Des chercheurs de l'Université de Houston ont développé un système de prévision de l'ozone basé sur l'intelligence artificielle, ce qui permettrait aux zones locales de prévoir les niveaux d'ozone 24 heures à l'avance.

Cela améliorerait les alertes de santé pour les personnes à risque accru de développer des problèmes en raison des niveaux élevés d'ozone.

Yunsoo Choi, professeur agrégé au Département des sciences de la Terre et de l'atmosphère et auteur correspondant pour un article expliquant le travail, ont déclaré avoir construit un modèle artificiellement intelligent en utilisant un réseau de neurones convolutifs, qui est capable de prendre des informations sur les conditions actuelles et de prédire avec précision les niveaux d'ozone pour le lendemain. Le travail a été publié dans la revue Les réseaux de neurones .

« Si nous connaissons les conditions d'aujourd'hui, nous pouvons prédire les conditions de demain, " dit Choi.

L'ozone est un gaz instable, formé par une réaction chimique lorsque la lumière du soleil se combine avec des oxydes d'azote (NOx) et des composés organiques volatils, les deux se retrouvent dans les émissions automobiles et industrielles. Il peut causer des problèmes respiratoires chez les personnes, et ceux particulièrement sensibles à l'ozone, y compris les personnes asthmatiques, les personnes âgées et les jeunes enfants sont invités à réduire leur exposition lorsque les niveaux d'ozone sont élevés.

Alqamah Sayid, premier auteur sur le papier et un doctorat. étudiant au laboratoire de modélisation et de prévision de la qualité de l'air de Choi, a déclaré que la plupart des modèles actuels de prévision de l'ozone n'intègrent pas l'intelligence artificielle et peuvent prendre plusieurs heures pour prédire les futurs niveaux d'ozone, plutôt que quelques secondes pour le nouveau modèle. Ils sont également moins précis; les chercheurs ont rapporté que leur modèle prédisait correctement les niveaux d'ozone 24 heures à l'avance entre 85 % et 90 % du temps.

Une différence clé, Choi a dit, est l'utilisation de réseaux de neurones convolutifs, des réseaux capables de « balayer » des données et de les utiliser pour formuler des hypothèses basées sur ce qu'il a appris. Les réseaux convolutifs sont généralement utilisés pour améliorer la résolution de l'imagerie, il a dit. Choi et Sayeed ont déclaré qu'utiliser les réseaux pour extraire des informations, puis utiliser l'intelligence artificielle pour faire des prédictions à partir de ces données est une nouvelle application, illustrant la force de la capacité des réseaux à recueillir des informations et à faire des déductions basées sur ces informations.

Les chercheurs ont utilisé des données météorologiques et de pollution de l'air recueillies dans 21 stations à Houston et ailleurs au Texas par la Texas Commission on Environmental Quality, représentant les conditions entre 2014 et 2017. Sayeed a déclaré avoir programmé les réseaux de neurones convolutifs à l'aide de données météorologiques - température, pression barométrique, la vitesse du vent et d'autres variables - pour chaque jour, et ajouté des mesures d'ozone de chaque station pour 2014, 2015 et 2016.

Pour tester leur conviction que le modèle serait capable de prédire les niveaux d'ozone compte tenu des conditions météorologiques de la veille, ils ont ajouté des données météorologiques pour 2017 et vérifié l'exactitude des prévisions produites par le réseau.

Les prévisions du modèle ont atteint 90 % de précision, et Choi a dit que cela deviendrait plus précis avec le temps, que le réseau continue d'apprendre.

Bien que les tests aient été effectués à l'aide de données du Texas, les chercheurs ont déclaré que le modèle pourrait être utilisé n'importe où dans le monde. "Les États-Unis sont géographiquement différents de l'Asie de l'Est, " Choi a dit, "mais la physique et la chimie de la création d'ozone sont les mêmes."

Sayeed a déclaré que les chercheurs travaillaient actuellement à étendre le modèle pour inclure des prédictions d'autres types de polluants, y compris les particules, ainsi que de prolonger le délai au-delà de 24 heures.