le 26 septembre 2025 à 14:30 à Ecole Centrale Lille
La pollution atmosphérique constitue une menace mondiale croissante pour la santé publique et la durabilité environnementale, les systèmes de surveillance traditionnels peinant à fournir des informations précises pour une prise de décision efficace. Cette thèse développe des indicateurs intelligents de qualité de l'air intégrant l'IA aux sciences environnementales pour la préservation environnementale et la protection sanitaire. Cette recherche apporte trois contributions fondamentales. Premièrement, nous introduisons un cadre de calcul granulaire pour la classification explicable de la qualité de l'air transformant les modèles opaques en systèmes transparents d'aide à la décision. L'algorithme AirQ-RuleGrCEx — notre contribution théorique principale — extrait des règles lisibles exploitant le calcul granulaire pour lier conditions météorologiques et qualité de l'air. Cet algorithme atteint une précision compétitive tout en fournissant une interprétabilité sans précédent pour les parties prenantes et décideurs, comblant l'écart entre performance prédictive et transparence décisionnelle. Deuxièmement, nous développons un paradigme d'apprentissage par transfert neuronal à travers trois applications révolutionnant l'efficacité de la prévision. Première application : transfert inter-polluants utilisant des réseaux neuronaux, où des modèles pré-entraînés PM2.5 prédisent d'autres polluants, permettant une modélisation efficace en données rares. Deuxième application : transfert temporel des prévisions horaires aux multi-horizons. Troisième application : notre cadre LagEnsembleForecasting combinant quatre modèles d'apprentissage profond sur différents décalages temporels (1h, 6h, 12h, 24h) pour une précision améliorée et quantification d'incertitude par variance d'ensemble. Troisièmement, nous progressons dans l'évaluation des risques particulaires via la prédiction des seuils de toxicité par apprentissage automatique. Exploitant des données de plus de 40 études, notre cadre emploie cinq algorithmes avec explicabilité SHAP pour distinguer concentrations toxiques/non-toxiques, fournissant des évaluations plus nuancées qu'les méthodes conventionnelles. L'intégration établit un cadre complet de surveillance environnementale intelligente améliorant prédiction, support décisionnel et évaluation des risques sanitaires. La validation confirme l'applicabilité pratique. Les fondements méthodologiques créent une voie vers des stratégies intégrées eau-air-sol pour des systèmes unifiés de gestion environnementale holistique.
Mme Hayfa ZGAYA-BIAU Université de Lille Directrice de thèse, M. Slim HAMMADI École Centrale de Lille Examinateur, Mme Ludivine CANIVET Université de Lille Co-encadrante de thèse, M. Germain FORESTIER ENSISA / Univ. Haute Alsace Rapporteur, Mme Maguelonne TEISSEIRE INRAE (Territoires, Environnement, Télédétection et Information Spatiale) Rapporteure, Mme Sarah BEN OTHMAN Polytech Lille Co-encadrante de thèse, M. Stéphane LE CALVé Institut de Chimie et Procédés pour l’Energie, l’Environnement et la Santé (ICPEES, UMR 7515) Examinateur, Mme Agnieszka RORAT Atmo Hauts-de-France Examinatrice.
français
English