CAMS Atelier virtuel pour les utilisateurs (France)

(1)

Atmosphere Monitoring

Séance 2-2 (15:00 - 15:45) CAMS show cases 2

Chair: G. Collin (MeteoFrance) Co-chair: A. Colette (INERIS)

CAMS Atelier virtuel pour

les utilisateurs (France)

(2)

Prévision d’ensemble de qualité de l’air intégrant les produits CAMS

Cyril Joly

30 Juin 2021

(3)

Table des matières

1 Enjeux

2 Agrégation séquentielle

3 Gestion des données manquantes

4 Résultats

(4)

Enjeux

Travaux réalisés dans le cadre d’Esmeralda, regroupement de six AASQAs

Exploiter la diversité des runs quotidiens de 18 modèles déterministes de qualité de l’air, dont les 9 de CAMS

Produire une prévision aux stations plus performante que chacun des prédicteurs individuels pour le NO₂, les PM₁₀, les PM_2.5 et l’O₃

(5)

Enjeux

Figure: Domaines des différents modèles d’AQ exploités par la prévision d’ensemble

(6)

Agrégation séquentielle

Agrégation des différentes prédictions des modèles d’AQ en une seule

Agrégation qui varie quotidiennement, et qui est propre à chaque station et à chaque polluant

Agrégation qui dépend des performances récentes de chaque

modèle sur une fenêtre d’observation passée (7 jours pour l’instant)

(7)

Agrégation séquentielle

(8)

Agrégation séquentielle

(9)

Agrégation séquentielle

(10)

Agrégation séquentielle

Modèle d’agrégation retenu : linéaire avec régularisation `¹ (lasso) et contrainte sur la positivité des coefficients

Pas d’autres contraintes sur les coefficients (contrainte usuelle : Pw_i= 1)

Pondération des données d’apprentissage : les données plus récentes comptent plus que celles plus anciennes

Implémentationscikit-learn

scikit

(11)

Gestion des données manquantes

Intégration en cours d’un module de gestion “optimale” des valeurs manquantes : présence de valeurs manquantes en cas de problèmes sur des runs de modèles ou d’éventuelle indisponibilité de l’API CAMS

Formalisation du besoin (éliminer les valeurs manquantes des données d’apprentissage tout en conservant le maximum de données) sous forme d’un problème d’optimisation linéaire

(12)

Résultats

Fourniture des séries temporelles aux prévisionnistes sur notre plate-forme (privée)

Scores en accord avec la théorie : la prévision d’ensemble agrégée présente de meilleures performances que les prévisions individuelles en termes de biais, rmse, mae, corrélation, et uppa ( ^Annexes ) Bonne réactivité temporelle constatée (fenêtre d’observation passée courte ; pas de contrainte surP

wi, ce qui permet à la prévision agrégée d’éventuellement se situerhors du faisceau des prédicteurs individuels)

(13)

Merci de votre attention !

(14)

Références

Mallet, Vivien, Gilles Stoltz, and Boris Mauricette. "Ozone ensemble forecast with machine learning algorithms." Journal of Geophysical Research: Atmospheres 114.D5 (2009).

https://stoltz.perso.math.cnrs.fr/CV/Diffusion/Stoltz-Pr epa-2010.pdf

https://mathematica.stackexchange.com/questions/108299/g iven-a-large-binary-matrix-find-the-largest-submatrix- containing-non-zero-elem

(15)

Annexes

Figure: Scores sur les moyennes journalières à J+0 en PM2.5

(16)

Annexes

(17)

Annexes

Figure: Scores sur les moyennes journalières à J+2 en PM2.5

(18)

COVID-19 SPRING 2020 LOCKDOWN AND ITS IMPACT ON AIR POLLUTION AND MORTALITY

Sylvia Medina, Santé publique France

Augustin Colette, INERIS

(19)

2

WHY WE DID THIS RESEARCH

❖ Santé publique France in collaboration with INERIS, CITEPA and others used a QHIA (quantitative health

impact assessment) to determine whether there was a reduction in exposure to air pollution (AP) from the

sharp decrease in activities during the Spring 2020 lockdown in France to combat COVID-19, and if these

changes in exposure to AP had an impact on mortality

(20)

EXPOSURE ASSESSMENT

The AP concentrations were modelled by Ineris:

• CHIMERE Chemistry-Transport Model

• Emissions: CAMS (BSC) Emission Reduction Factor for France & Europe, Modulated in space & time for France by CITEPA

