Modélisation du biais des modèles numériques de cartographie de la qualité de l’air

La qualité de l’air en milieu urbain constitue aujourd’hui un enjeu de santé publique majeur. Pour cartographier les concentrations de polluants à une échelle fine, les organismes de surveillance disposent de plusieurs outils. D’une part, les modèles physico-chimiques déterministes, qui intègrent la géométrie du réseau de rues et produisent des estimations de concentration sur un maillage très fin, et d’autre part, les appareils de mesures. Ce sont d'abord des analyseurs de référence, qui fournissent des informations fiables, mais sont coûteuses et peu nombreuses ; et des micro-capteurs, qui permettent de densifier les réseaux de mesure, mais sont moins fiables que les analyseurs de référence et nécessitent d’être calibrés.

Cependant, les modèles numériques présentent parfois des biais qu’il est essentiel de caractériser et de corriger. Dans cet exposé, nous étudierons deux approches pour modéliser ce biais : une approche linéaire par morceaux, appliquée à un jeu de données de Grenoble, et une approche continue, appliquée à un jeu de données de Rouen. Les méthodes d’estimation, moindres carrés et inférence bayésienne, s’appuieront à la fois sur les mesures des analyseurs de référence et sur celles des micro-capteurs.

À travers ces deux exemples, nous montrerons comment la prise en compte du biais peut améliorer la cartographie de la qualité de l’air, et en quoi l’intégration des micro-capteurs contribue à en affiner l’estimation.