Une nouvelle technologie d'intelligence artificielle (IA) permet désormais de surveiller l'ammoniac (NH3) – un contributeur clé à des particules de poussière fine nocives – avec une précision et des détails spatiaux sans précédent, en s'attaquant à des lacunes de longue date dans les méthodes d'observation actuelles.
Dirigée par le professeur Jungho IM dans le Département de génie civil, urbain, terrestre et environnemental de l'UNIST, l'équipe de recherche a développé avec succès un modèle d'IA capable d'estimer les concentrations quotidiennes d'ammoniac atmosphérique avec une grande précision.
L'étude a été publiée dans le Journal of dangereux.
L'ammoniac est émis par diverses sources, notamment des engrais agricoles, des déchets de bétail et des incidents d'incendie. Bien que relativement inoffensif en soi, l'ammoniac réagit avec les acides sulfuriques et nitriques atmosphériques pour former des particules fines (PM2.5), qui pose de graves risques de santé et environnementaux. Une surveillance précise des niveaux d'ammoniac est donc vitale pour les prévisions précises de la qualité de l'air et l'élaboration efficace des politiques.
Cependant, en raison de la courte durée de vie atmosphérique de l'ammoniac et du nombre limité de stations de surveillance au sol, les données existantes sont généralement limitées à des intervalles bihebdomadaires. Les modèles climatiques qui estiment l'ammoniac sur les grandes régions souffrent souvent d'inexactitudes régionales importantes, ce qui limite leur utilité pour la gestion localisée de la qualité de l'air.
Pour surmonter ces défis, l'équipe a développé un modèle AI basé sur un réseau neuronal avancé qui améliore à la fois la fréquence temporelle et la résolution spatiale de la surveillance de l'ammoniac.
En intégrant les données climatiques du Centre européen pour les prévisions météorologiques à moyenne portée (ERA5), les mesures de colonnes d'ammoniac dérivées par satellite de l'instrument IASI et les observations au sol du réseau de surveillance américain de l'ammoniac (AMON), le modèle réduisent efficacement les données biweasly dans les estimations quotidiennes à haute résolution.
Le modèle d'IA a démontré des performances exceptionnelles, réduisant les erreurs de prédiction jusqu'à 1,8 fois par rapport au modèle climatique du programme de surveillance et d'évaluation européenne (CAMS).
Notamment, bien que formé principalement sur les données américaines, le modèle a identifié avec succès des événements de pollution de haute amplitude, tels que le feu généralisé à Manchester, au Royaume-Uni, en 2019 – en éclairant son fort potentiel pour une application spatiale plus large et un déploiement du monde réel.
Cette recherche a été menée par les premiers auteurs Saman Malik et Eunjin Kang. Le professeur IM a souligné que, contrairement aux modèles climatiques traditionnels comme les cames ou les stations de sol clairsemées, cette approche d'IA peut fournir une surveillance continue et haute résolution d'ammoniac.
« Cette technologie peut améliorer considérablement les prévisions de qualité de l'air liées aux polluants à base d'azote et soutenir des politiques environnementales plus efficaces », a-t-il déclaré.
Il a en outre ajouté que « l'application de ce modèle au niveau national pourrait permettre une surveillance à haute résolution en temps réel des concentrations d'ammoniac à travers le pays, marquant une étape cruciale vers une gestion de la qualité de l'air plus précise et une protection de la santé publique. »
