Articles des Congrès
Les actes des congrès avant 2014 sont consultables en cliquant ici (si disponibles).
Modélisation spatio-temporelle des concentrations de particules ultrafines par apprentissage automatique : application à Bordeaux Métropole.
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]
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