Une nouvelle étude a développé le premier modèle d'apprentissage automatique à grande échelle capable de prédire les concentrations horaires d'ozone intérieur en utilisant des prédicteurs facilement accessibles, notamment les niveaux d'ozone extérieur, les conditions météorologiques et le comportement d'ouverture des fenêtres. Cette avancée comble une lacune critique dans l'évaluation de l'exposition à la pollution atmosphérique, car les personnes passent généralement 70 % à 90 % de leur temps à l'intérieur, où les niveaux réels d'ozone diffèrent des mesures extérieures.
L'ozone est un polluant atmosphérique majeur formé par des réactions chimiques entre les oxydes d'azote et les composés organiques volatils sous l'effet de la lumière solaire. En 2021, l'exposition à long terme à l'ozone a contribué à près de 490 000 décès dans le monde. Les évaluations traditionnelles de l'exposition reposaient largement sur des données extérieures, mais la ventilation, les sources intérieures et les matériaux de construction affectent considérablement les niveaux d'ozone intérieur. Les approches de modélisation précédentes, y compris les modèles mécanistes nécessitant des paramètres intérieurs détaillés et les modèles de régression linéaire peinant avec les relations non linéaires, ont été limitées dans les applications à grande échelle.
Des chercheurs de l'Université Fudan et de l'Académie chinoise des sciences ont construit un modèle d'apprentissage automatique pour prédire les niveaux horaires d'ozone intérieur dans 18 villes chinoises. L'étude, publiée dans Eco-Environment & Health le 9 juillet 2025, a utilisé des algorithmes de forêt aléatoire entraînés sur des mesures de capteurs à faible coût combinées à des données météorologiques et de ventilation. La recherche est disponible à l'adresse https://doi.org/10.1016/j.eehl.2025.100170.
L'équipe a collecté plus de 8 200 heures de données sur l'ozone intérieur à l'aide de capteurs électrochimiques portables dans 23 foyers. Les variables prédictives comprenaient les niveaux d'ozone extérieur provenant de jeux de données à haute résolution, les paramètres météorologiques tels que la température, l'humidité, le vent, le rayonnement solaire, la hauteur de la couche limite et la pression de surface, ainsi que l'état d'ouverture des fenêtres enregistré manuellement par des volontaires. En comparant deux modèles—l'un excluant et l'autre incluant l'état des fenêtres—les chercheurs ont démontré que l'intégration du comportement de ventilation améliorait significativement la précision des prédictions.
L'inclusion du comportement d'ouverture des fenêtres a augmenté le R² de validation croisée de 0,80 à 0,83 et réduit l'erreur quadratique moyenne de 7,89 à 7,21 parties par milliard. Le modèle a capturé avec précision les fluctuations horaires de l'ozone et les différences régionales, obtenant de meilleurs résultats dans le sud que dans le nord de la Chine et pendant les saisons froides plutôt que chaudes. L'analyse d'importance des prédicteurs a identifié la pression de surface, la température et l'ozone ambiant comme facteurs dominants, la ventilation émergeant comme un déterminant comportemental crucial. Les comparaisons diurnes ont révélé que les concentrations d'ozone intérieur étaient 40 % inférieures aux niveaux extérieurs pendant les heures diurnes.
« La plupart des études sur l'exposition reposent encore sur des données d'ozone extérieur, mais ce n'est que la moitié de l'histoire », a déclaré le professeur Xia Meng, auteur principal de l'étude. « Nos résultats montrent que le comportement de ventilation—quelque chose d'aussi simple que le fait qu'une fenêtre soit ouverte ou fermée—peut modifier considérablement l'exposition. En intégrant de telles données comportementales avec des informations météorologiques grâce à l'apprentissage automatique, nous pouvons enfin estimer l'ozone intérieur plus précisément à grande échelle. »
Cette recherche introduit une stratégie pratique et à faible coût pour prédire l'exposition à l'ozone intérieur en temps réel sur de vastes zones géographiques. Le modèle peut être intégré dans les évaluations des risques sanitaires, les systèmes de surveillance domotique et les plateformes de surveillance de la santé publique, permettant aux décideurs politiques et aux scientifiques de mieux comprendre les différences d'exposition intérieur-extérieur. Les travaux futurs pourraient étendre le cadre à d'autres polluants tels que les particules fines ou le dioxyde d'azote, intégrer des capteurs intelligents pour le suivi automatisé des fenêtres, et étendre la surveillance à diverses zones climatiques. Cette approche par apprentissage automatique fait le lien entre la modélisation environnementale et la vie quotidienne, favorisant des environnements intérieurs plus sains dans les régions en cours d'urbanisation rapide.
