Além da modelagem espaciotemporal: uma revisão das aplicações de aprendizado de máquina na poluição do ar relacionada ao tráfego visando emissões não provenientes do escapamento

Por que a poeira do tráfego ainda importa

Muitas cidades estão limpando as emissões dos carros, mas o tráfego continua sendo uma fonte importante de poluentes do ar nocivos. Este artigo de revisão explica como métodos computacionais modernos, conhecidos como aprendizado de máquina, estão sendo usados para rastrear e entender melhor a poluição do ar relacionada ao tráfego, especialmente as partículas minúsculas que vêm do desgaste de freios, pneus e da poeira da via, em vez do escapamento. Esses insights podem ajudar planejadores urbanos e especialistas em saúde a desenhar políticas mais inteligentes para proteger as pessoas que vivem, trabalham e convivem próximas a vias movimentadas.

Do escapamento ao desgaste invisível da via

A poluição do ar relacionada ao tráfego inclui gases e partículas. Por anos, a maior atenção foi dada ao escapamento da queima de combustível, como óxidos de nitrogênio e partículas finas que prejudicam os pulmões e o coração. Regras e motores mais limpos reduziram gradualmente essas emissões do escapamento. Mas as partículas provenientes do desgaste de freios, desgaste de pneus, abrasão da superfície da via e reemissão de poeira agora compõem uma parcela crescente do que respiramos perto das rodovias. Essas fontes não provenientes do escapamento são mais difíceis de medir e controlar, e carregam metais e outras substâncias associadas a asma, doenças cardíacas e possivelmente condições como autismo infantil e Parkinson.

Ensinando computadores a mapear o ar poluído

Como é impossível instalar monitores de ar em todas as esquinas, pesquisadores usam aprendizado de máquina para preencher as lacunas. Ao alimentar modelos com informações sobre níveis de tráfego, uso do solo, clima e leituras de sensores fixos e móveis, eles podem criar mapas detalhados de poluentes como partículas finas, metais e gases do tráfego por toda a cidade. Métodos baseados em árvores e aprendizado profundo frequentemente capturam padrões complexos nesses dados, enquanto métodos de grafos mais recentes tratam locais de monitoramento e vias como uma rede conectada. Essas técnicas ajudam a revelar quando e onde as pessoas estão mais expostas, mas também enfrentam dificuldades com dados fragmentados, entradas inconsistentes e o desafio de fazer modelos treinados em uma cidade funcionarem bem em outra.

Encontrando o que mais importa na via

Além do mapeamento, o aprendizado de máquina pode destacar quais fatores mais influenciam os níveis de poluição. Ao examinar como as previsões do modelo mudam quando entradas como comportamento do motorista, tipo de veículo, intensidade da frenagem ou condições meteorológicas variam, os pesquisadores podem inferir quais padrões merecem atenção mais próxima. Estudos sugerem, por exemplo, que frenagens bruscas, veículos mais antigos e certos materiais de pastilhas de freio aumentam as emissões de partículas finas. No entanto, essas classificações de importância não provam causa e efeito e podem ser distorcidas por ligações ocultas entre variáveis. Os autores enfatizam que tais resultados devem ser confrontados com entendimento físico e testados em diferentes cidades antes de orientar políticas.

Focando nas partículas de freio e pneu

Alguns dos trabalhos mais inovadores usam aprendizado de máquina para separar e classificar partículas individuais de poeira de via e amostras de ar. Microscópios potentes e sensores químicos produzem enormes conjuntos de imagens e composição para milhares de partículas. Algoritmos então aprendem a distinguir desgaste de pneu, desgaste de freio, minerais da via e outros tipos de partículas que seriam tediosos e propensos a erro classificar manualmente. Estudos em laboratório de sistemas de freio e pneus usam modelos semelhantes para ligar escolhas de projeto, como conteúdo metálico das pastilhas ou padrões de frenagem, à quantidade de material particulado liberado. Esses métodos estão começando a separar a poluição não proveniente do escapamento de outras fontes, abrindo caminho para testes mais direcionados de toxicidade e materiais mais limpos.

Rastreando de onde a poluição vem

Saber quanto da poluição vem de cada fonte é crucial para uma regulação inteligente. Ferramentas estatísticas tradicionais estimam quanto das partículas medidas pode ser atribuída ao tráfego, à indústria ou a outros contribuintes. O aprendizado de máquina agora oferece novas maneiras de agrupar amostras com assinaturas químicas semelhantes e de classificar fontes prováveis usando propriedades como comportamento magnético. Trabalhos iniciais sugerem que essas ferramentas podem igualar ou complementar métodos antigos enquanto lidam com dados mais complexos, embora ainda dependam de interpretação cuidadosa de especialistas para evitar rotular fontes incorretamente.

O que isso significa para o ar urbano e a saúde

No geral, a revisão conclui que o aprendizado de máquina se tornou um parceiro poderoso no estudo da poluição do ar relacionada ao tráfego, especialmente o problema crescente das emissões não provenientes do escapamento. Ele ajuda a construir mapas de exposição mais finos, revelar padrões em direção e concepção de veículos que aumentam ou reduzem emissões e desemaranhar a mistura de partículas que circula em nossas vias. Ao mesmo tempo, dados limitados, escolhas de modelo pouco claras e baixa transferibilidade entre locais continuam sendo grandes obstáculos. Os autores argumentam que o progresso dependerá de sensores melhores, conjuntos de dados compartilhados e métodos que combinem expertise humana com algoritmos transparentes. Juntos, esses passos podem apoiar políticas que reduzam partículas nocivas do tráfego e ajudem a proteger a saúde pública em cidades cada vez mais motorizadas.

Citação: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

Palavras-chave: poluição do ar por tráfego, emissões não provenientes do escapamento, aprendizado de máquina, desgaste de freios e pneus, qualidade do ar urbana