With the advancement of technology and the arrival of miniaturized environmental sensors that offer greater performance, the idea of building mobile network sensing for air quality has quickly emerged to increase our knowledge of air pollution in urban environments. However, with these new techniques, the difficulty of building mathematical models capable of aggregating all these data sources in order to provide precise mapping of air quality arises. In this context, we explore the spatio-temporal geostatistics methods as a solution for such a problem and evaluate three different methods: Simple Kriging (SK) in residuals, Ordinary Kriging (OK), and Kriging with External Drift (KED). On average, geostatistical models showed 26.57% improvement in the Root Mean Squared Error (RMSE) compared to the standard Inverse Distance Weighting (IDW) technique in interpolating scenarios (27.94% for KED, 26.05% for OK, and 25.71% for SK). The results showed less significant scores in extrapolating scenarios (a 12.22% decrease in the RMSE for geostatisical models compared to IDW). We conclude that univariable geostatistics is suitable for interpolating this type of data but is less appropriate for an extrapolation of non-sampled places since it does not create any information.

With the advancement of technology and the arrival of miniaturized environmental sensors that offer greater performance, the idea of building mobile network sensing for air quality has quickly emerged to increase our knowledge of air pollution in urban environments. However, with these new techniques, the difficulty of building mathematical models capable of aggregating all these data sources in order to provide precise mapping of air quality arises. In this context, we explore the spatio-temporal geostatistics methods as a solution for such a problem and evaluate three different methods: Simple Kriging (SK) in residuals, Ordinary Kriging (OK), and Kriging with External Drift (KED). On average, geostatistical models showed 26.57% improvement in the Root Mean Squared Error (RMSE) compared to the standard Inverse Distance Weighting (IDW) technique in interpolating scenarios (27.94% for KED, 26.05% for OK, and 25.71% for SK). The results showed less significant scores in extrapolating scenarios (a 12.22% decrease in the RMSE for geostatisical models compared to IDW). We conclude that univariable geostatistics is suitable for interpolating this type of data but is less appropriate for an extrapolation of non-sampled places since it does not create any information.

La pollution atmosphérique urbaine, fléau mondial causant des millions de décès par an, rend les cartographies précises de ce phénomène non seulement pertinente mais vitale pour la santé publique.Actuellement, la surveillance de la qualité de l'air est assurée par des stations fixes de surveillance de la qualité de l'air. Ces stations de référence fournissent une mesure très précise de la qualité de l'air au prix d'une couverture spatiale limitée.L'idée d'utiliser de nouveaux capteurs à faible coût développés à partir de récentes avancées technologiques, plus petits, intégrant un système de positionnement global (GPS) a rapidement émergée. Les scientifiques disposent ainsi d'outils supplémentaires pour affiner les cartes spatio-temporelles de la pollution atmosphérique et créer de nouveaux ensembles de données fournissant des informations sur la qualité de l'air qui n'étaient pas disponibles auparavant.La génération de cartographies précises de la qualité de l'air à l'aide de ces capteurs bas coût présente plusieurs défis majeurs. Ces défis sont principalement liés à la nature du phénomène étudié, à la précision et au volume des données.Compte tenu de ces difficultés, il est essentiel de savoir comment combiner toutes ces sources de données floues pour obtenir une image claire de la pollution urbaine.C'est dans ce contexte que s'inscrit cette thèse dont le but est l'analyse et le développement de modèles statistiques qui exploitent les données acquises par des capteurs mobiles bas coût. Elle contribue à l'objectif de fournir des estimations et des prévisions spatiales et temporelles plus précises de la pollution de l'air urbain, en combinant modèles mathématiques et avancées technologiques.