Annual concentration is a key element to assess the air quality of an area for long-time exposure effects. Nonetheless, obtaining annual concentrations from sensors is costly since it needs to have a year of measurements for each required pollutant. To overcome this issue, several strategies are studied to assess annual particulate matter concentration from monthly data, with their pros and cons depending on the risk acceptance and measurement campaign costs. When applied on a French dataset, the error spans from 12–14% with one month of measurement to 4–6% for six months of measurement for PM₁₀ and PM_2.5, respectively. A relationship between the mean relative error and 95th percentile relative error is provided with an R² of 0.99. The relationship between PM₁₀ and PM_2.5 was also investigated and improved compared to previous work by considering the seasonality and influence on emission reaching a mean relative error of 12%. Thus, this study provides tools for urban planners, engineers, researchers, and public authorities for improved monitoring of annual air pollution at a lower cost for particulate matter.

Estimation de la dispersion des polluants atmosphériques à l'échelle du quartier à l'aide de capteurs, des modèles numériques et d'apprentissage profond: La présente thèse est à la croisée de quatre domaines, la mécanique des fluides numériques (CFD), le data mining, le deep learning et la qualité de l'air. L'objectif de la thèse est d'évaluer l'exposition des habitants aux polluants atmosphériques en utilisant les récentes avancées en intelligence artificielle. La thèse s'articule autour des différentes échelles de temps demandées par la réglementation, allant de l'annuel au temps réel. Pour ce faire, des approches innovantes pour évaluer les concentrations annuelles moyennes ont été développées pour les outils de modélisation ainsi que pour les capteurs de pollution de l'air. Pour la modélisation, une méthodologie statistique basée sur les fréquences des roses des vents associées à un organigramme permettant de déterminer l'erreur numérique due à la discrétisation a été proposée. Pour les capteurs, des données provenant de toute la France ont été analysées pour établir la relation entre les concentrations mensuelles mesurées et les concentrations annuelles pour les particules fines et les oxydes d'azote. Pour déterminer l'exposition à la pollution en temps réel, un système prenant en compte le trafic, la météorologie et la disposition des bâtiments a été créé avec en son cœur un modèle d'apprentissage profond. Le système s'articule autour d'un modèle d'apprentissage profond. Ce modèle, multi ResUnet, a été choisi après comparaison avec d'autres modèles convolutifs classiques de l'état de l'art et optimisé pour la problématique de la dispersion de polluant.Pour l'entraîner, des exemples issus de la CFD ont été générés efficacement en suivant des principes développés dans cette thèse. Le système a ensuite été appliqué sur un quartier réel de 1km2 avec des données de trafic réels et comparé à la CFD. Il a réussi à obtenir de bonnes performances sur les mesures classiques de la qualité de l'air et à atteindre un score de similarité J3D de 62%