En raison du réchauffement climatique, il est attendu que les concentrations de pollens soient plus élevées avec une saison pollinique plus longue, intensifiant par conséquent la gravité des symptômes causés par les allergies associées aux pollens. Cette problématique concerne particulièrement les espèces invasives comme l'ambroisie (Lake, 2017). Dans ce contexte, il existe un besoin réel de densifier les réseaux d'observation et géolocaliser les sources polliniques pour évaluer la propagation de ces espèces invasives, prévenir les symptômes de polypose, avec des instruments automatiques à coûts raisonnables qui identifient rapidement la présence de ces grains de pollen. La méthode standardisée et actuelle est la collecte de grains de pollens présents dans l'air par impaction à l'aide d'un piège pollinique. Les échantillons récoltés subissent un traitement chimique pour être ensuite analysés au microscope optique par un palynologue qui quantifie les grains de pollens. Cette analyse palynologique est cependant un processus lent, laborieux et coûteux. Dans ce contexte, nous avons cherché à développer une chaîne analytique complète et automatisée de mesures, entraînable pour la reconnaissance et le comptage des grains de pollens, inspirée de la norme actuelle EN 16868-19. Pour cela, nous avons utilisé une nouvelle approche combinant plusieurs outils analytiques comme la collecte des pollens, une acquisition numérique directe des images et la reconnaissance des pollens par apprentissage profond. Notre dispositif (Aer?tape) a été conçu pour éviter le temps passé par les palynologues sur les analyses en différé, suivre les concentrations de pollens en continu, augmenter le nombre de données, et densifier le nombre de sites d'observation. Notre étude se concentre sur le suivi temporel des concentrations de pollens d'ambroisie dont les données seront intercomparées avec celles d'un capteur Hirst afin de valider notre méthodologie et évaluer les performances de l'Aer?tape.

Due to global warming, pollen concentrations are expected to be higher with a longer pollen season, thereby intensifying the severity of symptoms caused by pollen-associated allergies. This problem particularly concerns invasive species such as ragweed (Lake, 2017). In this context, there is a real need to densify observation networks and geolocate pollen sources to study the dispersion of these invasive species, prevent symptoms of polyposis, with automatic instruments at reasonable costs which quickly identify the presence of these pollen grains. The current standardized method is the collection of pollen grains present in the air by impaction using a pollen trap. The collected samples undergo chemical treatment and are then analyzed under an optical microscope by a palynologist who quantifies the pollen grains. This palynological analysis, however, is a slow, laborious and expensive process. In this context, we sought to develop a complete and automated analytical chain of measurements, trainable for the recognition and counting of pollen grains, inspired by the current standard EN 16868-19. We used a new approach combining several analytical tools such as pollen collection, direct digital acquisition of images and pollen recognition by deep learning. Our device (Aer?tape) was designed to avoid the time spent by palynologists on delayed analyses, monitor pollen concentrations continuously, increase the number of data, and densify the number of observation sites. Our study focuses on the temporal monitoring of ragweed pollen concentrations, the data of which will be intercompared with those of a Hirst sensor in order to validate our methodology and evaluate the performance of the Aerotape.