https://www.peren-revues.fr/pollutionatmospherique/1447 Entrées d’index fr 0 https://www.peren-revues.fr/pollutionatmospherique/1442 Le modèle MOCAGE développé par Météo-France est capable de simuler les interactions entre les phénomènes dynamiques, physiques et chimiques depuis l'échelle de la planète jusqu'à l'échelle régionale. Il permet d'effectuer des prévisions de qualité de lʼair et fait partie du dispositif dʼalerte des pouvoirs publics. Les prévisions de ce modèle déterministe sont entachées de biais, que lʼon cherche à corriger par « adaptation statistique ». Dans cette étude, on sʼintéresse aux prévisions de concentrations dʼozone sur cinq sites pour lesquels les prévisions déterministes sont particulièrement mises en défaut. On compare les résultats de méthodes linéaires basées sur la régression linéaire (avec ou sans interactions) avec des méthodes non linéaires : réseaux de neurones, arbres de segmentation, modèles d’agrégation (bagging, forêt aléatoire) et séparateur à vaste marge. Les meilleures méthodes sont une méthode linéaire, lʼanalyse de covariance lorsque lʼon introduit les interactions entre prédicteurs et la méthode de la forêt aléatoire. On passe alors dʼun écart-type dʼerreur de prévision dʼenviron 36 μg/m3 pour MOCAGE à un écart-type dʼerreur de prévision de lʼordre de 26 μg/m3 sur fichiers tests après adaptation statistique. The MOCAGE model, developed by Météo-France is able to simulate interactions between dynamic, physical and chemical processes of the atmosphere, from global to regional scales. This model allows air quality forecasts, and is part of the pollution warning system. The forecasts of this physical model being biased, statistical models are calibrated between forecasts and observations, in order to realize a statistical forecast based on MOCAGE outputs. In this study, we focussed on ozone forecasts over five peculiar sites for which the deterministic approach alone exhibits large errors. Standard linear regression techniques are compared with non-linear methods, such as neural networks, CART regression trees and aggregated models (bagging and random forest), Support Vector Machines. Standard covariance analysis performs well when interactions between predictors are added to the model, as well as random forests. MOCAGE mean prediction error estimated by cross-validation is then reduced from 36 μg/m3 to 26 μg/m3. mer., 15 mai 2013 14:01:54 +0200 mer., 14 oct. 2015 17:21:11 +0200 https://www.peren-revues.fr/pollutionatmospherique/1442 https://www.peren-revues.fr/pollutionatmospherique/3695 Face à la sensibilisation croissante de la population vis-à-vis de la pollution urbaine, les organismes de surveillance de la qualité de l'air d'un grand nombre de pays ne se contente plus de mesurer les concentrations de polluant dans l'air ambiant : ils prévoient également l'occurrence de pointes de pollution aiguës, généralement 24 heures à l'avance. Pour cela, ces organismes utilisent des modèles de prévision, dont la plupart sont fondés sur des considérations statistiques. Après avoir exposé brièvement le contexte de la pollution atmosphérique dans le monde, l'article recense ces outils de prévision. On en dégage ensuite les tendances actuelles et on met en évidence les caractéristiques communes à tous les modèles : forte dépendance vis-à-vis des prédicteurs météorologiques, difficulté à prévoir des événements rares, plus ou moins grande capacité d'évolution dans le temps. On présente ensuite les performances atteintes par les outils de prévision. Une fois qu'un modèle de prévision a fourni un résultat, celui-ci est communiqué à la population : on s'intéresse par conséquent aux modes de diffusion des résultats des modèles de prévisions. Enfin, l'article conclut sur le rôle que peuvent avoir les prévisions au sein des politiques globales de lutte contre la pollution atmosphérique. The growing concern of the population with regards to the problem of atmospheric pollution has induced a change in the role of air quality monitoring networks, especially those monitoring air pollution in large cities which suffer from summer smog. The population is no longer satisfied with real-time measurements but wants to be warned of high pollutants concentrations in advance (typically 24 hours in advance). A brief review of the world air pollution situation shows the diversity of contexts regarding air quality (rules, distribution of the different roles, pollution levels). Some countries have been forecasting air pollution, and especially ozone, for a large number of years. Although most of them use statistical models based on the analyses of past conditions which induced high pollution episodes, some predict ozone levels using only their knowledge of the meteorological situation. Nowadays two trends appear regarding ozone forecasting : either very basic statistical methods, such as regression, or more sophisticated ones, such as neural networks. The paper then reviews several behaviours common to most forecasting models : the uncertainty due to the great dependance upon the input data (especially the predicted value of meteorological parameters), the difficulty in predicting rare events, and the different capabilities to be adapted when faced with changing air pollution conditions. Consequently the best skill-score one can expect from an ozone forecasting model (around 20 µg/m3 as mean absolute error) depends only slightly on the method used. Once the forecast is made by a bureau, the latter has to release it to various targets. To help the population understand, the bureau often drastically simplifies the forecast, regarding the prediction itself as its spatial scale. This helps to clarify the message and thus heighten public awareness. The paper concludes with the role of a forecasting system among other strategies to cut down the emissions and thus reduce air pollution. ven., 21 mars 2014 11:54:43 +0100 ven., 21 mars 2014 11:54:43 +0100 https://www.peren-revues.fr/pollutionatmospherique/3695