L’intelligence artificielle peut-elle permettre d’anticiper les pics de pollution avant qu’ils ne surviennent ? Alors que la qualité de l’air constitue un enjeu croissant de santé publique, les chercheurs explorent de nouvelles méthodes capables d'analyser les données environnementales et de prévoir l'évolution des concentrations de polluants. L'objectif est de passer d'une surveillance reposant principalement sur la mesure de la pollution à des dispositifs capables d'en anticiper les fluctuations et, à terme, de mieux informer les populations exposées.
Une étude publiée le 20 octobre 2026 dans la revue scientifique Scientific Reports, avec la participation de chercheurs de l'Université Hassan II de Casablanca, apporte de nouveaux éléments sur les performances réelles de ces technologies. Les travaux montrent que les modèles d'apprentissage automatique peuvent fournir des prévisions relativement fiables à très court terme, mais que leurs performances se dégradent sensiblement lorsqu'il s'agit d'anticiper la pollution plusieurs heures à l'avance.
Pour évaluer les capacités prédictives de l'IA, les scientifiques ont exploité 206.184 observations enregistrées toutes les trente minutes, entre 2020 et 2023, dans trois stations de surveillance de la qualité de l'air situées à Charleroi, en Belgique. Leurs analyses portent principalement sur les particules fines PM2,5 et PM10, deux catégories de polluants atmosphériques particulièrement surveillées en raison de leurs effets sur la santé. Les premières, dont le diamètre ne dépasse pas 2,5 micromètres, peuvent pénétrer profondément dans les voies respiratoires. Les secondes, plus grosses, sont également susceptibles d'affecter le système respiratoire.
À partir de ces données, les chercheurs ont comparé plusieurs modèles d'apprentissage automatique, notamment les forêts aléatoires (Random Forest), les arbres de décision, les méthodes de renforcement progressif (Gradient Boosting) et les réseaux de neurones. L'objectif était de déterminer dans quelle mesure ces outils pouvaient anticiper les variations d'un indice de qualité de l'air fondé sur les concentrations de particules.
Des prévisions prometteuses à une heure, beaucoup moins à 24 heures
Les résultats montrent que les performances de l'intelligence artificielle dépendent fortement de l'horizon de prévision.
Pour les prévisions à une heure, les modèles testés obtiennent des coefficients de détermination R² compris entre 0,857 et 0,920. Cet indicateur mesure la capacité du modèle à expliquer les variations observées dans les données : plus il se rapproche de 1, meilleure est la correspondance entre les prévisions et les observations.
Mais cette performance diminue rapidement lorsque l'horizon s'allonge. À six heures, les coefficients se situent entre 0,551 et 0,641. À 24 heures, ils tombent entre 0,270 et 0,335. Cette dégradation constitue l'un des principaux enseignements de l'étude. Elle montre que l'IA peut relativement bien anticiper l'évolution immédiate de la pollution, mais rencontre davantage de difficultés lorsqu'elle doit prévoir les conditions atmosphériques à plus longue échéance.
Les chercheurs attirent également l'attention sur les résultats exceptionnellement élevés obtenus par certains modèles lorsqu'ils utilisent des données contemporaines de l'indice étudié. Dans ces conditions, les performances peuvent dépasser 0,999, sans pour autant correspondre à une véritable capacité de prévision. Autrement dit, calculer très précisément un indice à partir des données disponibles au même moment ne signifie pas être capable de prévoir sa valeur plusieurs heures plus tard. Une distinction essentielle pour éviter de surestimer les capacités opérationnelles de l'intelligence artificielle. Il faut également préciser que ces coefficients mesurent la qualité globale des prévisions de l'indice étudié. Ils ne représentent pas directement le pourcentage de pics de pollution correctement anticipés.
Toutefois, leur utilisation dans des systèmes d'alerte nécessite des validations supplémentaires. Il ne suffit pas qu'un modèle fournisse de bonnes prévisions moyennes : il doit aussi être capable de détecter les épisodes exceptionnels, précisément ceux qui présentent les risques sanitaires les plus importants.
Les chercheurs soulignent par ailleurs une limite méthodologique de leurs travaux. Certaines incohérences dans les données initiales ont nécessité un traitement correctif, dont les résultats devront être confirmés à partir de données validées par les organismes de surveillance.
Dans les grandes agglomérations marocaines, où les émissions liées à la circulation automobile, aux activités industrielles et à d'autres sources peuvent affecter la qualité de l'air, les technologies prédictives pourraient constituer un outil complémentaire aux dispositifs de surveillance existants. L'enjeu serait notamment de développer des modèles adaptés aux caractéristiques de chaque territoire, en tenant compte des conditions météorologiques, des sources locales d'émissions et de la disponibilité des données.
