KNOXVILLE, TN, 11 décembre 2025 /24-7PressRelease/ -- Comprendre le comportement de l'ozone à l'intérieur est essentiel pour évaluer les risques pour la santé humaine, les personnes passant la majeure partie de leur temps à l'intérieur. Cette étude a développé le premier modèle d'apprentissage automatique à grande échelle capable de prédire les concentrations horaires d'ozone intérieur (O₃) en utilisant des prédicteurs facilement accessibles, notamment l'O₃ extérieur, les conditions météorologiques et le comportement d'ouverture des fenêtres.

L'ozone (O₃) est un polluant atmosphérique majeur formé par des réactions chimiques entre les oxydes d'azote et les composés organiques volatils sous l'effet de la lumière du soleil. En 2021, l'exposition à long terme à l'O₃ a contribué à près de 490 000 décès dans le monde. Bien que la plupart des évaluations d'exposition reposent sur des données extérieures, les gens passent généralement 70 % à 90 % de leur temps à l'intérieur, où la ventilation, les sources intérieures et les matériaux de construction influencent tous les niveaux réels d'O₃. Les modèles mécanistes traditionnels nécessitent des paramètres intérieurs détaillés difficiles à obtenir dans les études à grande échelle, tandis que les modèles de régression linéaire peinent à gérer les relations environnementales non linéaires. En raison de ces limites, il est urgent de développer des modèles précis et évolutifs capables de prédire l'exposition intérieure à l'O₃ sur la base de données environnementales et comportementales accessibles.

Des chercheurs de l'Université Fudan et de l'Académie chinoise des sciences ont construit un modèle d'apprentissage automatique pour prédire les niveaux horaires d'O₃ intérieur dans 18 villes chinoises. L'étude, publiée (DOI : 10.1016/j.eehl.2025.100170) dans Eco-Environment & Health le 9 juillet 2025, a utilisé des algorithmes de forêt aléatoire entraînés sur des mesures de capteurs à faible coût combinées à des données météorologiques et de ventilation. En comparant deux modèles — avec et sans information sur l'état des fenêtres — les chercheurs ont démontré que l'inclusion du comportement de ventilation améliorait significativement la précision des prédictions, marquant une étape importante vers une évaluation plus réaliste de l'exposition à l'O₃.

L'équipe a collecté plus de 8 200 heures de données d'O₃ intérieur à l'aide de capteurs électrochimiques portables dans 23 foyers. Les variables prédictives comprenaient les niveaux d'O₃ extérieur (provenant d'ensembles de données de forêt aléatoire à haute résolution et MERRA-2), les paramètres météorologiques (température, humidité, vent, rayonnement solaire, hauteur de la couche limite et pression de surface), et l'état d'ouverture des fenêtres enregistré manuellement par des volontaires. Deux modèles de forêt aléatoire ont été comparés : l'un excluant et l'autre incluant l'état des fenêtres. L'intégration du comportement d'ouverture a augmenté le R² de validation croisée de 0,80 à 0,83 et réduit le RMSE de 7,89 à 7,21 ppb. Le modèle a capturé avec précision les fluctuations horaires de l'O₃ et les différences régionales, obtenant de meilleurs résultats dans le sud que dans le nord de la Chine et en saison froide plutôt que chaude. L'analyse de l'importance des prédicteurs a montré que la pression de surface, la température et l'O₃ ambiant étaient les facteurs dominants, la ventilation émergeant comme un déterminant comportemental crucial. Des comparaisons diurnes ont révélé que les concentrations d'O₃ intérieur étaient 40 % inférieures aux niveaux extérieurs pendant la journée, soulignant l'effet tampon des environnements intérieurs.

« La plupart des études sur l'exposition reposent encore sur des données d'O₃ extérieur, mais ce n'est que la moitié de l'histoire », a déclaré le Pr Xia Meng, auteur principal de l'étude. « Nos résultats montrent que le comportement de ventilation — quelque chose d'aussi simple que le fait qu'une fenêtre soit ouverte ou fermée — peut modifier considérablement l'exposition. En intégrant de telles données comportementales avec des informations météorologiques via l'apprentissage automatique, nous pouvons enfin estimer l'O₃ intérieur plus précisément à grande échelle. Cela renforcera les études épidémiologiques et aidera à orienter les interventions de santé publique en milieu urbain et résidentiel. »

Cette recherche présente une stratégie pratique et à faible coût pour prédire l'exposition intérieure à l'O₃ en temps réel sur de vastes zones géographiques. Le modèle peut être intégré dans les évaluations des risques pour la santé, les systèmes de surveillance des maisons intelligentes et les plateformes de surveillance de la santé publique, permettant aux décideurs et aux scientifiques de mieux comprendre les différences d'exposition intérieur-extérieur. Les travaux futurs pourraient étendre le cadre à d'autres polluants tels que les particules fines ou le dioxyde d'azote, intégrer des capteurs intelligents pour le suivi automatisé des fenêtres, et étendre la surveillance à diverses zones climatiques. En fin de compte, cette approche par apprentissage automatique fait le lien entre la modélisation environnementale et la vie quotidienne, favorisant des environnements intérieurs plus sains dans les régions en cours d'urbanisation rapide.

Références
DOI
10.1016/j.eehl.2025.100170

URL de la source originale
https://doi.org/10.1016/j.eehl.2025.100170

Informations sur le financement
Ce travail a été financé par la Fondation nationale des sciences naturelles de Chine (82003413 et 82030103).

À propos de la revue
Eco-Environment & Health (EEH)

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, ancré dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées, de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.