Previsão resolvida por altitude da poluição do ar ao longo de rodovias usando medições por VANT e aprendizado de máquina

Por que a poluição próxima às rodovias importa

Muitas pessoas moram, trabalham ou se exercitam perto de rodovias movimentadas, onde os gases de escapamento do tráfego podem afetar silenciosamente a saúde. No entanto, a maioria dos monitores de qualidade do ar está instalada em pontos fixos no solo e não consegue mostrar como a poluição varia a poucos metros de altura ou de distância da via. Este estudo combina drones e modelos computacionais avançados para criar um retrato tridimensional da poluição à beira da estrada, ajudando planejadores urbanos e pesquisadores de saúde a entender quem está mais exposto e quando.

Usando sensores voadores para mapear o ar poluído

Os pesquisadores concentraram-se em uma rodovia coreana importante que conecta Seul e Busan e transporta parte do tráfego mais intenso do país. Eles instalaram um sensor de ar compacto em uma estação à beira da estrada e prenderam um segundo sensor idêntico a um quadricóptero. Os instrumentos mediram quatro poluentes-chave: monóxido de carbono do escapamento, dióxido de nitrogênio da queima de combustível, ozônio ao nível do solo formado pela luz solar e partículas finas conhecidas como PM2,5. Ao longo de vários dias no verão e no inverno, o drone voou para cima e para baixo acima da via em alturas de 10 a 60 metros e, no inverno, também se deslocou horizontalmente até 60 metros da estrada, pausando em cada ponto para amostrar o ar.

O que o drone viu acima da estrada

As medições revelaram padrões claros de como a poluição muda com a altura, a distância, a hora do dia e a estação. Dióxido de nitrogênio e ozônio foram mais altos próximos ao solo e diminuíram com a altitude e a distância da rodovia, mostrando que os veículos são uma fonte local dominante. O dióxido de nitrogênio teve picos por volta das 7h, coincidindo com o horário de pico matinal, enquanto o ozônio estava mais baixo nesse período e mais alto na tarde ensolarada, quando a luz solar impulsiona reações químicas no ar. No inverno, o dióxido de nitrogênio tendia a ser mais elevado em geral, favorecido por camadas de ar frio e estagnado que aprisionam emissões perto da superfície. Surpreendentemente, os níveis de partículas finas foram maiores no verão do que no inverno; ao traçar trajetórias de massas de ar retroativamente por 48 horas, a equipe descobriu que o ar de verão frequentemente vinha de regiões industriais do leste da China, sugerindo que o transporte a longa distância somou-se à poluição local do tráfego.

De leituras esparsas a um mapa 3D de poluição

Porque os drones só podem voar por um tempo limitado e devem seguir rotas seguras, suas medições são pontuais no espaço e no tempo. Para preencher as lacunas, a equipe treinou vários modelos de aprendizado de máquina para prever como a poluição em altitude se compara ao que é medido à beira da estrada. Em vez de prever concentrações brutas, eles se concentraram na razão entre as leituras do drone e as leituras ao nível do solo para cada poluente. Os modelos usaram cinco grupos de entradas: níveis de poluição no solo, volume e velocidade do tráfego, condições meteorológicas (vento, temperatura, umidade), a altura do drone e a distância da estrada, e estação do ano e hora do dia. Entre vários algoritmos concorrentes, um método chamado CatBoost foi o melhor, explicando cerca de dois terços a quase toda a variação nessas razões dependendo do poluente e da estação.

O que impulsiona os padrões de poluição acima da rua

Ao investigar o modelo treinado, os pesquisadores puderam ver quais fatores do mundo real moldaram com mais força os padrões verticais e horizontais de cada poluente. Para o monóxido de carbono, a velocidade do tráfego foi muito importante: veículos mais lentos ou em regime de para e anda estavam associados a poluição relativa maior perto da estrada, refletindo escapamentos mais intensos. Para o dióxido de nitrogênio e as partículas finas, a combinação do que acontecia ao nível do solo e o clima local foi determinante—condições mais quentes e concentrações maiores no solo tendiam a aumentar os níveis em altitude. Os padrões de ozônio foram governados mais pela meteorologia e pela estação do que pelas leituras de ozônio no solo, consistente com sua formação por química impulsionada pela luz solar. Quando a equipe usou o modelo para criar mapas contínuos das razões de poluição ao longo da altura, da distância, do tempo e da estação, os padrões resultantes combinaram bem com o entendimento estabelecido: maior dióxido de nitrogênio grudado à via, ozônio aumentando ao longo do dia e partículas subindo e se misturando gradualmente para longe das faixas de tráfego.

Como isso ajuda as pessoas a respirarem melhor

Em termos simples, o estudo mostra que o que um drone mede acima de uma rodovia pode ser reconstruído de forma confiável a partir do que um monitor de solo, contadores de tráfego e instrumentos meteorológicos observam abaixo. Ao unir voos curtos de drones com aprendizado de máquina, os pesquisadores produziram vistas tridimensionais detalhadas da qualidade do ar à beira da estrada que seriam difíceis e caras de obter apenas com medições. Esses mapas de alta resolução podem melhorar estimativas de quão fortemente moradores, passageiros e pedestres são expostos à poluição do tráfego a diferentes alturas e distâncias, e em diferentes horários do dia e do ano. A longo prazo, essa abordagem combinada de drone e modelo pode orientar a localização de novas vias, barreiras contra ruído e faixas verdes, além de ajudar autoridades urbanas a testar como políticas de controle de tráfego poderiam limpar o ar que as pessoas realmente respiram.

Citação: Kho, C.J., Seo, S., Hwang, H. et al. Altitude-resolved prediction of roadside air pollution using UAV measurements and machine learning. Sci Rep 16, 13925 (2026). https://doi.org/10.1038/s41598-026-44153-9

Palavras-chave: poluição do ar ao longo de rodovias, drones, aprendizado de máquina, rodovias, partículas finas