A perfect dust storm (attribution)

Nous avons écrit à plusieurs reprises sur l'influence du vent sur la pollution de l'air et sur la façon dont les vents forts (ou, pour être plus précis, une forte ventilation ) peuvent contribuer à purifier l'air en très peu de temps. Mais nous n’avons jamais eu l’occasion de créer une visualisation dynamique de ce phénomène, c’est donc le sujet de cet article.

En matière de prévision de la qualité de l'air, la clé d'une meilleure précision est d'affiner le modèle de prévision et de créer une modélisation spécifique pour chaque pays et, mieux encore, pour chaque ville. Par exemple, à Pékin, c’est la proximité des montagnes au Nord et du Hebei au sud qui définit le modèle :

• Le vent du sud a tendance à augmenter la pollution à Pékin : si le vent n'est pas assez fort (c'est-à-dire s'il ne ventile pas assez), alors les particules seront bloquées par les montagnes et ne pourront pas se déplacer plus au nord, créant ainsi une particule dense. concentration à Pékin.
• Le vent du nord a tendance à éliminer la pollution : lorsque le vent souffle suffisamment du nord, l'air est presque immédiatement purifié puisqu'il n'y a pas de « source de pollution » au nord (ou, du moins, beaucoup moins qu'au sud).

C'est ce que l'on peut voir dans l'animation ci-dessous, dans laquelle les sources de pollution sont arbitrairement localisées là où se trouvent les stations de surveillance dans le Hebei. Chaque source de pollution émet une particule toutes les heures. Plus le nombre de particules dans une zone est élevé, plus la pollution est élevée (le bleu correspond à une faible concentration, le rouge ~ marron aux fortes concentrations). Le modèle éolien est basé sur le Global Forecast System (alias GFS).

Il s’agit bien sûr d’un modèle très léger comparé aux modèles complexes qui nécessitent une puissance de traitement super informatique pour pouvoir calculer l’ensemble des prévisions de la qualité de l’air dans le monde. Mais il présente l’avantage d’expliquer visuellement le concept de base de la prévision de la qualité de l’air.

Pour être plus précis, le modèle devrait inclure le profil vertical du vent, ainsi que la prévision pour plusieurs hauteurs (couches) - actuellement, le modèle utilise uniquement la prévision à 10 mètres, 100 mètres et 5 km. De plus, les sources de pollution devraient être plus complètes et inclure l’ensemble des sources mondiales – actuellement, seules les sources du Hebei sont incluses.

Enfin, de nombreux rapports de recherche ont étudié les systèmes de prévision de la qualité de l’air basés sur l’apprentissage automatique ou l’intelligence artificielle . Le concept sous-jacent est d'« apprendre » en comparant les données observées avec les données prévues et d'identifier les modèles répétitifs (comme le montre le diagramme de droite).

Sur le papier, les systèmes de prévision basés sur le Machine Learning semblent bons, mais en réalité, sont-ils meilleurs que les modèles déterministes traditionnels (que nous préférons dans le cadre du projet World Air Quality Index ) ? En nous référant à l'excellente conférence TED de Talithia Williams sur « Possédez les données de votre corps », notre réponse à cette question est « montrez-nous les données ! », et c'est quelque chose que nous aborderons dans notre prochain article sur les prévisions !