Méthodes de prévision de la qualité de l'air

Introduction

Il y a pollution de l'air lorsque l'air ambiant contient des gaz, des poussières, des fumées ou des odeurs en quantités suffisamment élevées pour être nocives. C'est-à-dire des quantités qui peuvent nuire à la santé des êtres humains et des animaux ou qui sont suffisantes pour endommager les plantes et les matériaux.

La pollution est souvent mesurée en tant que indice de qualité de l'air (IQA) et est utilisé par un certain nombre d'agences gouvernementales pour communiquer l'étendue de la pollution de l'air dans une zone. Plus l'IQA augmente, plus le pourcentage de la population susceptible de subir des effets néfastes sur la santé augmente.

La population est de plus en plus sensibilisée à la pollution de l'air et la demande de prévisions précises sur la qualité de l'air augmente également (Saadi et al. 2005).

Cependant, il est difficile de prévoir la pollution, tout comme la météo. Il faut tenir compte d'un très grand nombre de variables, dont certaines sont plutôt "imprévisibles", telles que l'intervention du gouvernement et les catastrophes naturelles, qui peuvent toutes deux avoir un impact considérable sur l'IQA (Dye, 2003).

Néanmoins, des prévisions précises de la qualité de l'air deviennent des outils de plus en plus importants qui peuvent apporter des avantages sociétaux et économiques significatifs, dont le plus important est la planification (Saadi et al. 2005). Les prévisions permettent aux gens de prendre des mesures de précaution pour éviter ou limiter l'exposition à des niveaux malsains de polluants atmosphériques (Dye, 2003). Les gouvernements peuvent également utiliser les prévisions précoces pour mettre en place très tôt des procédures susceptibles de réduire la gravité des niveaux de pollution locaux (Saadi et al. 2005).

Facteurs influençant les niveaux de pollution

La pollution présente de fortes corrélations avec les conditions météorologiques locales et les émissions à proximité, mais il est de plus en plus prouvé que le transport à longue distance de la pollution est un autre facteur d'influence important pour les relevés locaux de l'IQA (NARSTO, 2003). La prévision de la qualité de l'air n'implique donc pas seulement les difficultés de la prévision météorologique, elle nécessite également la connaissance des concentrations et des émissions de polluants provenant de lieux environnants et éloignés, en tenant compte des mouvements et des transformations possibles (Saadi et al. 2005).

Lorsque l'on examine l'ensemble des facteurs qui peuvent influencer la prévision de l'IQA, on comprend que la prévision peut être à la fois subjective et objective. Pour garantir des prévisions aussi précises que possible, nous devons développer la base de données - plus la base de données est importante, plus le potentiel de précision des prévisions est élevé. Pour améliorer la précision des prévisions, les programmes de prévision utilisent également des données continues en temps réel, qui sont ensuite utilisées pour développer des méthodes de prévision, surveiller les conditions actuelles, évaluer les performances des prévisions et les modifier en conséquence (Ballagas et al. 2003).

Techniques de prévision de la qualité de l'air

Prévision météorologique

Les prévisions météorologiques sont la pierre angulaire de toutes les techniques décrites ci-dessous. La première étape d'une prévision précise de la qualité de l'air consiste à obtenir ou à créer d'excellentes prévisions météorologiques. Les prévisions météorologiques font appel à la fois à la science et à la technologie pour établir des prévisions. En règle générale, plus la combinaison des méthodes utilisées dans une prévision est importante, plus la prévision sera précise

La prévision est une technique subjective et objective qui comprend une grande variété de techniques, des plus simples aux plus complexes. Les prévisions s'étendent généralement sur une période d'un à trois jours - plus la prévision est lointaine, moins elle est précise. Par souci de simplicité, les méthodes sont classées en trois catégories principales : (U.S. EPA, 1999) :

1. Climatologie :

   La climatologie repose sur l'hypothèse que le passé est un indicateur relativement bon pour l'avenir. Cette méthode est basée sur la relation entre des conditions météorologiques spécifiques et les niveaux de pollution, et peut donc être très unidimensionnelle. Cette méthode est souvent élargie pour inclure les schémas météorologiques - en faisant correspondre les schémas météorologiques aux schémas de pollution.

   La climatologie en tant que méthode de prévision est souvent considérée comme un outil complémentaire à d'autres méthodes de prévision. Cela s'explique en grande partie par les limites de la méthode, notamment les difficultés à prévoir les changements brusques dans les schémas d'émission et la nécessité de disposer d'une grande quantité de données pour pouvoir établir des tendances réalistes.

2. Méthodes statistiques :

   L'association entre la qualité de l'air et des paramètres météorologiques spécifiques peut être quantifiée à l'aide de diverses techniques statistiques. Les trois méthodes les plus couramment utilisées sont les suivantes :

