| Titre : |
Mesure et prédiction de la pollution aux particules fines à Dakar par les technolgies IoT intégrant les capteurs low-cost et de modèles d’apprentissage automatique |
| Type de document : |
texte imprimé |
| Auteurs : |
Ahmed Gueye, Auteur |
| Editeur : |
Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Physique, Chimie, Sciences de la Terre, de l'Univers et de l'Ingénieur |
| Année de publication : |
2025 |
| Importance : |
176 P. |
| Format : |
29 cm |
| Langues : |
Français (fre) |
| Mots-clés : |
Particule fine Hotspots Internet des objets IoT Capteur low-cost Modèle d’apprentissage Mesure Prédiction Concentration Dakar Qualité de l’air Pollution PM2.5 PM10 Pollution atmosphérique Apprentissage automatique ARIMA Série temporelle Intelligence artificielle Air p$Polluant atmosphérique Surveillance ZR-7250 Aeroqual AQS 1 AQM65 Thermo fisher scientific Analyseur BAM 1020 BAM 1020 Analyseur HORIBA HORIBA Purple Air Clarity Node-S IQAir AirVisual Pro AirBeam2 Airgradient Auto Regressive Integrated Moving Average Deeplearning LSTM Long Short-Term Memory Krigeage Capteur Température Humidité Prédiction optimisée Apprentissage profond Réseaux neuronaux Réseau de neurones |
| Résumé : |
Cette thèse porte sur la mesure et la prédiction des concentrations de particules fines dans la région de Dakar
où les enjeux sanitaires liés à la dégradation de la qualité de l’air sont de plus en plus préoccupants. Dans ce
contexte, la mise en place de solutions de mesure innovantes, flexibles et économiquement accessibles s’est
imposée comme une nécessité. Pour pallier les insuffisances des dispositifs classiques de surveillance, nous
avons dans un premier temps conçu et déployé des capteurs fixes et mobiles à bas coût basés sur les technologies
de l’Internet des Objets (IoT) afin de réaliser des mesures en temps réel. La campagne de mesures menée avec
ces capteurs a permis d’établir une cartographie fine des principaux foyers de pollution aux PM2.5 et PM10
dans l’agglomération dakaroise, offrant ainsi une compréhension approfondie de la distribution spatiale et
temporelle des émissions d’origine anthropique.
Dans un second temps, après l’identification et la cartographie des principales sources de pollution, l’étude
s’est orientée vers la modélisation et la prédiction des concentrations de particules fines à l’aide d’approches
d’apprentissage automatique. Une première méthode a consisté à appliquer des modèles de type ARIMA aux
séries temporelles issues de l’assimilation de données. Cette approche a permis de prévoir les niveaux de
PM2.5 jusqu’à trois jours à l’avance avec une précision avoisinant 79 %. Ces modèles fondés sur l’intelligence
artificielle (IA) ont été entraînés et validés à partir des données des stations professionnelles du Centre de gestion
de la qualité de l’air, couvrant une période de plus de quatre ans, ce qui a considérablement renforcé la robustesse
et la fiabilité des prévisions. Pour améliorer encore ces résultats, notamment lors des épisodes de forte pollution,
une architecture de réseau neuronal LSTM a été développée. Contrairement aux modèles ARIMA, sa capacité Ã
capturer les phénomènes non linéaires a permis d’obtenir des performances particulièrement significatives. En
effet, cette approche affiche un taux de corrélation pouvant atteindre 99 % entre les concentrations observées et
les valeurs prédites, tout en réduisant le temps de calcul selon les ressources disponibles. |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=3230 |
Mesure et prédiction de la pollution aux particules fines à Dakar par les technolgies IoT intégrant les capteurs low-cost et de modèles d’apprentissage automatique [texte imprimé] / Ahmed Gueye, Auteur . - Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Physique, Chimie, Sciences de la Terre, de l'Univers et de l'Ingénieur, 2025 . - 176 P. ; 29 cm. Langues : Français ( fre)
| Mots-clés : |
Particule fine Hotspots Internet des objets IoT Capteur low-cost Modèle d’apprentissage Mesure Prédiction Concentration Dakar Qualité de l’air Pollution PM2.5 PM10 Pollution atmosphérique Apprentissage automatique ARIMA Série temporelle Intelligence artificielle Air p$Polluant atmosphérique Surveillance ZR-7250 Aeroqual AQS 1 AQM65 Thermo fisher scientific Analyseur BAM 1020 BAM 1020 Analyseur HORIBA HORIBA Purple Air Clarity Node-S IQAir AirVisual Pro AirBeam2 Airgradient Auto Regressive Integrated Moving Average Deeplearning LSTM Long Short-Term Memory Krigeage Capteur Température Humidité Prédiction optimisée Apprentissage profond Réseaux neuronaux Réseau de neurones |
| Résumé : |
Cette thèse porte sur la mesure et la prédiction des concentrations de particules fines dans la région de Dakar
où les enjeux sanitaires liés à la dégradation de la qualité de l’air sont de plus en plus préoccupants. Dans ce
contexte, la mise en place de solutions de mesure innovantes, flexibles et économiquement accessibles s’est
imposée comme une nécessité. Pour pallier les insuffisances des dispositifs classiques de surveillance, nous
avons dans un premier temps conçu et déployé des capteurs fixes et mobiles à bas coût basés sur les technologies
de l’Internet des Objets (IoT) afin de réaliser des mesures en temps réel. La campagne de mesures menée avec
ces capteurs a permis d’établir une cartographie fine des principaux foyers de pollution aux PM2.5 et PM10
dans l’agglomération dakaroise, offrant ainsi une compréhension approfondie de la distribution spatiale et
temporelle des émissions d’origine anthropique.
Dans un second temps, après l’identification et la cartographie des principales sources de pollution, l’étude
s’est orientée vers la modélisation et la prédiction des concentrations de particules fines à l’aide d’approches
d’apprentissage automatique. Une première méthode a consisté à appliquer des modèles de type ARIMA aux
séries temporelles issues de l’assimilation de données. Cette approche a permis de prévoir les niveaux de
PM2.5 jusqu’à trois jours à l’avance avec une précision avoisinant 79 %. Ces modèles fondés sur l’intelligence
artificielle (IA) ont été entraînés et validés à partir des données des stations professionnelles du Centre de gestion
de la qualité de l’air, couvrant une période de plus de quatre ans, ce qui a considérablement renforcé la robustesse
et la fiabilité des prévisions. Pour améliorer encore ces résultats, notamment lors des épisodes de forte pollution,
une architecture de réseau neuronal LSTM a été développée. Contrairement aux modèles ARIMA, sa capacité Ã
capturer les phénomènes non linéaires a permis d’obtenir des performances particulièrement significatives. En
effet, cette approche affiche un taux de corrélation pouvant atteindre 99 % entre les concentrations observées et
les valeurs prédites, tout en réduisant le temps de calcul selon les ressources disponibles. |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=3230 |
|  |
Accueil
Affiner la rechercheÉtude conceptuelle de l’Internet des Objets et Conception d’une couche de communication pour un réseau d’observation météorologique / Ahmed Gueye (2020)