• 4 km resolution concentrations, corrected with observations for the reference scenario

• Converted to population-weighted

aggregates for the QHIA study

(21)

4

WHAT WE LEARNED

Decrease in AP concentrations (µg/m

³

et %)

➢ Note: the more urbanized the area, the greater the decrease in concentrations

Tight lockdown (A)

(16 March - 11 May 2020)

Gradual lifting (B)

(11 May - 22 June 2020)

Total period (A+B)

(16 March - 22 June 2020)

Annual (1 July 2019 to

30 June 2020)

Daily mean differences

[min;max]

(µg/m

³

)

Reduction percentage

[min;max]

(%)

Daily mean differences

[min;max]

(µg/m

³

)

Reduction percentage

[min;max]

(%)

Daily mean differences

[min;max]

(µg/m

³

)

Reduction percentage

[min;max]

(%)

Daily mean differences

[min;max]

(µg/m

³

)

Reduction percentage

[min;max]

(%)

PM₁₀

-2.4

[-8.6;-0.1]

12.5 [-1.1;44.9]

-0.4 [-4.4;0.7]

2.8 [-7.1;33.1]

-1.5 [-6.7;0.1]

8.3 [-1.8;39]

- -

NO₂

-3.2

[-30.8;-0,3]

44.7 [6.9;214.8]

-0.6 [-19.6;0.1]

8.4 [-1.6;150.3]

-2.1 [-25.9;-0.2]

29.0 [3.5;187.8]

-0.6 [-7.0;-0.04]

7.8 [1.0;50.5]

PM_2.5

- - -

-

- - -0.3

[-0.9;0.01]

2.4 [-0.6;8.9]

(22)

WHAT WE LEARNED

The decreases in AP during the Spring 2020 lockdown in France resulted in an estimated:

▪ 2,300 deaths prevented from a decrease in the population’s exposure to particulate matter (PM

₁₀

and PM

_2.5

)

▪ 1,200 deaths prevented from a decrease in the population’s exposure to nitrogen dioxide (NO

₂

)

We compared these short-term findings with updated long-term estimates for 2016-2019 in France which revealed:

▪ 40,000 annual deaths attributable to exposure to fine particles (PM

_2.5

)

▪ 7,000 annual deaths attributable to exposure to NO

₂

(23)

6

LIMITATIONS OF OUR STUDY

The unique situation during the lockdown changed the population’s usual exposure to AP through lowered mobility, more time spent indoors, changing lifestyles and behaviors, etc.

❖ We couldn’t account for these changes given the lack of available data at the time we

conducted the study

(24)

WHAT OUR FINDINGS MEAN

Short-term reductions in AP levels are associated with rapid, measurable health benefits

❖ Even short-term actions that reduce AP levels appear to have a significant impact on health

At the same time, the long-term burden of AP on health remains a more significant risk factor in France

❖ Efforts to reduce AP and associated mortality must be pursued lastingly for all sources of AP through

tailored, ambitious policies

(25)

8

OTHER TAKEAWAYS

The lockdown had other positive and negative consequences for the population’s health:

• Positive: reductions in noise levels and deaths from road accidents

• Negative: mental health, delayed screening and access to health care, increased sedentary behavior

These consequences highlight the need to conduct integrated assessments of competing health risks

(26)

ACKNOWLEDGEMENTS

❖ Authors

• Santé publique France :

o DSET : Sylvia Medina, Lucie Adelaïde, Magali Corso, Mathilde Pascal, Amélie Durou, Marion Hulin, o DATA : Vérène Wagner, Perrine de Crouy Chanel,

• Ineris : Elsa Real, Augustin Colette, Florian Couvidat

• Citepa : Bertrand Bessagnet

• ORS Ile-de-France : Sabine Host

❖ Contributors

▪ Atmo Grand-Est : Emmanuel Rivière, Florent Vasbien, Maxime Alter

▪ AtmoFrance : Charlotte Lepitre

❖ Reviewers

▪ ORS Occitanie : Sylvie Cassadou

▪ Santé publique France (DMNTT) : Aymeric Ung

❖ DSET secretariat (Nadège Diakité)

(27)

10

The Psas program

To learn more :

➢ https://www.santepubliquefrance.fr/determinants-de-sante/pollution-et-sante/air

Thank you!

