L'IA peut-elle prédire les niveaux de pollution atmosphérique urbaine au niveau des rues à l'aide de données satellitaires et de trafic ?

En combinant des images satellites haute résolution avec des modèles de trafic en temps réel, les modèles d'IA peuvent désormais estimer la qualité de l'air localisée. Ces systèmes traitent des millions de points de données pour identifier les points chauds de pollution. Les villes commencent à utiliser ces prévisions pour déclencher des alertes de pollution ciblées. La précision chute de manière significative pendant les conditions météorologiques extrêmes ou les événements d'émissions inhabituels.

Background

AI can predict urban air pollution levels at street level by fusing satellite-derived atmospheric columns with ground-based measurements and traffic data. Recent systems use machine-learning models trained on high-resolution satellite observations (e.g., TROPOMI NO₂) together with real-time traffic flows and meteorology to downscale concentrations to neighborhood scales; validation studies report RMSEs around 5–15 µg/m³ for NO₂ and modest skill for PM₂.₅ in complex urban canyons. Operational prototypes exist in several cities, but coverage gaps remain where traffic sensors are sparse and satellite retrievals are obstructed by clouds. Combining high-resolution satellite imagery with real-time traffic patterns, AI models can now estimate localized air quality. These systems process millions of data points to identify pollution hotspots. Cities are beginning to use these forecasts to trigger targeted pollution alerts. Accuracy drops significantly during extreme weather or unusual emission events.