FuXi-Air : prévision de la qualité de l’air basée sur un apprentissage automatique multimodal intégrant émissions, météorologie et polluants

Pourquoi un air plus propre exige des prévisions plus rapides

La pollution atmosphérique est l’une des menaces sanitaires les plus persistantes des villes modernes, pourtant les outils que nous utilisons pour prévoir les journées de mauvaise qualité de l’air sont souvent lents, coûteux et parfois imprécis là où les gens vivent et travaillent. Cette étude présente FuXi‑Air, un système basé sur l’intelligence artificielle capable de prévoir les principaux polluants urbains pour les trois prochains jours en seulement quelques secondes, afin de fournir aux autorités municipales et au public des alertes plus précoces et plus fiables pour mieux protéger la santé.

Voir l’air de la ville comme un système en mouvement

Les prévisions traditionnelles de qualité de l’air reposent sur de grands modèles informatiques qui simulent la formation, le transport et l’élimination des gaz et des particules dans l’atmosphère. Ces modèles reproduisent des détails physiques et chimiques, mais ils exigent des ordinateurs puissants et de nombreuses heures de calcul, et leur précision dépend de la qualité de la représentation des conditions météorologiques locales et des sources de pollution. Parallèlement, de nombreuses approches d’apprentissage automatique se sont concentrées uniquement sur des mesures de pollution à des sites isolés ou sur des polluants uniques, ce qui les rend difficiles à appliquer à des prévisions à l’échelle d’une ville. FuXi‑Air vise à combler cette lacune en considérant l’air urbain comme un système connecté, en combinant informations météorologiques, émissions et niveaux de pollution existants dans un cadre unifié.

Comment fonctionne le nouveau modèle IA

FuXi‑Air réunit trois principaux flux de données : des prévisions météorologiques à haute résolution issues d’un modèle météo IA séparé, des inventaires d’émissions détaillés décrivant les rejets de pollution du trafic, de l’industrie et d’autres sources, et des relevés continus des stations de surveillance au sol. À l’intérieur de FuXi‑Air, des modules d’apprentissage profond spécialisés apprennent comment la pollution à différents sites est interdépendante et comment elle évolue dans le temps. Un autre module se concentre sur la façon dont les régimes météorologiques et les émissions façonnent ces évolutions, apprenant ainsi à reconnaître les conditions qui conduisent à l’accumulation ou à la dispersion de la pollution. En prédisant d’abord la pollution par pas de six heures puis en affinant ces prévisions en valeurs horaires, FuXi‑Air peut fournir des prévisions sur 72 heures pour six polluants clés sur des dizaines de sites dans chaque ville en environ une demi‑minute.

Évaluation du système dans trois mégapoles

Les chercheurs ont testé FuXi‑Air à Pékin, Shanghai et Shenzhen — trois mégapoles chinoises aux climats et aux profils de pollution très différents. Ils ont comparé ses prévisions pour l’ozone, le dioxyde d’azote, le dioxyde de soufre, le monoxyde de carbone et deux tailles de particules en suspension aux mesures de 2023. De manière générale, le modèle a bien reproduit le moment et l’amplitude des pics de pollution, en particulier pour l’ozone et les particules fines (PM2,5). Il s’est aussi montré robuste lorsque les niveaux de pollution étaient relativement bas et stables, comme à Shenzhen. Des difficultés subsistent toutefois pour les particules grossières (PM10), notamment à Pékin, où les tempêtes de poussière et le transport sur de longues distances jouent un rôle plus important et sont plus difficiles à capturer avec les données disponibles.

Surpasser les modèles conventionnels et sonder ce qui compte le plus

Pour déterminer si FuXi‑Air est prêt pour un usage pratique, l’équipe l’a comparé à un système de prévision conventionnel largement utilisé, couplant un modèle météo à un modèle de qualité de l’air détaillé. Sur neuf mois de prévisions pour Shanghai, FuXi‑Air a systématiquement réduit les erreurs de prédiction pour les six polluants, diminuant certaines erreurs de plus de moitié tout en fonctionnant en secondes au lieu d’heures. Les chercheurs ont également mené des expériences d’« ablation » systématiques, en activant ou désactivant différentes sources de données. Lorsqu’ils ont supprimé les informations météorologiques, le modèle a perdu sa capacité à suivre les cycles jour‑nuit et les pics de pollution, surtout pour l’ozone et les particules fines. L’omission des données d’émissions a affaibli ses performances dans les villes où les sources locales dominent. Ces tests ont montré que la combinaison météorologie‑émissions‑surveillance est cruciale, la météorologie apportant souvent le gain unique le plus important à la qualité des prévisions.

Des villes différentes, des facteurs de pollution différents

En comparant les résultats entre les villes, l’étude éclaire également la façon dont les conditions locales façonnent la pollution. À Pékin, le chauffage hivernal et les épisodes de poussière régionale font que les grands régimes de vent et la stabilité de l’air contrôlent fortement les niveaux de particules, d’où l’importance des données météorologiques. À Shenzhen, au climat côtier chaud et humide avec une forte ventilation, les émissions industrielles et routières locales jouent un rôle plus marqué dans la détermination des niveaux de particules fines. Shanghai se situe entre ces extrêmes, influencée à la fois par les brises terre‑mer et par des sources locales. Pour des gaz comme le monoxyde de carbone et le dioxyde de soufre, les émissions restaient les principaux facteurs, mais le relief local et la météo pouvaient parfois amplifier leur accumulation.

Ce que cela signifie pour la protection de la santé publique

FuXi‑Air montre que des systèmes d’IA soigneusement conçus peuvent fournir rapidement des prévisions de qualité de l’air à l’échelle d’une ville, rivalisant avec les méthodes traditionnelles ou les surpassant tout en utilisant beaucoup moins de ressources de calcul. Bien que le modèle ait encore des difficultés avec certains épisodes de particules grossières et repose sur des inventaires d’émissions susceptibles d’être améliorés, il offre déjà un outil pratique pour des alertes précoces et une gestion intelligente des villes. Avec des informations meilleures et plus opportunes sur quand et où l’air deviendra nocif, les autorités peuvent cibler les contrôles d’émissions de manière plus efficace et les habitants adapter leurs activités pour réduire l’exposition — transformant des données complexes sur l’atmosphère en orientations exploitables pour une vie urbaine plus propre et plus saine.

Citation: Geng, Z., Fan, X., Lu, X. et al. FuXi-Air: air quality forecasting based on emission-meteorology-pollutant multimodal machine learning. npj Clean Air 2, 21 (2026). https://doi.org/10.1038/s44407-026-00061-w

Mots-clés: prévision de la qualité de l’air, pollution de l’air en milieu urbain, apprentissage profond, météorologie et émissions, protection de la santé publique