Contributions à l’apprentissage automatique pour la calibration des capteurs de pollution de l’air à faible coût

Dans cette thèse, nous proposons des modèles d'apprentissage profond sobres qui exploitent à la fois des approches directes et indirectes pour calibrer les capteurs de polluants de l'air à faibles coût. Nous commençons par présenter une revue exhaustive de l'état de l'art, en exposant les techniques existantes et leurs limites face au bruit et à la variabilité environnementale. Nous développons ensuite une stratégie de calibration directe reposant sur des modèles linéaires et non linéaires. Nos résultats montrent qu'en environnement contrôlé, un modèle linéaire peut être suffisant pour établir la relation entre les capteurs et les données de référence. En revanche, dans des conditions extérieures complexes, où les interférences entre polluants et les fluctuations environnementales sont plus marquées, l'utilisation de modèles non-linéaires s'avère indispensable. Par ailleurs, nous proposons une approche de calibration indirecte basée sur l'adaptation de domaines. En intégrant des auto-encodeurs variationnels et des techniques d'apprentissage adversariales, nous alignons les représentations latentes entre le domaine source et le domaine cible, renforçant ainsi la robustesse et la généralisabilité des modèles. Les études comparatives indiquent que, bien que la calibration directe offre des résultats satisfaisants dans des scénarios simples, l'adaptation de domaines est essentielle pour traiter efficacement des décalages importants dans des environnements réels.