi son incertitude et son hésitation. En utilisant des courbes en cloche appariées et une règle de fusion particulière, le modèle peut représenter des cas ambivalents où les données sont bruyantes ou contradictoires, ce qui est fréquent dans les mesures d'air extérieur.

Comment l'estimateur intelligent apprend

Le nouveau modèle s'appuie sur un ensemble de règles de type si–alors, par exemple faible ensoleillement et taux élevés de particules peuvent suggérer un dioxyde d'azote plus élevé. Dans les coulisses, il combine des centaines de ces règles, chacune avec des forces qui varient en douceur plutôt que des frontières nettes. Pour ajuster cette base de règles complexe, l'équipe a utilisé l'optimisation par essaim de particules, une méthode qui traite chaque solution candidate comme une particule se déplaçant dans l'espace et pousse l'essaim vers de meilleures performances. Cette étape de recherche ajuste la position des catégories floues et l'importance de chaque règle. Une étape de réglage fin basée sur l'apprentissage par gradient vient ensuite peaufiner l'ajustement. La précision du modèle a été vérifiée par des mesures d'erreur standard et comparée à plusieurs références solides, y compris des réseaux neuronaux classiques, des réseaux à mémoire à long terme (LSTM) et des systèmes flous antérieurs.

Ce que les chercheurs ont trouvé

Sur des données de test inédites, le nouveau système a produit la plus faible erreur moyenne et la meilleure concordance avec les niveaux observés de dioxyde d'azote parmi les modèles étudiés. Il a capté les variations journalières et les pics de pollution mieux que d'autres approches floues et qu'un modèle séquentiel d'apprentissage profond, et a obtenu des performances proches d'un réseau neuronal standard bien réglé tout en restant plus transparent. Des tests statistiques ont montré que les améliorations par rapport à la plupart des concurrents étaient peu susceptibles d'être dues au hasard. Les auteurs soutiennent que la manière plus riche dont leur modèle gère l'incertitude l'aide à faire face à des motifs non lisses et changeants dans les séries de qualité de l'air.

Ce que cela signifie pour les habitants urbains

Pour les personnes vivant à proximité de centrales énergétiques à base de déchets, l'étude montre comment des outils de maintenantification plus intelligents peuvent offrir une image plus claire de l'air qu'ils respirent aujourd'hui. La méthode proposée n'élimine pas la pollution, mais elle peut permettre aux agences municipales de repérer les journées à risque de façon plus fiable et de planifier des réponses comme des alertes ou des ajustements opérationnels. Parce que l'approche est flexible, elle pourrait être adaptée à d'autres quartiers, polluants ou horizons de prévision dans des travaux futurs. En termes simples, la recherche propose un thermomètre de la qualité de l'air plus nuancé qui reconnaît l'incertitude tout en fournissant des orientations pratiques pour gérer le dioxyde d'azote dans des environnements urbains denses.

Citation: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Mots-clés: pollution de l'air, dioxyde d'azote, centrales à biomasse, modélisation de la qualité de l'air, apprentissage automatique