Une autre étude scientifique, consacrée cette fois à la ville de Mohammedia et publiée en 2026, a d'ailleurs exploré l'utilisation de méthodes combinant apprentissage automatique et traitement mathématique des séries temporelles pour prévoir les concentrations de PM2,5 et PM10. Ses résultats suggèrent également que ces approches peuvent améliorer les prévisions, tout en soulignant les limites liées à l'utilisation de données provenant d'une seule station. Ces travaux montrent que les applications de l'IA à la qualité de l'air ne relèvent plus uniquement de perspectives théoriques. Elles font déjà l'objet de recherches utilisant des données marocaines.
Reste toutefois à déterminer dans quelle mesure ces méthodes pourraient être intégrées aux dispositifs nationaux de surveillance et d'information du public. Car la fiabilité des données constitue une condition déterminante. Un modèle, aussi performant soit-il, ne peut produire des prévisions robustes sans observations régulières, suffisamment représentatives et correctement validées.
Le développement de ces outils suppose également une coopération entre les spécialistes de l'intelligence artificielle, les météorologues, les experts de la qualité de l'air et les autorités sanitaires.
Les résultats de cette étude invitent finalement à une lecture nuancée des promesses de l'intelligence artificielle dans la lutte contre la pollution atmosphérique. Les algorithmes peuvent contribuer à améliorer les capacités d'anticipation, particulièrement à très court terme. Mais ils ne remplacent ni les stations de mesure, ni les modèles scientifiques décrivant les phénomènes atmosphériques, ni les politiques de réduction des émissions polluantes.
L'enjeu, pour les chercheurs comme pour les pouvoirs publics, consiste désormais à transformer ces avancées technologiques en outils opérationnels, capables de produire des alertes fiables et utiles à la population.
Pour le Maroc, la question n'est donc plus seulement de savoir si l'intelligence artificielle peut prévoir la pollution, mais comment réunir les conditions scientifiques, techniques et institutionnelles nécessaires pour exploiter ce potentiel.
Une étude publiée le 20 octobre 2026 dans la revue scientifique Scientific Reports, avec la participation de chercheurs de l'Université Hassan II de Casablanca, apporte de nouveaux éléments sur les performances réelles de ces technologies. Les travaux montrent que les modèles d'apprentissage automatique peuvent fournir des prévisions relativement fiables à très court terme, mais que leurs performances se dégradent sensiblement lorsqu'il s'agit d'anticiper la pollution plusieurs heures à l'avance.
Plus de 206.000 observations analysées pour évaluer les performances de l'IA
L'étude, intitulée Station-specific variability and short-term forecasting of a particulate air-quality index using machine learning in Charleroi, Belgium, a été menée par une équipe internationale comprenant Mohamed Bennis, Rachida El Morabet et Mohamed Youssfi, affiliés à l'Université Hassan II de Casablanca, ainsi que des chercheurs établis en Belgique et en Arabie saoudite.Pour évaluer les capacités prédictives de l'IA, les scientifiques ont exploité 206.184 observations enregistrées toutes les trente minutes, entre 2020 et 2023, dans trois stations de surveillance de la qualité de l'air situées à Charleroi, en Belgique. Leurs analyses portent principalement sur les particules fines PM2,5 et PM10, deux catégories de polluants atmosphériques particulièrement surveillées en raison de leurs effets sur la santé. Les premières, dont le diamètre ne dépasse pas 2,5 micromètres, peuvent pénétrer profondément dans les voies respiratoires. Les secondes, plus grosses, sont également susceptibles d'affecter le système respiratoire.
À partir de ces données, les chercheurs ont comparé plusieurs modèles d'apprentissage automatique, notamment les forêts aléatoires (Random Forest), les arbres de décision, les méthodes de renforcement progressif (Gradient Boosting) et les réseaux de neurones. L'objectif était de déterminer dans quelle mesure ces outils pouvaient anticiper les variations d'un indice de qualité de l'air fondé sur les concentrations de particules.
Des prévisions prometteuses à une heure, beaucoup moins à 24 heures
Les résultats montrent que les performances de l'intelligence artificielle dépendent fortement de l'horizon de prévision.
Pour les prévisions à une heure, les modèles testés obtiennent des coefficients de détermination R² compris entre 0,857 et 0,920. Cet indicateur mesure la capacité du modèle à expliquer les variations observées dans les données : plus il se rapproche de 1, meilleure est la correspondance entre les prévisions et les observations.
Mais cette performance diminue rapidement lorsque l'horizon s'allonge. À six heures, les coefficients se situent entre 0,551 et 0,641. À 24 heures, ils tombent entre 0,270 et 0,335. Cette dégradation constitue l'un des principaux enseignements de l'étude. Elle montre que l'IA peut relativement bien anticiper l'évolution immédiate de la pollution, mais rencontre davantage de difficultés lorsqu'elle doit prévoir les conditions atmosphériques à plus longue échéance.
