Congress Articles

Articles from CFA congresses before 2014 can be found by clicking here (when available).

Spatio-temporal modeling of ultrafine particle concentrations using machine learning: application to the Bordeaux metropolitan area

Agnès Hulin * (1), Olivier Le Bihan(2), Cécilia Samieri (3), Fleur Delva (4,5), Anne-Claire Devanne (1), Sabyne Audignon-Durand (4,5)

1. Atmo Nouvelle-Aquitaine, Mérignac, France
2. LB Environnement, Rennes, France
3. Université de Bordeaux, INSERM, UMR1219, BPH, équipe ELEANOR, Bordeaux, France
4. Université de Bordeaux, INSERM, UMR1219, BPH, équipe EPICENE, Bordeaux, France
5. Centre Hospitalier Universitaire de Bordeaux, Service Santé Travail Environnement, Bordeaux, France

[2026]

Download the file

Résumé

Dans le cadre d'une étude épidémiologique, les concentrations moyennes journalières de particules ultrafines (PUF) ont été estimées par apprentissage automatique à l'échelle kilométrique sur Bordeaux Métropole pour les années 2016 à 2024. Le modèle, construit à partir de 34 variables d'entrées (polluants réglementés, paramètres météorologiques, occupation du sol, mesures satellitaires), présente de bonnes performances (corrélation de 0.82 en validation croisée k-folds, k = 10). En 2024, les concentrations estimées varient de 3 800 à 9 700 particules·cm?³, avec des niveaux plus élevés à proximité des axes routiers.

Mots clés

particules ultrafines , Machine Learning, air, cartes

Abstract

As part of an epidemiological study, daily average concentrations of ultrafine particles (UFP) were estimated using machine learning at a one-kilometer resolution over the Bordeaux metropolitan area for the years 2016 to 2024. The model, based on 34 variables (regulated pollutants, meteorological parameters, land use, satellite measurements), shows good performance (correlation of 0.82 under cross-validation, k-folds k = 10). In 2024, estimated concentrations range from 3 800 to 9 700 particles·cm?³, with higher levels observed near major roadways.

Keywords

ultrafine particles, Machine Learning, air, maps

DOI

10.25576/ASFERA-CFA2026-50134

<< My account >>