https://www.peren-revues.fr/pollutionatmospherique/1450 Publications de Auteurs Olivier Mestre 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