L’IA améliore les détails et l’estimation de la pollution atmosphérique urbaine

En utilisant l’intelligence artificielle, les ingénieurs de Cornell ont simplifié et renforcé des modèles qui calculent avec précision les particules fines (PM2,5) – la suie, la poussière et les gaz d’échappement émis par les camions et les voitures qui pénètrent dans les poumons humains – contenues dans la pollution atmosphérique urbaine.

Désormais, les urbanistes et les responsables gouvernementaux de la santé peuvent obtenir un compte rendu plus précis du bien-être des citadins et de l’air qu’ils respirent, à partir d’une nouvelle recherche publiée en décembre 2022 dans Recherche sur les transports Partie D.

« L’infrastructure détermine notre cadre de vie, notre exposition », a déclaré l’auteur principal Oliver Gao, professeur Howard Simpson de génie civil et environnemental au College of Engineering. « L’impact de la pollution atmosphérique due au transport – émis sous forme d’échappement des voitures et des camions qui roulent dans nos rues – est très compliqué. Nos politiques en matière d’infrastructure, de transport et d’énergie vont avoir un impact sur la pollution atmosphérique et donc sur la santé publique. »

Les méthodes précédentes pour mesurer la pollution de l’air étaient lourdes et dépendantes de quantités extraordinaires de points de données. « Les anciens modèles de calcul des particules étaient complexes et gourmands en calcul et en mécanique », a déclaré Gao, membre du corps professoral du Cornell Atkinson Center for Sustainability. « Mais si vous développez un modèle de données facilement accessible, avec l’aide de l’intelligence artificielle remplissant certains des blancs, vous pouvez avoir un modèle précis à l’échelle locale. »

Auteur principal Salil Desai ’20, M.Ing. ’21 et le scientifique invité Mohammad Tayarani, en collaboration avec Gao, ont publié « Developing Machine Learning Models for Hyperlocal Traffic Related Particulate Matter Concentration Mapping », pour offrir une méthode plus simple et moins gourmande en données pour créer des modèles précis.

La pollution de l’air ambiant est l’une des principales causes de décès prématurés dans le monde. À l’échelle mondiale, plus de 4,2 millions de décès annuels – sous forme de maladies cardiovasculaires, de cardiopathies ischémiques, d’accidents vasculaires cérébraux et de cancers du poumon – ont été attribués à la pollution de l’air en 2015, selon un Lancette étude citée dans la recherche Cornell.

Dans ce travail, le groupe a développé quatre modèles d’apprentissage automatique pour les concentrations de particules liées au trafic dans les données recueillies dans les cinq arrondissements de New York, qui ont une population combinée de 8,2 millions de personnes et un kilométrage quotidien de 55 millions de miles.

Les équations utilisent peu d’entrées telles que les données de trafic, la topologie et la météorologie dans un algorithme d’IA pour apprendre des simulations pour un large éventail de scénarios de concentration de pollution atmosphérique liés au trafic.

Leur modèle le plus performant était la mémoire convolutive à long court terme, ou ConvLSTM, qui entraînait l’algorithme à prédire de nombreuses observations spatialement corrélées.

« Notre approche basée sur les données, principalement basée sur les données d’émission des véhicules, nécessite beaucoup moins d’étapes de modélisation », a déclaré Desai. Au lieu de se concentrer sur des emplacements fixes, la méthode fournit une estimation à haute résolution de la surface de pollution des rues de la ville. Une résolution plus élevée peut aider les études sur les transports et l’épidémiologie à évaluer les impacts sur la santé, la justice environnementale et la qualité de l’air.