Les chercheurs attirent également l'attention sur les résultats exceptionnellement élevés obtenus par certains modèles lorsqu'ils utilisent des données contemporaines de l'indice étudié. Dans ces conditions, les performances peuvent dépasser 0,999, sans pour autant correspondre à une véritable capacité de prévision. Autrement dit, calculer très précisément un indice à partir des données disponibles au même moment ne signifie pas être capable de prévoir sa valeur plusieurs heures plus tard. Une distinction essentielle pour éviter de surestimer les capacités opérationnelles de l'intelligence artificielle. Il faut également préciser que ces coefficients mesurent la qualité globale des prévisions de l'indice étudié. Ils ne représentent pas directement le pourcentage de pics de pollution correctement anticipés.
Vers des systèmes d'alerte plus réactifs ?
Malgré ces limites, les résultats ouvrent des perspectives intéressantes pour la gestion de la qualité de l'air dans les villes. En analysant rapidement de grandes quantités de données, les modèles d'intelligence artificielle pourraient contribuer à détecter les tendances annonçant une dégradation prochaine des conditions atmosphériques. De telles informations pourraient, à terme, aider les autorités à renforcer la surveillance des épisodes de pollution, à diffuser des recommandations sanitaires ou à mieux informer les populations vulnérables, notamment les enfants, les personnes âgées et celles souffrant de maladies respiratoires. L'intérêt de ces technologies réside également dans leur capacité à intégrer plusieurs paramètres susceptibles d'influencer les concentrations de polluants : données météorologiques, évolution du trafic routier, émissions industrielles ou encore variations saisonnières.Toutefois, leur utilisation dans des systèmes d'alerte nécessite des validations supplémentaires. Il ne suffit pas qu'un modèle fournisse de bonnes prévisions moyennes : il doit aussi être capable de détecter les épisodes exceptionnels, précisément ceux qui présentent les risques sanitaires les plus importants.
Les chercheurs soulignent par ailleurs une limite méthodologique de leurs travaux. Certaines incohérences dans les données initiales ont nécessité un traitement correctif, dont les résultats devront être confirmés à partir de données validées par les organismes de surveillance.
Quelles perspectives pour les villes marocaines ?
Bien que réalisée à partir de données recueillies en Belgique, cette recherche présente un intérêt particulier pour le Maroc, notamment en raison de la participation de scientifiques de l'Université Hassan II de Casablanca.Dans les grandes agglomérations marocaines, où les émissions liées à la circulation automobile, aux activités industrielles et à d'autres sources peuvent affecter la qualité de l'air, les technologies prédictives pourraient constituer un outil complémentaire aux dispositifs de surveillance existants. L'enjeu serait notamment de développer des modèles adaptés aux caractéristiques de chaque territoire, en tenant compte des conditions météorologiques, des sources locales d'émissions et de la disponibilité des données.
Une autre étude scientifique, consacrée cette fois à la ville de Mohammedia et publiée en 2026, a d'ailleurs exploré l'utilisation de méthodes combinant apprentissage automatique et traitement mathématique des séries temporelles pour prévoir les concentrations de PM2,5 et PM10. Ses résultats suggèrent également que ces approches peuvent améliorer les prévisions, tout en soulignant les limites liées à l'utilisation de données provenant d'une seule station. Ces travaux montrent que les applications de l'IA à la qualité de l'air ne relèvent plus uniquement de perspectives théoriques. Elles font déjà l'objet de recherches utilisant des données marocaines.
Reste toutefois à déterminer dans quelle mesure ces méthodes pourraient être intégrées aux dispositifs nationaux de surveillance et d'information du public. Car la fiabilité des données constitue une condition déterminante. Un modèle, aussi performant soit-il, ne peut produire des prévisions robustes sans observations régulières, suffisamment représentatives et correctement validées.
Le développement de ces outils suppose également une coopération entre les spécialistes de l'intelligence artificielle, les météorologues, les experts de la qualité de l'air et les autorités sanitaires.
Les résultats de cette étude invitent finalement à une lecture nuancée des promesses de l'intelligence artificielle dans la lutte contre la pollution atmosphérique. Les algorithmes peuvent contribuer à améliorer les capacités d'anticipation, particulièrement à très court terme. Mais ils ne remplacent ni les stations de mesure, ni les modèles scientifiques décrivant les phénomènes atmosphériques, ni les politiques de réduction des émissions polluantes.
L'enjeu, pour les chercheurs comme pour les pouvoirs publics, consiste désormais à transformer ces avancées technologiques en outils opérationnels, capables de produire des alertes fiables et utiles à la population.
Pour le Maroc, la question n'est donc plus seulement de savoir si l'intelligence artificielle peut prévoir la pollution, mais comment réunir les conditions scientifiques, techniques et institutionnelles nécessaires pour exploiter ce potentiel.