(28)

PREVIPOL Mesurer et prédire le risque d’allergie au pollen à court terme

Benjamin Guinot LAERO

1- L’IMPORTANCE DES MESURES EN TEMPS RÉEL

2- DE LA CONCENTRATION AU RISQUE D’ALLERGIE

3- RENFORCER LA MODÉLISATION DES SOURCES

Principe de la chaîne de prévision

PREVIPOL

(29)

PREVIPOL Mesurer et prédire le risque d’allergie au pollen à court terme

Benjamin Guinot LAERO

1- L’IMPORTANCE DES MESURES EN TEMPS RÉEL

AEROTAPE

Compact, autonome Particules + météo Brevet CEA CNRS

Lyon x3 (depuis juin 2020) Monacox3 (juillet 2021)

Région Ile-de-France x10 (nov. 2021)

RNSA

Capteurs normés Données hebdo X

RNSA-OBERON Capteurs faible coût Données temps réel X

MODÉLISATION Sources

& transport

Visible UV

Pollens et moisissures

Poussières désertiques

(30)

PREVIPOL Mesurer et prédire le risque d’allergie au pollen à court terme

Benjamin Guinot LAERO

2- DE LA CONCENTRATION AU RISQUE D’ALLERGIE

• Le potentiel allergisant diffère d’un allergène à l’autre ;

• D’un individu à un autre ;

• Et selon la présence de cofacteurs (polluants, temp., humidité…)

Pollen x Ozone et indicateur sanitaire 2010-2018

Indicateur sanitaire (IAS) 2010

O zone

(31)

PREVIPOL Mesurer et prédire le risque d’allergie au pollen à court terme

Benjamin Guinot LAERO

3- RENFORCER LA MODÉLISATION DES

SOURCES GRAMINÉES

Obs RNSA ORCHIDEE CAMS

(32)

PREVIPOL Mesurer et prédire le risque d’allergie au pollen à court terme

Benjamin Guinot LAERO

1- L’IMPORTANCE DES MESURES EN TEMPS RÉEL

2- DE LA CONCENTRATION AU RISQUE D’ALLERGIE

3- RENFORCER LA MODÉLISATION DES SOURCES

Sources et phénomènes de transport sont hétérogènes ; ils requièrent une densification des obs

La nécessaire prise en compte des cofacteurs et de la réponse sanitaire

Estimer l’incertitude sur les sources requiert

l’utilisation de plusieurs modèles

(33)

Integrating Copernicus Air Quality Forecasts in a

Comprehensive Air Quality Modelling System for

Saudi Arabia

Jacques MOUSSAFIR (VP - Strategy) [email protected]

A Company

(34)

ARIA Technologies

Modelling Atmospheric Emissions, Meteorology & Air Quality

• Expertise:

o

High resolution HPC numerical simulation of:

o

Emissions

o

Meteorology

o

Pollutant dispersion & Air quality

o

AIRCITY High Resolution Urban Simulation

o

ARIA View Continuous Plant Monitoring

o

Simulations of Climate change effects

o

CARBOCOUNT GHG emissions V&V

o

Advanced Fire propagation tools

o

Adaptation Strategies

•

References:

o

Governments : US-DOD, Tunisia, Romania, Israel, Saudi Arabia, Chile, Qatar

o

Cities : Paris, Milano, Torino, Roma, Beijing, Wuhan, Rio, Recife,

A Company

(35)

NECC National Scale project in Saudi Arabia

A Company

▪ Air Quality Monitoring Center (AQMC) connected to COPERNICUS

▪ WRF + CHIMERE + FARM + PMSS modelling system

▪ Local Atos HPC

▪ National 4 km resolution AQ forecast 24/7 basis

▪ 5 m resolution AIRCITY on 6 major cities

▪ Industrial + Urban focus

▪ Team with STC, ENVEA, Atos

▪ 12mth Development + 3 yrs maintenance

(36)

NECC National Scale project in Saudi Arabia

A Company

(37)

AIRCITY Platform

HIGH RESOLUTION 3D URBAN SIMULATIONS

• City-specific

• From regional

(COPERNICUS) to street scale (3m cells)

• 3D metric resolution CFD for urban areas, real-time

• Analysis, Forecast, Scenarios

• Data assimilation from fixed and mobile sensors

• Compliant with most of AQ sensors

• Tested in several cities worldwide

Paris, Milano, Torino, Roma, Wuhan, Hong-Kong, Beijing, Rio, Marseilles, Salvador de Bahia,

A Company

(38)