   1. Arbre de classification et de régression (CART) - Cette méthode statistique a été conçue pour classer les données en groupes dissemblables. À l'aide d'un logiciel spécialisé, elle identifie les variables (météorologiques ou de qualité de l'air) qui sont fortement corrélées avec les niveaux de pollution ambiante. Ces données sont ensuite utilisées pour créer un arbre de décision qui prévoit les concentrations sur la base de variables prédictives (conditions météorologiques) et de leur niveau de corrélation avec les concentrations de polluants.
   2. Analyse de régression - L'analyse de régression permet d'estimer les relations entre les variables. En analysant des ensembles de données historiques, nous sommes en mesure de déterminer les associations entre les niveaux de pollution et les variables météorologiques. Il en résulte une équation de régression linéaire multivariée qui peut être utilisée pour prévoir les niveaux de pollution futurs.
   3. Réseaux neuronaux artificiels - Les données historiques peuvent être analysées de manière plus complexe. Les réseaux neuronaux artificiels calculent l'association entre les données historiques et les facteurs atmosphériques en appliquant des techniques d'apprentissage adaptatif et de reconnaissance des formes. Cette méthode utilise des algorithmes informatiques conçus pour simuler le cerveau humain en termes de reconnaissance des formes. L'utilisation de données non linéaires complexes permet d'identifier des tendances "imprévisibles" dans les données. Il s'agit sans doute de la méthode la plus adaptée à la prévision de la pollution en raison de son approche multidimensionnelle.
      
      L'un des inconvénients des méthodes statistiques susmentionnées est qu'elles supposent la stabilité des processus qui affectent la qualité de l'air. Par conséquent, toute modification radicale des émissions ou du climat (à court ou à long terme) réduira considérablement la précision de ces techniques. Il existe toutefois des méthodes plus complexes qui tentent de tenir compte de ces lacunes : les modèles tridimensionnels.
      
      
3. Modèles tridimensionnels (3D)

   Il s'agit d'une approche déterministe de la prévision de la qualité de l'air ; elle crée des modèles tridimensionnels qui cherchent à représenter mathématiquement tous les processus importants qui ont un impact sur les niveaux de pollution ambiante. Le modèle simule l'émission, le transport et la transformation de la pollution atmosphérique en utilisant plusieurs sous-modèles au sein du noyau du modèle. Voici quelques exemples de sous-modèles :

   1. Modèles d'émission - Ces modèles simulent la distribution spatiale des émissions et les émissions de polluants en fonction du temps, provenant de sources naturelles et anthropiques.
   2. Modèles météorologiques - Ces modèles prévoient toutes les conditions météorologiques qui déterminent le transport, le dépôt, le mélange, la chimie et l'émission de polluants. Le modèle prédit ensuite les niveaux ambiants de pollution en créant un modèle de trajectoire - en utilisant le modèle météorologique tridimensionnel et les données d'émissions collectées précédemment.
   3. Modèles chimiques - Les modèles chimiques étudient la transformation de la pollution primaire (émise) en pollution secondaire, y compris leur composition et leur morphologie. En utilisant les lois chimiques fondamentales, les propriétés spectroscopiques (rayons UV) et les relations thermodynamiques, le modèle détermine la composition et la morphologie finales d'un polluant.

Les classifications des modèles tridimensionnels sont basées sur les méthodes utilisées pour simuler la distribution des concentrations de pollution. Ils sont classés comme lagrangiens ou eulériens :

1. Modèles lagrangiens utilisent des données météorologiques de terrain pour montrer le transport et la dispersion des polluants sous forme de poches d'air individuelles au fil du temps. Il en résulte un réseau efficace sur le plan informatique. L'un des problèmes de cette méthode, cependant, est que la pollution de l'air implique souvent une chimie non linéaire, ce qui rend difficile la caractérisation de l'interaction d'un grand nombre de sources individuelles.
2. Modèles eulériens utilisent des grilles fixes, à la fois verticalement et horizontalement. Toutes les équations chimiques sont résolues simultanément dans les grilles, y compris l'échange de polluants entre les cellules. Différentes grilles sont utilisées en fonction des conditions et des exigences. Les grilles de cours sont généralement utilisées dans les zones rurales (régions homogènes) et les grilles plus fines sont utilisées dans les zones urbaines (hétérogènes). Ces modèles sont capables de produire des champs de concentration tridimensionnels pour plusieurs polluants, mais nécessitent une puissance de calcul et une expertise importantes.

Précision

Pour que les prévisions soient aussi précises que possible, nous devons veiller à ce que le système de prévision de la qualité de l'air contienne un ensemble de composants compatibles. Il s'agit notamment de valeurs/techniques de prévision et de réseaux d'observation capables de fournir des mesures en temps réel de l'état de l'atmosphère. Ces mesures sont utilisées pour créer les modèles et évaluer la qualité des prévisions.

Conclusion

Les prévisions de la qualité de l'air sont des prédictions et, par nature, inexactes, tout comme les prévisions météorologiques. Bien qu'elles soient souvent exactes, des variations se produisent parfois en raison de la nature imprévisible de la pollution atmosphérique. Deux événements particulièrement imprévisibles sont les catastrophes naturelles et les changements brusques dans les émissions (les usines réduisent leurs émissions à la suite de certains événements, tels que l'assainissement de l'air sanctionné par le gouvernement).

Les techniques de prévision s'améliorent rapidement et continueront à devenir plus précises à l'avenir. Les gouvernements et le public comprennent la nécessité de disposer de prévisions sur la qualité de l'air, non seulement pour surveiller leur propre santé et leur propre sécurité, mais aussi pour permettre aux gouvernements d'appliquer des techniques de gestion adaptative afin d'essayer de réduire la pollution de l'air. Il est essentiel de sensibiliser le public à la pollution atmosphérique et les prévisions de l'IQA sont un moyen de sensibiliser en fournissant des informations.