Previsão de material particulado (PM2,5 e PM10) usando decomposição em séries de Fourier em combinação com LSTM e SVM

Por que previsões de ar mais limpo importam para todos

Poeira fina no ar é uma ameaça invisível que respiramos todos os dias. Partículas minúsculas chamadas PM2,5 e PM10 podem penetrar profundamente nos pulmões e na corrente sanguínea, aumentando o risco de doenças cardíacas e respiratórias. Ainda assim, os níveis de poluição podem mudar abruptamente de hora em hora. Este estudo investiga como prever essas oscilações com mais precisão, hora a hora e estação a estação, em uma movimentada cidade portuária marroquina—para que as autoridades possam alertar os moradores e planejar ações antes que o ar se torne perigoso.

Compreendendo a poeira no ar da cidade

Os pesquisadores focaram em Mohammedia, uma cidade da costa atlântica que abriga uma refinaria de petróleo e áreas industriais, tornando-a um bom campo de provas para a ciência da qualidade do ar. Eles examinaram dois tipos comuns de material particulado: PM2,5, a poeira mais fina com diâmetro de 2,5 micrômetros ou menos, e PM10, partículas um pouco maiores de até 10 micrômetros. Ambos permanecem suspensos no ar e são reconhecidos como alguns dos poluentes mais prejudiciais à saúde humana. A equipe coletou medições horárias dessas partículas de dezembro de 2020 a novembro de 2021, criando um registro detalhado de como a poluição subia e descia ao longo de dias, semanas e estações.

Limpeza de dados do mundo real, que são bagunçados

Como a maioria dos sistemas de monitoramento reais, os instrumentos da cidade não entregaram dados perfeitos. Algumas horas estavam ausentes por falhas de sensores ou problemas de comunicação, e as distribuições mostraram picos extremos ocasionais. Em vez de simplesmente preencher lacunas com suposições lineares que poderiam borrar picos reais de poluição, os autores usaram um método sensível às estações. Primeiro capturaram padrões diários regulares—como níveis mais altos durante as horas de tráfego intenso—e então preencheram apenas a parte irregular restante do sinal usando suavização local. Também separaram padrões repetidos em múltiplas escalas de tempo (dia, semana, ano) e empregaram uma técnica de detecção de anomalias para sinalizar e corrigir outliers suspeitos. Essa limpeza cuidadosa buscou preservar eventos de poluição reais ao remover ruído.

Deixando a matemática e as máquinas compartilharem o trabalho

No cerne do estudo está a combinação entre matemática clássica e inteligência artificial moderna. Os autores utilizaram as séries de Fourier, uma ferramenta que decompõe uma curva complexa em soma de ondas simples, para dividir as séries temporais de poluição em tendência, ciclos sazonais e flutuações residuais. Em seguida, treinaram dois modelos populares de aprendizado de máquina nessas séries processadas: máquinas de vetor de suporte (SVM), que encontram padrões nos dados por meio de curvas flexíveis, e redes de memória de longo prazo (LSTM), um tipo de rede neural projetada para aprender com sequências ao longo do tempo. Versões de cada modelo com pré-processamento baseado em Fourier (SVMF e LSTMF) foram comparadas a versões treinadas apenas com os dados brutos.

O que os padrões sazonais revelam

Os registros horários revelaram ritmos sazonais distintos no ar de Mohammedia. Para PM2,5, o outono apresentou os níveis médios mais altos, com picos longos à noite e madrugada, estendendo-se de cerca das 19h às 2h, provavelmente ligados ao tráfego, ao comércio e a atividades sociais. Inverno e verão também mostraram picos fortes à noite e no fim da madrugada, enquanto a primavera exibiu dois aumentos principais: um início de tarde e outro à noite. O PM10 seguiu padrões amplamente similares, com picos pronunciados à noite e níveis diurnos um pouco mais baixos na maioria das estações. Esses padrões reforçam que o pior ar frequentemente coincide com períodos em que muitas pessoas estão ao ar livre ou se deslocando.

Previsões mais precisas com sinais decompostos

Em todas as quatro estações e para ambos os poluentes, os modelos híbridos que combinaram decomposição de Fourier com aprendizado de máquina superaram claramente os modelos treinados com dados brutos. O modelo LSTMF, que acopla LSTM com pré-processamento baseado em Fourier, foi consistentemente o melhor. Para previsões horárias, sua precisão foi a mais alta em todas as estações, com resultados particularmente fortes no outono. Quando a equipe estendeu o horizonte para prever sete dias à frente, o LSTMF ainda apresentou alta habilidade, com coeficientes de determinação (R²) próximos ou superiores a 0,9 em muitos casos. Em termos simples, decompor o sinal ajudou os modelos a focarem em estruturas significativas—tendências de longo prazo e ciclos recorrentes—enquanto lidavam melhor com o ruído de curto prazo.

O que isso significa para a vida cotidiana

Para não especialistas, a mensagem chave é que previsões mais inteligentes podem transformar dados brutos de sensores em proteção prática. Ao prever com mais precisão os níveis horários de PM2,5 e PM10, planejadores urbanos e agências de saúde podem antecipar quando a poluição vai subir e alertar moradores com problemas respiratórios, ajustar fluxos de tráfego ou programar restrições industriais. Embora este estudo tenha analisado apenas uma cidade marroquina e usado somente medições passadas de partículas (sem acrescentar dados meteorológicos ou de emissões), ele mostra que combinar aprendizado profundo com decomposição matemática é uma receita poderosa para previsões de qualidade do ar mais limpas e confiáveis. Com refinamento adicional e expansão para mais locais, tais ferramentas poderiam sustentar sistemas de alerta precoce que ajudam as pessoas a respirar um pouco mais aliviadas no dia a dia.

Citação: Bennis, M., Youssfi, M., Morabet, R.E. et al. Particulate matter (PM2.5 and PM10) prediction using fourier series decomposition in combination with LSTM and SVM. Sci Rep 16, 7665 (2026). https://doi.org/10.1038/s41598-026-38436-4

Palavras-chave: previsão de poluição do ar, material particulado, aprendizado de máquina, decomposição de Fourier, qualidade do ar urbana