Apprentissage actif profond pour l'identification et la géolocalisation de sources de pollution atmosphérique en zone urbaine

Active Deep Learning for identification and geolocation of urban atmospheric pollution sources

• Auteur / Autrice : Huaijin Wang
• Direction : Khalifa Djemal
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 06/05/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : IRA2: Interactions, Réalité virtuelle & Augmentée, Robotique Ambiante
• Partenaire(s) de recherche : Référent : Université d'Évry-Val-d'Essonne (1991-....)

Mots clés

Mots clés libres

Apprentissage actif profond

Identification et géolocalisation

Optimisation

Active deep learning

Identification and geolocation

Optimisation

Résumé

Depuis quelques années, différents travaux de recherche scientifique ont démontrés que la qualité de l'air a un impact sur la santé et devient un sujet de plus en plus préoccupant à l'échelle urbaine. L'identification et la géolocalisation de sources de pollution atmosphérique est donc un enjeu important et repose sur l'utilisation d'un grand nombre de capteurs de gaz multimodaux fixes et/ou embarqués. En recherche scientifique, l'identification de sources polluantes repose sur la résolution d'un modèle inverse complexe mal posé au regard des données observées. La dispersion de polluants est généralement surveillée par des capteurs placés dans un domaine spatialement discret et fournissent des observations temporelles. Ces observations sont ensuite utilisées pour estimer les propriétés des sources de contaminants, par exemple leurs positions, leurs débits de rejet dans l'atmosphère et les paramètres du modèle régissant la dispersion de ces contaminants (par exemple la dispersion, la topographie du site, la météorologie, etc.). Ces estimations sont essentielles pour une évaluation fiable des dangers et des risques de contamination. Dans le cas particulier de plusieurs sources de contamination (avec des positions et des débits d'émission différents), les observations représentent un mélange ou une combinaison de deux ou plusieurs polluants. Dans ce cadre, le travail attendu consistera en la résolution d'un problème de localisation de sources polluantes en environnement de type urbain avec un réseau de capteurs fixes et/ou mobiles. En effet, à partir de données optimisées, issues de campagnes de mesures existantes, c'est-à-dire des sources identifiées et localisées dans un environnement connu, il s'agira dans un premier temps, de mettre en œuvre un modèle d'apprentissage profond avec la prise en compte de manière active des différents paramètres des capteurs. Dans un second temps, le modèle construit avec une stratégie d'apprentissage actif, sera ensuite capable d'identifier et de donner une estimation de la position des sources polluantes dans un environnement inconnu.

In recent years, various scientific research studies have shown that air quality has an impact on health and is becoming an increasingly important issue at the urban area. Identification and geolocation of air pollution sources are therefore an important issue and rely on the use of a large number of fixed and/or on-board multimodal gas sensors. In scientific research, the identification of pollution emission sources is based on the resolution of a complex inverse model that is ill-posed with respect to the observed data. Pollutant dispersion is generally monitored by sensors placed in a spatially discrete domain and provide temporal observations. These observations are then used to estimate the properties of contaminant sources, such as their positions, atmospheric release rates and the model parameters governing the dispersion of these contaminants (e.g. dispersion, site topography, meteorology, etc.). These estimations are essential for a reliable assessment of the hazards and risks of contamination. In the particular case of several sources of contamination (with different positions and release rates), the observations represent a mixture or combination of two or more pollutants. In this framework, the expected work will consist of solving a problem of multiple sources localization in urban environments with a network of fixed and/or mobile sensors. Indeed, using optimized data from existing measurement campaigns, i.e. sources identified and located in a known environment, the first step will consist to develop and implement a deep learning model taking into account actively the different sensor parameters. In a second step, the model thus built, with an active learning strategy, will then be able to identify and give in an unknown environment, an estimation of the position and intensity of the emission sources.