Apprentissage des dépendances croisées à l’échelle du quartier entre polluants atmosphériques, météo et couverture du sol à l’aide de capteurs mobiles et de transformeurs

Pourquoi l’air de votre rue n’est pas celui du voisin

La qualité de l’air en ville est souvent résumée par un seul chiffre pour tout un quartier, voire une ville entière. En réalité, la pollution peut varier fortement sur quelques dizaines de mètres seulement — entre une rue passante et une cour tranquille, ou entre un chantier et un parc. Cette étude montre comment la combinaison d’un chariot électrique doté de capteurs et d’une intelligence artificielle de pointe peut révéler ces motifs cachés, et comment ces connaissances pourraient conduire à des moyens plus intelligents de surveiller et de gérer l’air que nous respirons.

Un laboratoire roulant sur une boucle de campus

Les chercheurs ont transformé une voiturette de golf électrique en laboratoire d’air mobile et l’ont fait circuler à plusieurs reprises autour du campus de l’Institut Weizmann en Israël, sur une surface de seulement 1,1 kilomètre carré. À bord se trouvaient des instruments mesurant le dioxyde d’azote (un gaz lié au trafic), l’ozone, les particules fines (PM1 et PM2,5), la température, l’humidité, la pression et le vent. Sur trois saisons en 2024, ils ont réalisé 66 relevés le long d’un itinéraire fixe avec 17 arrêts planifiés, collectant environ 180 000 mesures à peu près tous les 5 mètres le long du parcours. Ils ont ensuite combiné ces relevés avec des images aériennes détaillées montrant l’emplacement des bâtiments, des routes, de la végétation et des surfaces nues, transformant le campus en une « carte » très fine à la fois de la pollution et des surfaces avec lesquelles elle interagit.

Points chauds cachés et rythmes quotidiens

Les cartes ont révélé que les niveaux de polluants peuvent varier de façon spectaculaire sur de courtes distances. Le dioxyde d’azote était jusqu’à deux fois plus élevé dans certaines zones du campus que dans d’autres, notamment près d’une artère principale, d’une autoroute à proximité et d’une cimenterie. Les chantiers se distinguaient comme de fortes sources de particules grossières, mais seulement par temps sec — les matins humides, le sable humide produisait beaucoup moins de poussière. L’équipe a aussi observé des rythmes quotidiens marqués : le dioxyde d’azote et les particules fines ont tendance à culminer le matin avec le trafic, puis à diminuer à mesure que l’ozone, formé par la lumière du soleil, augmente en milieu de journée. L’ozone lui-même était étonnamment homogène dans l’espace mais variait fortement au cours de la journée. Ces résultats soulignent que les relevés « moyens » en ville peuvent manquer des poches d’exposition intenses et de courte durée, à seulement quelques rues de distance.

Apprendre à une IA à combler les lacunes

Parce qu’il est impossible de mesurer partout à la fois, l’équipe s’est tournée vers un type moderne d’IA appelé transformeur — proche dans l’esprit des modèles qui alimentent les outils avancés de langage. Ils ont entraîné un autoencodeur masqué basé sur un transformeur pour prendre un ensemble très limité de mesures (seulement un quart de tous les points et variables de la carte) et reconstruire les trois quarts manquants. Pour compenser la taille relativement modeste du jeu de données réel, ils ont d’abord pré-entraîné le modèle sur des champs synthétiques générés par ordinateur qui imitaient des motifs complexes mais réalistes. Après un réglage fin sur les données du campus, l’IA a pu reproduire des cartes détaillées de pollution et de météo avec une grande précision, capturant environ 89 % de la variabilité réelle et classant correctement les niveaux allant de faibles à extrêmes en dix catégories avec une forte fiabilité.

Ce à quoi le modèle « prête attention »

Contrairement à de nombreux systèmes d’IA boîtes noires, les transformeurs offrent une fenêtre sur leur processus décisionnel via leurs schémas « d’attention » — des mesures numériques de quelles entrées influencent chaque prédiction. En suivant cette attention, les chercheurs ont pu voir, par exemple, que le modèle s’appuyait souvent sur les données de particules proches pour estimer le dioxyde d’azote, et que les informations sur le vent et la couverture du sol — où se situent routes, bâtiments et végétation — jouaient un rôle disproportionné malgré des corrélations simples faibles. La végétation et les bâtiments étaient particulièrement importants pour prédire le dioxyde d’azote et le PM2,5, soulignant comment les arbres et les murs modèlent l’écoulement de l’air et l’accumulation de polluants à très petite échelle. Les données de vent, même bruitées lors du déplacement du chariot, contenaient néanmoins des indices précieux sur la dispersion et la dilution des panaches de pollution.

Concevoir une surveillance plus intelligente avec moins de mesures

Puisque le transformeur peut fonctionner avec des ensembles flexibles de points d’entrée, l’équipe a testé l’utilisation uniquement des emplacements les plus « informatifs » identifiés par les cartes d’attention. Ils ont découvert que, au lieu d’échantillonner aléatoirement 25 % du campus, ils pouvaient choisir une poignée d’emplacements clés — parfois aussi peu que 15 points sur l’ensemble du site — et néanmoins reconstruire les principaux motifs de pollution et météorologiques mieux qu’une méthode statistique standard. Cela suggère une nouvelle manière de planifier les itinéraires de surveillance et le placement des capteurs : laisser une IA entraînée sur des relevés passés mettre en évidence les endroits où chaque nouvelle mesure apporte le plus d’information, réduisant les coûts tout en préservant la valeur scientifique.

Ce que cela signifie pour les personnes qui respirent l’air

Pour les non-spécialistes, le message central est simple : la qualité de l’air que vous respirez en marchant dans votre rue peut être très différente de celle reportée par une station lointaine, et ces différences dépendent du trafic à proximité, des bâtiments, des arbres et même du calendrier des chantiers. Cette étude montre qu’une petite flotte de capteurs mobiles, guidée et interprétée par une IA explicable, peut cartographier ces variations à l’échelle du quartier avec un niveau de détail remarquable. À long terme, de telles approches pourraient aider les urbanistes à décider où planter des arbres ou détourner le trafic, orienter des études de santé qui reflètent mieux l’exposition réelle, et permettre des réseaux de surveillance plus légers et plus intelligents qui suivent de plus près l’air que nous respirons de porte à porte.

Citation: Nissenbaum, D., Bagon, S., Sarafian, R. et al. Learning neighborhood-scale cross-dependencies among air pollutants, meteorology and land cover using mobile sensing and transformers. npj Clean Air 2, 13 (2026). https://doi.org/10.1038/s44407-026-00054-9

Mots-clés: pollution atmosphérique urbaine, détection mobile, modèles de transformeur, cartographie à l’échelle du quartier, surveillance de la qualité de l’air