Au-delà de la modélisation spatio-temporelle : revue des applications de l’apprentissage automatique à la pollution atmosphérique liée au trafic en regard des émissions non liées à l’échappement

Pourquoi la poussière du trafic compte encore

Beaucoup de villes assainissent les émissions d’échappement, et pourtant le trafic reste une source majeure de pollution atmosphérique nocive. Cet article de revue explique comment des méthodes informatiques modernes, dites d’apprentissage automatique, sont utilisées pour mieux suivre et comprendre la pollution atmosphérique liée au trafic, en particulier les petites particules issues de l’usure des freins, des pneus et de la poussière routière plutôt que du pot d’échappement. Ces connaissances peuvent aider les urbanistes et les experts en santé publique à concevoir des politiques plus intelligentes pour protéger les personnes qui vivent, travaillent et se divertissent près des routes fréquentées.

Des fumées d’échappement à l’usure routière invisible

La pollution atmosphérique liée au trafic comprend des gaz et des particules. Pendant des années, l’attention s’est concentrée sur les émissions d’échappement issues de la combustion, comme les oxydes d’azote et les particules fines qui endommagent les poumons et le cœur. Les normes et des moteurs plus propres ont progressivement réduit ces émissions d’échappement. Mais les particules provenant de l’usure des freins, des pneus, du frottement de la chaussée et de la remise en suspension de la poussière constituent désormais une part croissante de ce que nous respirons près des voies. Ces sources non liées à l’échappement sont plus difficiles à mesurer et à contrôler, et elles contiennent des métaux et d’autres substances associées à l’asthme, aux maladies cardiovasculaires et possiblement à des affections comme l’autisme infantile et la maladie de Parkinson.

Apprendre aux ordinateurs à cartographier l’air pollué

Comme il est impossible de poser des capteurs d’air à chaque coin de rue, les chercheurs utilisent l’apprentissage automatique pour combler les lacunes. En alimentant des modèles avec des informations sur le trafic, l’usage des sols, la météo et les mesures issues de capteurs fixes et mobiles, ils peuvent créer des cartes détaillées de polluants tels que les particules fines, les métaux et les gaz liés au trafic à travers une ville. Les méthodes basées sur les arbres et l’apprentissage profond capturent souvent des motifs complexes dans ces données, tandis que des méthodes de graphe plus récentes considèrent les sites de mesure et les routes comme un réseau connecté. Ces techniques aident à révéler quand et où les personnes sont le plus exposées, mais elles peinent aussi face à des données lacunaires, des entrées inconsistantes et au défi de faire fonctionner des modèles entraînés dans une ville sur une autre.

Identifier ce qui compte le plus sur la route

Au-delà de la cartographie, l’apprentissage automatique peut mettre en évidence les facteurs qui influencent le plus les niveaux de pollution. En examinant comment les prédictions du modèle changent lorsque des entrées telles que le comportement du conducteur, le type de véhicule, l’intensité du freinage ou la météo évoluent, les chercheurs peuvent déduire quels phénomènes méritent une attention particulière. Les études suggèrent, par exemple, que les freinages brusques, les véhicules plus anciens et certains matériaux de plaquettes augmentent les émissions de particules fines. Toutefois, ces classements d’importance ne prouvent pas une relation causale et peuvent être déformés par des corrélations cachées entre variables. Les auteurs insistent sur le fait que ces résultats doivent être confrontés à la compréhension physique et testés dans différentes villes avant d’orienter des politiques.

Se concentrer sur les particules de freins et de pneus

Certaines des avancées les plus innovantes utilisent l’apprentissage automatique pour trier et classer des particules individuelles issues de la poussière routière et d’échantillons d’air. Des microscopes puissants et des capteurs chimiques produisent d’énormes jeux d’images et de composition pour des milliers de particules. Les algorithmes apprennent alors à distinguer l’usure des pneus, l’usure des freins, les minéraux de la chaussée et d’autres types de particules qui seraient fastidieux et sujets à erreur à classer manuellement. Des études en laboratoire sur les systèmes de freinage et de pneumatiques utilisent des modèles similaires pour relier des choix de conception, comme la teneur en métal des plaquettes ou les schémas de freinage, à la quantité de matière particulaire émise. Ces méthodes commencent à isoler la pollution non liée à l’échappement des autres sources, ouvrant la voie à des tests de toxicité plus ciblés et à des matériaux plus propres.

Retracer l’origine de la pollution

Savoir quelle part de la pollution provient de quelle source est crucial pour une réglementation intelligente. Les outils statistiques traditionnels estiment quelle part des particules mesurées peut être attribuée au trafic, à l’industrie ou à d’autres contributeurs. L’apprentissage automatique offre aujourd’hui de nouvelles façons de regrouper des échantillons ayant des empreintes chimiques similaires et de classer les sources probables en utilisant des propriétés telles que le comportement magnétique. Les travaux initiaux suggèrent que ces outils peuvent égaler ou compléter les méthodes plus anciennes tout en traitant des données plus complexes, bien qu’ils reposent toujours sur une interprétation experte prudente pour éviter des erreurs d’étiquetage des sources.

Ce que cela signifie pour l’air urbain et la santé

Globalement, la revue conclut que l’apprentissage automatique est devenu un partenaire puissant pour l’étude de la pollution atmosphérique liée au trafic, en particulier du problème croissant des émissions non liées à l’échappement. Il aide à construire des cartes d’exposition plus fines, à révéler des schémas liés à la conduite et à la conception des véhicules qui augmentent ou diminuent les émissions, et à démêler le mélange de particules qui tourbillonne le long de nos routes. Dans le même temps, des données limitées, des choix de modèles peu clairs et une faible transférabilité d’un site à l’autre restent des obstacles majeurs. Les auteurs soutiennent que les progrès dépendront de meilleurs capteurs, de jeux de données partagés et de méthodes qui intègrent l’expertise humaine avec des algorithmes transparents. Ensemble, ces mesures peuvent soutenir des politiques qui réduisent les particules nocives issues du trafic et contribuent à protéger la santé publique dans des villes de plus en plus motorisées.

Citation: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

Mots-clés: pollution atmosphérique liée au trafic, émissions non liées à l’échappement, apprentissage automatique, usure des freins et des pneus, qualité de l’air urbain