Une approche de physique statistique pour réaliser des simulations rapides et hautement résolues de la qualité de l'air - Une nouvelle étape vers la méta-modélisation des modèles de transport de la chimie.

Résumé Une méthodologie reposant sur l'apprentissage automatique basé sur des modèles utilisant des régressions linéaires simples et les paramétrisations des principaux processus physiques et chimiques a été développée pour effectuer des simulations de qualité de l'air hautement résolues. L'apprentissage de la méthodologie est (i) réalisé sur une période de 6 mois en utilisant les sorties du modèle de transport chimique CHIMERE, et (ii) ensuite appliqué sur les 6 mois suivants. Malgré des hypothèses approximatives, cette nouvelle méthodologie fonctionne aussi bien que la simulation CHIMERE brute pour les concentrations moyennes quotidiennes des principaux polluants atmosphériques (NO2, ozone, PM10 et PM2.5) avec des corrélations allant de 0,75 à 0,83 pour les particules et jusqu'à 0,86 pour les concentrations maximales d'ozone. Certaines améliorations sont envisagées pour étendre cette méthode à plusieurs autres utilisations, mais à ce stade, la méthode peut être utilisée pour la prévision de la qualité de l'air, l'analyse des épisodes de pollution et la cartographie. Cette étude confirme également que l'inclusion d'un ensemble minimal de paramétrages physiques sélectionnés apporte une forte valeur ajoutée aux processus d'apprentissage automatique.