Cet article aborde les impacts environnementaux et sanitaires de la pollution atmosphérique agricole. Les modèles existants de prévision de la qualité de l'air reposent sur des approches physiques, qui peinent à saisir les interactions complexes et non linéaires entre polluants. Par conséquent, cette étude évalue les architectures les plus répandues et propose deux nouvelles architectures d'apprentissage profond, EmissionNet (ENV) et EmissionNet-Transformer (ENT), pour prédire les émissions agricoles de N₂O. Ces modèles exploitent des architectures convolutives et basées sur des transformateurs pour extraire les dépendances spatio-temporelles des données d'émission haute résolution.
