Les Modèles de Chimie-Transport (CTM) simulent aujourd'hui de façon assez réaliste les concentrations des espèces responsables de la pollution photochimique estivale. Cependant, la complexité des phénomènes mis en jeu et la variabilité spatiale et temporelle des émissions de polluants sont telles que, quel que soit le modèle utilisé, il est impossible de reproduire parfaitement ces concentrations. Lorsqu'un paramètre interne ou d'entrée du modèle est mal décrit une erreur importante peut etre observée certains jours. Le modèle CHIMERE est un CTM couvrant la majeur partie de l'Europe avec une résolution d'une cinquantaine de kilomètres. Il offre la possibilité de zoomer et de simuler de façon plus détaillée les concentrations des polluants sur des régions clefs, telles que l'Ile-de-France et la région de Berre et de Marseille.<br /><br />Les simulations de ce modèle ont été compaés avec des observations de surface et des données aéroportées de la campagne d'Etude et Simulation de la QUalité de l'Air en Ile-de-France (ESQUIF) à l'échelle européenne et régionale. Cette comparaison a permis ainsi de quantifier l'erreur globale commise sur les concentrations d'ozone et de son précurseur, le dioxyde d'azote. Différentes méthodes (Interpolation Statistique, Krigeage) ont été testées et adaptées au cas de la pollution dans le but de corriger cette erreur. Elles ont été comparées et validées de manière objective. Il a été montré que la combinaison des observations de surface et des simulations du modèle permet d'obtenir efficacement des cartes tridimensionnelles (i.e. des analyses) de concentration des deux polluants, plus réalistes que les simulations brutes.<br /><br />Les expériences menées depuis trois ans dans le cadre du projet PIONEER (Prévisibilité et Incertitude de l'Ozone à l'échelle Européenne et Régionale) montrent que l'erreur de prévision peut éventuellement se propager d'une région vers une autre. Les analyses des concentrations d'ozone, produites à l'échelle européenne ont été également utilisées pour réinitialiser le modèle de prévision. L'objectif était alors de savoir s'il est possible d'améliorer aussi les prévisions à court termes en utilisant de meilleurs états initiaux que les prévisions de la veille.