https://www.peren-revues.fr/pollutionatmospherique/878 Entrées d’index fr 0 https://www.peren-revues.fr/pollutionatmospherique/873 Cet article propose un état de l'art sur la modélisation inverse basée sur l'utilisation des méthodes statistiques pour la prévision des concentrations des particules dans l'air. Ces outils mathématiques sont applicables aux séries temporelles de mesures fournies par les capteurs des réseaux de surveillance de la qualité de l'air pour faire des prévisions et envisager des éventuelles mesures d'urgence ; dans le domaine de l'air intérieur, leur utilisation sera d'autant plus précieuse que peu de modèles déterministes sont applicables à l'heure actuelle. Cet état d'art inclut d'abord les modèles linéaires, en mettant l'accent sur les modèles autorégressifs ; parmi les modèles non linéaires, les réseaux de neurones ont été beaucoup utilisés, et on trouve un nombre non négligeable d'applications différentes dans la littérature. On citera également l'utilisation plus originale des systèmes dynamiques basés sur la théorie du chaos ou du filtre de Kalman. Des résultats plus performants ont été obtenus par des modèles hybrides (en combinant plusieurs modèles) ou en appliquant un prétraitement aux données d'entrée. This paper is a review of the main mathematical methods applied for an inverse modelling of particulate matter concentrations. These mathematical tools can be applied to time series data provided by the air pollution monitoring networks in order to forecast the air pollutant concentration and help to take urgent decisions; indoor air quality forecast based on statistical modelling is a very important topic because there are very few applications in this field.The following models are reviewed: linear ones, and in particular autoregressive models, but also non linear models, especially the artificial neural networks, extensively applied in the literature. Some models originally applied for particulate matter concentrations forecast are the dynamic systems based on the chaos theory and the Kalman filter. Many authors concluded that best performance is obtained by hybrid modelling (combining several models) or applying a specific pre-processing to input data. mar., 09 avril 2013 13:33:21 +0200 lun., 22 mai 2017 15:10:17 +0200 https://www.peren-revues.fr/pollutionatmospherique/873