Previsão multimodelo de $$\text {NO}_{2}$$ e $$\text {O}_{3}$$ em Abu Dhabi: benefícios da ampliação de características baseada em correlação

Por que previsões de ar mais limpo importam

As pessoas que vivem em cidades em crescimento como Abu Dhabi respiram um ar constantemente moldado pelo tráfego, pela indústria e pelo clima. Dois gases invisíveis, dióxido de nitrogênio e ozônio ao nível do solo, exercem papel importante na formação de smog e em problemas respiratórios. Este estudo faz uma pergunta prática com consequências reais: quão precisamente podemos prever esses poluentes com horas a dias de antecedência usando inteligência artificial moderna, e podemos melhorar esses prognósticos ensinando os modelos sobre como esses dois gases se influenciam mutuamente?

Os agentes problemáticos gêmeos no ar da cidade

Dióxido de nitrogênio e ozônio estão intimamente ligados na atmosfera. O dióxido de nitrogênio vem em grande parte dos escapamentos de veículos e de outras fontes de combustão; na presença de luz solar, contribui para a formação de ozônio, que é um dos principais componentes do smog. Durante o dia, os níveis de ozônio sobem enquanto o dióxido de nitrogênio frequentemente cai, e à noite o padrão pode se inverter. Em Abu Dhabi, o crescimento urbano rápido, o tráfego intenso e as condições desérticas que limitam a “limpeza” natural do ar tornam esses poluentes uma preocupação particular. Antecipar com precisão suas variações permite às autoridades alertar pessoas vulneráveis, ajustar o fluxo de tráfego ou planejar atividades industriais para reduzir riscos à saúde.

Uma visão detalhada do ar de Abu Dhabi

Os pesquisadores se apoiaram em um conjunto de dados incomumente grande e detalhado: cinco anos de medições horárias de dióxido de nitrogênio e ozônio de sete estações fixas de monitoramento espalhadas por desertos, subúrbios, distritos costeiros e uma zona industrial no Emirado de Abu Dhabi. Esse registro longo, cobrindo 2018 a 2022, evita as condições distorcidas observadas durante os bloqueios por COVID-19 que afetaram estudos anteriores. A equipe limpou cuidadosamente os dados, preenchendo lacunas ocasionais pela média de valores de datas e horas semelhantes em outros anos, e aplicou procedimentos matemáticos para lidar com picos abruptos preservando extremos reais de poluição. Em seguida, dividiram a série temporal em blocos sucessivos de treino e teste, imitando como um sistema real de previsão aprenderia com o passado e seria avaliado em períodos futuros não vistos.

Colocando muitos métodos de previsão à prova

Para ver quais ferramentas funcionam melhor, o estudo comparou uma ampla gama de abordagens. Métodos mais simples incluíram árvores de decisão, florestas aleatórias e máquinas de vetor de suporte, que procuram padrões em medições passadas. Métodos avançados de aprendizado profundo incluíram redes neurais convolucionais, que se destacam em detectar formas locais em séries temporais, e redes LSTM, projetadas para lembrar padrões de longo prazo. Os pesquisadores também usaram o Prophet, um modelo adaptado para capturar ciclos diários e sazonais repetitivos, e um modelo Transformer, uma arquitetura mais recente que usa um mecanismo de “atenção” para ponderar como diferentes momentos passados influenciam cada previsão. Todos os modelos foram solicitados a prever os níveis de poluentes com 1 hora, 2 horas, 1 dia e 1 semana de antecedência, e seus erros foram avaliados usando várias medidas complementares.

Aprendendo com a maneira como os poluentes se movem juntos

Como dióxido de nitrogênio e ozônio estão quimicamente entrelaçados, a equipe explorou se o histórico de cada poluente poderia ajudar a prever o outro. Primeiramente, mediram quão estreitamente os dois gases estavam ligados em cada estação e confirmaram uma relação inversa geralmente forte: quando um estava alto, o outro tendia a estar baixo. Em seguida, construíram duas versões de cada modelo. Na versão básica, o modelo via apenas os valores passados do poluente que se pretendia prever. Na versão aprimorada, também via valores defasados do outro poluente, oferecendo efetivamente uma dica extra sobre o estado atual do ar urbano. Isso permitiu testar se a “ampliação de características” — adicionar informação correlacionada — produz previsões mais precisas sem introduzir conhecimento do futuro.

Quais modelos venceram, e por que isso importa

Em quase todas as estações, poluentes e horizontes de previsão, o modelo Transformer superou claramente os demais, entregando os menores erros médios e o comportamento mais estável ao longo do tempo. Para o dióxido de nitrogênio, seu erro percentual típico variou de cerca de um quarto a um terço, e para o ozônio foi um pouco melhor ainda. Redes convolucionais ficaram próximas nas previsões de curtíssimo prazo, especialmente nas primeiras poucas horas, enquanto o Prophet mostrou-se útil no horizonte de uma semana graças à sua forte capacidade de capturar padrões recorrentes. Importante: fornecer aos modelos informação extra sobre o poluente parceiro reduziu consistentemente os erros de previsão, mais notavelmente para dióxido de nitrogênio com 1 hora de antecedência e para previsões de ozônio de até um dia completo. Em termos práticos, este trabalho mostra que IA avançada baseada em atenção, alimentada por um registro rico de vários anos e ensinada a explorar a “conversa” química entre poluentes-chave, pode oferecer previsões de qualidade do ar mais confiáveis. Essas ferramentas podem ajudar planejadores urbanos e agências de saúde em Abu Dhabi e em regiões similares a agir mais cedo e com maior precisão para proteger a saúde pública, especialmente de crianças, idosos e pessoas com problemas pulmonares ou cardíacos.

Citação: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

Palavras-chave: previsão de poluição do ar, dióxido de nitrogênio, ozônio ao nível do solo, modelos de aprendizado profundo, qualidade do ar em Abu Dhabi