Air Quality Arena : un benchmark pour prévoir la pollution de l'air avec des modèles de fondation

Une équipe internationale de chercheurs a présenté en juillet 2026 Air Quality Arena (AQA), un vaste dataset ouvert et un benchmark pour la prévision de la pollution de l'air. Il couvre 6 polluants majeurs, 7 pays sur 4 continents et plus de 14 000 séries temporelles « station-polluant ». Les travaux sont publiés en preprint sur arXiv, et les données sont accessibles librement.

Pourquoi un nouveau benchmark était nécessaire

Les benchmarks existants pour la prévision de la qualité de l'air sont trop étroits, tant sur le plan géographique que sur l'éventail de polluants, et testent à peine les time-series foundation models (TSFM) récents sur des données réelles à grande échelle. Air Quality Arena comble précisément cette lacune. Le machine learning est de plus en plus utilisé pour prévoir les niveaux de pollution, mais sans standard commun et large, comparer les modèles reste difficile.

Le problème n'a rien d'académique. Selon les auteurs, la pollution de l'air provoque chaque année environ 7,9 millions de décès prématurés, ce qui fait d'une prévision précise une priorité de santé publique.

«

La pollution de l'air causerait environ 7,9 millions de décès prématurés par an, ce qui fait de la prévision précise une priorité critique de santé publique », indique le preprint sur arXiv.

Ce que contient le dataset

Air Quality Arena se compose de deux volets : les données (AQA-Data) et le benchmark (AQA-Bench). Le dataset rassemble des mesures au sol de 6 polluants majeurs sur une période de trois ans, dans 7 pays répartis sur 4 continents, soit au total plus de 14 000 séries « station-polluant ». C'est nettement plus large que la plupart des jeux de données précédents, limités à une seule région ou à un ou deux polluants.

• 6 polluants atmosphériques majeurs
• Période d'observation : 3 ans
• 7 pays sur 4 continents
• Plus de 14 000 séries « station-polluant »
• 11 modèles de fondation testés, plus des méthodes de référence classiques

AQA-Bench évalue les modèles sur une tâche de prévision à court terme : prédire les niveaux de polluants pour la période à venir. Les auteurs soulignent la diversité des pays de l'échantillon, qui permet de vérifier dans quelle mesure un modèle reste performant dans des conditions variées.

Pourquoi les modèles de fondation l'emportent

Les time-series foundation models ont devancé les méthodes classiques parce qu'ils produisent des prévisions précises en mode zero-shot, c'est-à-dire sans réentraînement pour une station ou une région donnée. Les auteurs ont fait passer par AQA-Bench 11 TSFM de premier plan et des modèles de référence classiques sur la tâche de prévision à court terme de la pollution. D'après l'étude, les modèles de fondation se sont montrés systématiquement plus précis que les méthodes classiques dans toutes les régions.

La capacité zero-shot compte en pratique : un système de surveillance peut être déployé dans une nouvelle ville qui ne dispose pas encore d'un long historique d'observations pour l'entraînement.

Le meilleur résultat revient à une architecture cross-modale : pour prévoir les séries temporelles, elle mobilise un vision foundation model, c'est-à-dire un modèle initialement entraîné sur des images. Autrement dit, un réseau de neurones « visuel » transfère son expérience de la reconnaissance d'images à des séries numériques de mesures.

«

Les modèles de fondation pour séries temporelles sont des prévisionnistes zero-shot efficaces et surpassent systématiquement les méthodes de référence classiques », notent les auteurs dans le preprint sur arXiv.

Ce que cela signifie

La prévision de la qualité de l'air bascule vers des modèles de fondation universels : un seul modèle pré-entraîné peut s'appliquer dans plusieurs pays à la fois, sans réglage local. Le dataset ouvert de plus de 14 000 séries offre aux chercheurs un point de référence commun et accélère le développement de systèmes d'alerte précoce contre le smog et la pollution.

Questions fréquentes

Qu'est-ce qu'Air Quality Arena ?

C'est un dataset ouvert (AQA-Data) et un benchmark (AQA-Bench) pour la prévision de la pollution de l'air : 6 polluants, 3 ans d'observations, 7 pays sur 4 continents, plus de 14 000 séries « station-polluant ».

Quel modèle a obtenu le meilleur résultat ?

Le meilleur résultat revient à une architecture cross-modale qui utilise un vision foundation model pour prévoir les séries temporelles. Plus généralement, tous les time-series foundation models testés ont surpassé les méthodes classiques en mode zero-shot.

Combien de modèles ont été testés dans le benchmark ?

Les auteurs ont comparé 11 time-series foundation models de premier plan et plusieurs méthodes de référence classiques sur une tâche de prévision à court terme de la qualité de l'air.