Les modèles de qualité de l'air produisent des prévisions souvent très incertaines des concentrations atmosphériques des polluants. Ces incertitudes proviennent de la connaissance très approximative des émissions, des limites des simulations météorologiques, des défauts de modélisation (chimie, dépôts, dynamique des particules), d'une prise en compte approximative de la turbulence, des erreurs de l'intégration numérique, etc. On cherche à quantifier les incertitudes des prévisions des concentrations en limitant le nombre d'appels aux modèles car ces derniers sont très coûteux en temps de calcul. À l'échelle urbaine, un modèle de qualité de l'air approche la solution stationnaire d'un système d'équations de transport réactif. Ses calculs dépendent de la météorologie, de la pollution de fond et des émissions, en particulier du trafic routier. Le calcul des concentrations de dioxyde d'azote et des particules fines, jusqu'à l'échelle de la rue, est suffisamment rapide pour effectuer en temps réel une simulation chaque heure. Il est cependant impossible d'effectuer beaucoup plus d'appels au modèle, ce qui entrave l'évaluation des fortes incertitudes. On procède alors à la réduction de dimension (au moins sur les sorties) et puis à l'émulation statistique du modèle réduit en dimension. La réduction de dimension est effectuée classiquement par projection dans un sous-espace déterminé par une analyse en composantes principales. L'émulation statistique repose sur une régression et une interpolation par krigeage ou par des fonctions de base radiales. Comparé à des observations, le modèle réduit et émulé est aussi performant que le modèle original. La démarche d'évaluation des incertitudes est ensuite d'effectuer des simulations Monte Carlo et demande une calibration reposant sur les observations. À plus grande échelle, un modèle de dispersion atmosphérique approche la solution de l'équation de transport au cours du temps et permet par exemple de suivre le panache radioactif émis suite à l'accident de Fukushima. Le modèle requiert un très grand nombre de données d'entrée sous forme de champs 3D dépendant du temps. L'analyse de sensibilité, par le calcul des indices de Sobol, permet d'identifier les variables expliquant la plus grande part de la variance des sorties. Dans ce cas encore, la réduction et l'émulation de modèle sont des étapes essentielles pour la maîtrise des coûts de calcul.