Apprentissage automatique et fusion de données pour la surveillance environnementale. Application à la prévention des risques d’exposition aux polluants dans les environnements de travail

L'exposition professionnelle aux polluants constitue un enjeu majeur en santé au travail, en raison de ses effets potentiellement graves sur la santé des travailleurs et de la difficulté à caractériser précisément les situations d'exposition. La prévention de ces risques repose sur la capacité à mesurer, modéliser et représenter les concentrations de polluants dans le temps et dans l'espace. Cependant, les méthodes traditionnelles d'interpolation spatiale (e.g., krigeage), ne permettent pas de capturer la dynamique temporelle ni les hétérogénéités fines des phénomènes de diffusion observés dans les environnements réels. Ce travail vise à développer des approches de cartographie spatio-temporelle des concentrations de polluants intégrant explicitement la dimension temporelle et exploitant les mesures issues de réseaux de capteurs déployés en milieu de travail. Le problème étudié consiste à reconstruire le champ spatio-temporel des concentrations à partir de données partielles et bruitées, en combinant des stratégies d'échantillonnage, d'interpolation avec la modélisation physique. Un second objectif est d'évaluer la faisabilité d'estimer l'exposition individuelle des travailleurs à partir des cartes reconstruites et de leurs trajectoires spatio-temporelles. Deux approches de cartographie spatio-temporelle ont été développées : (1) une méthode fondée sur une modélisation tensorielle intégrant des contraintes de régularité spatio-temporelle, permettant de restituer la continuité des champs de diffusion ; et (2) une approche basée sur les réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs), qui intègre les équations différentielles gouvernant la diffusion-réaction des polluants. Ces méthodes ont été évaluées à partir de données expérimentales acquises en environnement contrôlé à l'INRS (Vandoeuvre-lès-Nancy) et fusionnées avec des trajectoires spatio-temporelles pour la reconstruction de l'exposition individuelle. Une modélisation 3D de l'environnement de travail a également été intégrée afin de générer des représentations réalistes de l'environnement étudié. Les résultats obtenus démontrent la capacité de ces approches à modéliser la dynamique spatio-temporelle des polluants et ouvrent la voie à de nouveaux outils d'aide à la décision pour la prévention des risques chimiques dans les environnement de travail.