Um novo modelo de nowcasting (estimativa) baseado em um sistema adaptativo de inferência difusa hesitante neutrosófica em rede (ANNHFIS): um estudo de caso em Istambul

Por que este estudo importa para o ar da cidade

Usinas de biomassa transformam resíduos domésticos e orgânicos em eletricidade, o que parece uma vitória para a energia limpa. Ainda assim, essas instalações continuam a liberar dióxido de nitrogênio, um gás que pode irritar os pulmões e agravar a asma. Em cidades densas como Istambul, saber o nível de dióxido de nitrogênio de hoje perto dessas usinas pode ajudar as autoridades a alertar moradores e gerir a qualidade do ar. Este estudo apresenta um novo tipo de sistema de previsão inteligente projetado para fornecer estimativas do mesmo dia mais confiáveis do dióxido de nitrogênio ao redor de uma importante usina de resíduos para energia.

Como resíduos para energia afetam o ar próximo

Usinas de biomassa queimam ou processam enormes quantidades de resíduos para manter a energia. Dependendo de como são operadas, podem emitir partículas e óxidos de nitrogênio em níveis comparáveis aos de algumas usinas que usam combustíveis fósseis. O dióxido de nitrogênio é especialmente importante porque torna o ar mais opaco, contribui para a formação de smog e chuva ácida, e prejudica os pulmões. No distrito de Eyup, em Istambul, um grande complexo de usinas de resíduos para energia e de biometanização fornece energia para milhões de pessoas, mas também libera gases como dióxido de nitrogênio e partículas finas na atmosfera. Entender como o clima local e co-poluentes se combinam para moldar os níveis diários de dióxido de nitrogênio próximos a esse complexo é, portanto, uma questão-chave de saúde pública.

Quais dados alimentaram o modelo

Os pesquisadores focaram nas condições diárias entre 2019 e 2023 próximas às instalações de Eyup. Eles usaram cinco informações como entradas: radiação solar, temperatura do ar, umidade, óxidos de nitrogênio e partículas grossas no ar. Todas foram medidas em uma estação de monitoramento próxima que registra tanto meteorologia quanto qualidade do ar. O objetivo foi estimar a média do mesmo dia do nível de dióxido de nitrogênio a partir dessas medições. Antes de treinar os modelos, a equipe limpou os dados removendo dias com leituras faltantes e filtrando falhas extremas dos sensores. Em seguida, padronizaram todos os valores para uma faixa comum e verificaram os registros em busca de saltos súbitos ou tendências de longo prazo que pudessem confundir os algoritmos de aprendizado.

Uma nova forma de lidar com sinais do mundo real, barulhentos

Modelos estatísticos tradicionais tratam as relações nos dados como majoritariamente lineares e podem ter dificuldade quando os padrões são ondulados, irregulares ou mudam com o tempo. Redes neurais padrão são mais flexíveis, mas podem sobreajustar ou oferecer pouca transparência sobre como chegam a uma decisão. Os autores construíram um sistema híbrido que mistura redes neurais com lógica difusa, um método que trabalha com tons de cinza em vez de respostas sim/não. A novidade deles foi permitir que o sistema expressasse não apenas quão fortemente uma entrada pertence a uma categoria como baixo ou alto, mas também sua incerteza e hesitação. Ao usar curvas em forma de sino pareadas e uma regra especial de mistura, o modelo pode representar casos ambivalentes em que os dados são ruidosos ou conflitantes, o que é comum em medições de ar ao ar livre.

Como o estimador inteligente aprende

O novo modelo baseia-se em um conjunto de regras do tipo se-então, por exemplo, baixa radiação solar e altos níveis de partículas podem sugerir maior dióxido de nitrogênio. Por trás da cena, ele combina centenas dessas regras, cada uma com forças que variam suavemente em vez de limites rígidos. Para ajustar essa base de regras complexa, a equipe usou otimização por enxame de partículas, um método que trata cada solução candidata como uma partícula movendo-se pelo espaço e encaminha o enxame em direção a melhor desempenho. Essa etapa de busca ajusta como as categorias difusas são posicionadas e quão importante é cada regra. Um passo de ajuste fino posterior baseado em aprendizado por gradiente então aperfeiçoa o ajuste. A precisão do modelo foi verificada com medidas de erro padrão e comparada com várias referências fortes, incluindo redes neurais clássicas, redes de memória de longo curto prazo (LSTM) e sistemas difusos anteriores.

O que os pesquisadores descobriram

Em dados de teste não vistos, o novo sistema produziu o menor erro médio e a maior concordância com os níveis observados de dióxido de nitrogênio entre os modelos estudados. Capturou variações diárias e picos de poluição melhor do que outras abordagens difusas e um modelo de sequência de deep learning, e teve desempenho semelhante a uma rede neural padrão bem ajustada, ao mesmo tempo em que se manteve mais transparente. Testes estatísticos mostraram que as melhorias sobre a maioria dos concorrentes eram improváveis de se dever ao acaso. Os autores argumentam que a forma mais rica como seu modelo lida com a incerteza o ajuda a lidar com padrões não suaves e mutáveis nos registros de qualidade do ar.

O que isso significa para os moradores urbanos

Para quem vive perto de usinas que usam resíduos como combustível, o estudo mostra como ferramentas de nowcasting mais inteligentes podem dar uma imagem mais clara do ar que se respira hoje. O método proposto não elimina a poluição, mas pode permitir que agências municipais detectem dias de risco com mais confiabilidade e planejem respostas como alertas ou mudanças operacionais. Como a abordagem é flexível, ela pode ser adaptada a outros distritos, poluentes ou horizontes de previsão em trabalhos futuros. Em termos simples, a pesquisa oferece um termômetro de qualidade do ar mais nuançado que reconhece a incerteza e ainda assim entrega orientação prática para gerir o dióxido de nitrogênio em cenários urbanos movimentados.

Citação: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Palavras-chave: poluição do ar, dióxido de nitrogênio, usinas de biomassa, modelagem da qualidade do ar, aprendizado de máquina