La qualité de l’air est un enjeu fort de santé publique car la dégradation de la qualité de l’air peut entrainer des effets négatifs sur la santé des populations (en particulier les personnes les plus vulnérables). D’où l’intérêt de surveiller l’évolution de la qualité de l’air et prendre des mesures en faveur du maintien d'un bon état de qualité de l'air.

Les données de qualité de l’air sont de plus en plus accessibles au grand public. A partir de ces données, on peut facilement étudier les tendances de qualité de l’air des communes. A l’échelle européenne, l’une des bases des données les plus utilisées est Copernicus Atmosphere Data store.

L’objectif poursuivi par ce projet est de grouper les communes de la France sur la base des concentrations des polluants émis par chacune d’elle en utilisant des méthodes de machine learning non supervisé. Les polluants d’intérêt sont le dioxyde d’azote (NO2), l’ozone (O3), les particules fines (PM2.5 et PM10) ainsi que le dioxyde de soufre (SO2).

Les données de qualité de l’air ont été collectées sur la plateforme Copernicus Atmosphere Data store à partir d'un API. Les caractéristiques du jeu des données sont présentées ci-dessous :

• Nom du jeu de donnée : CAMS European air quality reanalyses
• Couverture géographique : Europe
• Résolution temporaire : donnée horaire
• Polluants sélectionnés pour le projet : NO2, O3, PM2.5, PM10 et SO2
• Année sélectionnée pour le projet : 2022

Les données sont livrées au format NetCDF. C’est un format utilisé dans la communauté scientifique pour faciliter le stockage et le partage des données environnementales. Pour plus d’information sur les données utilisées : https://ads.atmosphere.copernicus.eu/datasets/cams-europe-air-quality-reanalyses?tab=overview

Le prétraitement a consisté à :

• Extraire les concentrations de polluants pour chaque commune.
• Transformer les données de concentration horaire en moyenne annuelle pour chacune commune
• Enregistrer les données traitées dans un classeur Excel

Les modèles d'apprentissage non supervisé KMean et DBSCAN ont été utilisé pour ce projet. La librairie Python Scikit-Learn a été utilisé pour développer ces modèles. Pour améliorer la performance du modèle KMean, le nombre de cluster a été optimisé grâce à la « Elbow method ». Pour améliorer la performance du modèle DBSCAN, Les paramètres epsilon (eps) et nombre minimum d’échantillon (min_samples) ont été optimisé. On a procédé par itération jusqu'à trouver la bonne combinaison eps/min_sample.

Les performances des deux modèles ont été comparés sur la base de 3 métriques (Silhouete score, Davies Boulding score et Calinski Harabasz score). La règle d’interprétation de ces métriques est la suivante :

• Silhouete score : Un score élevé est un bon indicateur de la performance du modèle. Une valeur entre 0.3 et 0.5 est généralement considéré comme satisfaisant.
• Davies Boulding score : Un score faible (idéalement inférieur à 1) est un bon indicateur de la performance du modèle.
• Calinski Harabasz score : un score élevé est un bon indicateur de la performance du modèle.

Les résultats de performance de chaque modèle sont présentés dans le tableau ci-dessous. Les résultats présentés sont les meilleurs obtenus après plusieurs itérations.

Le modèle Kmean a généré 3 clusters tandis que DBSCAN a généré 2 classes dont 1 classe des « outliers ». Afin de caractériser les clusters de Kmean, des statistiques (moyenne, maximum, minimum) ont été réalisé. La connaissance du contexte géographique, économique et environnemental de la France a été pris en compte. Cela a permis d’aboutir à la catégorisation suivante : communes à émissions importantes, moyennes et faibles.

Quant aux clusters de DBSCAN, les « outliers » ont été caractérisés comme étant les communes avec des émissions importantes.

Les cartes ci-dessous présentent les résultats obtenus à la suite du clustering.

Kmean	DBSCAN

Les modèles ont été déployé en local en utilisant streamlit. Une vidéo du deploiement est disponible dans le dossier : deployment

• Chaque cluster peut faire l'objet d'une analyse approfondie afin de déterminer les similarités de chaque commune composant le cluster. Les éléments qui peuvent être comparé sont la taille de la population, l'activité économique dominante, la présence d'industries, l'utilisation des transports en commun (ou voiture individuelle), etc.
• Faire tourner le modèle pour les années antérieures et ainsi que pour les données futures (automatiser).
• Déployer en ligne pour le grand public avec une meilleure interface utilisateur.