Note ABES Atmospheric pollutant dispersion estimation at the scale of the neighborhood using sensors, numerical and deep learning models Estimation de la dispersion des polluants atmosphériques à l'échelle du quartier à l'aide de capteurs, des modèles numériques et d'apprentissage profond Apprentissage profond Réseaux neuronaux convolutifs Dynamique des fluides numériques Extraction de données Qualité de l'air, analyse des données de capteurs Environnement urbain Deep Learning Convolutional neural networks Computational fluid dynamics Data mining Air quality Sensors data analysis 006.3 Réseaux neuronaux (informatique) Apprentissage profond Modélisation CFD Polluants atmosphériques Mesure 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% This thesis is at the crossroad of four domains, computational fluid dynamics (CFD), data mining, deep learning and airquality. The objective of the thesis is to assess dwellers’ exposures to atmospheric pollutants using the recent advancesin artificial intelligence. The thesis revolves around the different time scales requested by the regulations, going fromannual to real time. To do so, innovative approaches to assess mean annual concentrations were developed for modelingas well as for sensors. For modeling a statistical methodology based on wind roses frequencies associated with a flowchartto determine the numerical error from the discretization was proposed. For the sensors, data from all around Francewere analyzed to establish relationship between measured monthly concentrations with annual ones for particulatematter and nitrogen oxides. To determine pollution exposure in real time, a system using considering traffic,meteorological and 3D building layout was created built around a deep learning model was created. The system revolvesaround a deep learning model. This model, multiResUnet, have been chosen after comparison with other classical stateof-the-art convolutional models and optimized for the dispersion pollution issue. To train it, examples from CFD weregenerated efficiently following guidelines developed in this thesis. The system was then applied on a real neighborhoodof 1km2 with real traffic data and compared with CFD. It managed to perform well on classical air quality metrics andreach a J3D score of 62%. Electronic Thesis or Dissertation Text en PDF 48514338 Université de Strasbourg Strasbourg 2022-12-31 https://theses.hal.science/tel-03905226 application/pdf 48526810 https://publication-theses.unistra.fr/public/theses_doctorat/2021/Jurado_Xavier_2021_ED269.pdf http://www.theses.fr/2021STRAD029/abes https://theses.hal.science/tel-03905226 https://theses.hal.science/tel-03905226 https://theses.hal.science/tel-03905226 Jurado Xavier 1993-09-07 FR 264388968 1504012065Y 21617514 4200018 https://theses.fr/2021STRAD029 2021STRAD029 https://doi.org/10.70675/1fe40f53zadc8z439ezaa82za0596a81a83e 2021-12-17 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Wemmert Cédric MADS_DIRECTEUR_DE_THESE_1 176663576 Vazquez José MADS_DIRECTEUR_DE_THESE_2 168579448 Hoarau Yannick MADS_PRESIDENT_DU_JURY 068954786 Lebbah Mustapha MADS_MEMBRE_DU_JURY_1 144970759 Bennis-Zeitouni Karine MADS_RAPPORTEUR_1 05656497X Martín Fernando MADS_RAPPORTEUR_2 185431216 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Wemmert Cédric Vazquez José Hoarau Yannick Lebbah Mustapha Bennis-Zeitouni Karine Martín Fernando École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 48514338 restriction 2021-12-17 2022-12-17 restriction 2021-12-17 2022-12-17