FuXi-Air: previsão da qualidade do ar baseada em aprendizado de máquina multimodal de emissões-meteorologia-poluentes

Por que um ar mais limpo precisa de previsões mais rápidas

A poluição do ar é uma das ameaças à saúde mais persistentes nas cidades modernas, mas as ferramentas que usamos para prever dias de ar ruim são frequentemente lentas, caras e nem sempre precisas onde as pessoas de fato vivem e trabalham. Este estudo apresenta o FuXi‑Air, um sistema baseado em inteligência artificial que pode prever os principais poluentes urbanos para os próximos três dias em apenas segundos, com o objetivo de fornecer a autoridades municipais e ao público alertas mais cedo e mais confiáveis para que possam proteger melhor sua saúde.

Ver o ar da cidade como um sistema em movimento

Previsões tradicionais da qualidade do ar dependem de grandes modelos computacionais que simulam como gases e partículas finas se formam, são transportados e removidos na atmosfera. Esses modelos capturam detalhes físicos e químicos, mas exigem computadores potentes e muitas horas de processamento, e sua precisão é limitada pela forma como representam condições meteorológicas locais e fontes de poluição. Ao mesmo tempo, muitas abordagens de aprendizado de máquina focaram apenas em medições de poluição em pontos isolados ou em poluentes individuais, o que dificulta seu uso em previsões urbanas reais e em escala de cidade. O FuXi‑Air foi projetado para preencher essa lacuna, tratando o ar da cidade como um sistema conectado e combinando informações sobre tempo, emissões e níveis atuais de poluição em uma única estrutura unificada.

Como funciona o novo modelo de IA

O FuXi‑Air reúne três grandes fluxos de dados: previsões meteorológicas de alta resolução de um modelo climático de IA separado, inventários detalhados de emissões que descrevem quanto poluente é liberado pelo tráfego, indústria e outras fontes, e leituras contínuas de estações de monitoramento ao nível do solo. Dentro do FuXi‑Air, módulos especializados de aprendizado profundo aprendem como a poluição em diferentes locais está relacionada entre si e como ela evolui ao longo do tempo. Outro módulo foca em como padrões meteorológicos e emissões moldam essas mudanças, ensinando efetivamente o sistema a reconhecer as condições que levam ao acúmulo ou à dispersão da poluição. Ao prever primeiro a poluição em passos de seis horas e depois refinar esses valores para horas individuais, o FuXi‑Air pode entregar previsões de 72 horas para seis poluentes-chave em dezenas de pontos em cada cidade em cerca de meio minuto.

Testando o sistema em três megacidades

Os pesquisadores testaram o FuXi‑Air em Pequim, Xangai e Shenzhen — três megacidades chinesas comclimas e padrões de poluição bem distintos. Eles compararam suas previsões para ozônio, dióxido de nitrogênio, dióxido de enxofre, monóxido de carbono e duas faixas de partículas particuladas com as medições de 2023. Em geral, o modelo reproduziu bem o momento e a magnitude dos picos de poluição, especialmente para ozônio e partículas finas (PM2,5). Também se mostrou robusto quando os níveis de poluição eram relativamente baixos e estáveis, como em Shenzhen. Permaneceram alguns desafios com partículas mais grossas (PM10), particularmente em Pequim, onde tempestades de poeira e transporte de longa distância têm papel maior e são mais difíceis de capturar com os dados disponíveis.

Superando modelos convencionais e investigando o que mais importa

Para avaliar se o FuXi‑Air está pronto para uso prático, a equipe o comparou com um sistema de previsão convencional amplamente usado que acopla um modelo meteorológico a um modelo detalhado de qualidade do ar. Em nove meses de previsões para Xangai, o FuXi‑Air reduziu consistentemente os erros de previsão para os seis poluentes, diminuindo alguns erros em mais da metade enquanto rodava em segundos em vez de horas. Os pesquisadores também conduziram experimentos sistemáticos de “ablação”, desligando e ligando diferentes fontes de dados. Quando removeram a informação meteorológica, o modelo perdeu a capacidade de acompanhar ciclos dia‑noite e picos de poluição, especialmente para ozônio e partículas finas. Excluir dados de emissões enfraqueceu sua habilidade em cidades onde fontes locais dominam. Esses testes mostraram que combinar tempo, emissões e dados de monitoramento é crucial, mas que o tempo frequentemente fornece o maior ganho isolado na qualidade da previsão.

Cidades diferentes, fatores diferentes para o ar poluído

Ao comparar resultados entre cidades, o estudo também esclarece como condições locais moldam a poluição. Em Pequim, aquecimento no inverno e eventos regionais de poeira significam que padrões de vento em grande escala e a estabilidade do ar controlam fortemente os níveis de partículas, de modo que os dados meteorológicos foram os mais relevantes. Em Shenzhen, com seu clima costeiro quente e úmido e forte ventilação, emissões locais industriais e do tráfego tiveram papel maior na determinação dos níveis de partículas finas. Xangai ficou entre esses extremos, influenciada tanto por brisas terra‑mar quanto por fontes locais. Para gases como monóxido de carbono e dióxido de enxofre, as emissões foram os principais motores, mas mesmo aí o terreno local e o tempo às vezes amplificaram seu acúmulo.

O que isso significa para proteger a saúde pública

O FuXi‑Air demonstra que sistemas de IA cuidadosamente desenhados podem fornecer previsões rápidas da qualidade do ar em escala urbana que rivalizam ou superam métodos tradicionais, usando muito menos recursos computacionais. Embora o modelo ainda enfrente dificuldades com alguns eventos de partículas grossas e dependa de inventários de emissões que podem ser aprimorados, ele já oferece uma ferramenta prática para alertas antecipados e gestão inteligente das cidades. Com informações melhores e mais oportunas sobre quando e onde o ar ficará insalubre, as autoridades podem direcionar controles de emissão com mais eficiência, e os moradores podem ajustar suas atividades para reduzir a exposição — transformando dados complexos sobre a atmosfera em orientações acionáveis para uma vida urbana mais limpa e saudável.

Citação: Geng, Z., Fan, X., Lu, X. et al. FuXi-Air: air quality forecasting based on emission-meteorology-pollutant multimodal machine learning. npj Clean Air 2, 21 (2026). https://doi.org/10.1038/s44407-026-00061-w

Palavras-chave: previsão da qualidade do ar, poluição do ar urbana, aprendizado profundo, meteorologia e emissões, proteção da saúde pública