Explainable Machine Learning for Predicting Thermal Discomfort from Multipollutant Exposure on Dhaka Roadways

Resumo Técnico: Aprendizado de Máquina Explicável para a Predição de Desconforto Térmico a partir da Exposição a Multipoluentes em Vias Rodoviárias de Dhaka

Definição do Problema
As vias urbanas em megacidades em rápido desenvolvimento como Dhaka, Bangladesh, apresentam ambientes de exposição complexos onde os usuários das vias (pedestres, passageiros, policiais de trânsito e trabalhadores informais) enfrentam estressores simultâneos: calor, poluição do ar (material particulado e CO₂) e ruído de tráfego. Estudos tradicionais frequentemente avaliam esses fatores isoladamente, falhando em capturar os efeitos sinérgicos da exposição a multipoluentes na percepção térmica humana. Além disso, métodos estatísticos padrão podem ter dificuldade em modelar as interações não lineares entre essas variáveis e o conforto térmico subjetivo. Este estudo aborda a necessidade de quantificar e predizer o desconforto térmico nos microambientes rodoviários de Dhaka, integrando dados de exposição a multipoluentes com estruturas de aprendizado de máquina (ML) explicáveis.

Metodologia
A pesquisa empregou um desenho observacional transversal baseado em campo, conduzido em 17 locais de monitoramento estratégicos ao longo de três grandes corredores (Norte, Central e Sul) em Dhaka. A coleta de dados ocorreu durante os períodos de final de monção, pós-monção e transição de inverno (agosto de 2025 – janeiro de 2026).

• Aquisição de Dados:
  • Sensores Ambientais: Detectores de ar inteligentes calibrados (JLDC) mediram as concentrações de PM₁, PM₂.₅, PM₁₀ e CO₂. Medidores de nível de som em miniatura (UT353) registraram os níveis de ruído do tráfego. Dados meteorológicos (temperatura, umidade relativa, velocidade do vento) também foram capturados.
  • Percepção Humana: Entrevistas estruturadas com 1.109 participantes coletaram votos de sensação térmica subjetiva baseados nas diretrizes da ASHRAE (variando de Muito Fresco a Quente), juntamente com dados sobre níveis de vestimenta, queixas de saúde (ex: dores de cabeça) e qualidade do ar percebida.
• Pré-processamento de Dados: O conjunto de dados bruto passou por uma limpeza rigorosa, incluindo a remoção de erros de sensores, duplicatas e valores ausentes. O conjunto de dados final para modelagem compreendeu 1.109 observações.
• Estrutura de Aprendizado de Máquina: Três algoritmos de classificação supervisionada foram treinados para predizer categorias de desconforto térmico:
  1. Árvore de Decisão (DT): Utilizada como uma linha de base interpretável.
  2. Random Forest (RF): Um método de conjunto para reduzir o sobreajuste (overfitting) e melhorar a estabilidade.
  3. XGBoost: Um método avançado de gradient boosting para capturar relações não lineares complexas.
• Explicabilidade e Validação: O desempenho do modelo foi avaliado usando ROC-AUC, acurácia, precisão, recall, F1-score e matrizes de confusão. Para garantir a interpretabilidade, a análise SHapley Additive exPlanations (SHAP) foi aplicada para determinar a contribuição relativa de cada preditor. Uma análise de sensibilidade foi realizada para avaliar a robustez do modelo contra variações nas variáveis de entrada.

Principais Resultados

• Carga de Exposição: O estudo encontrou uma alta carga de exposição a multipoluentes. A concentração média de PM₂.₅ foi de 71,37 µg/m³, enquanto o PM₁ médio foi de 58,35 µg/m³. Medições à beira da estrada registraram uma concentração máxima de PM₂.₅ de 100,00 µg/m³ no conjunto de dados do estudo, embora o texto note um pico específico de 172,2 µg/m³ na zona de Mirpur-10. Os níveis médios de ruído atingiram 82,96 dB. Estes valores excedem significativamente as diretrizes da Organização Mundial da Saúde (OMS).
• Prevalência de Desconforto Térmico: Os dados de campo revelaram um desconforto térmico extremo, com 99,46% das observações classificadas como "Quente", "Morno" ou "Ligeiramente Morno". Apenas uma fração negligenciável relatou sensações neutras ou frescas.
• Desempenho do Modelo: Modelos de conjunto superaram significativamente a Árvore de Decisão única. Tanto o Random Forest quanto o XGBoost alcançaram uma acurácia de 0,96 e um F1-score de 0,96, com valores de ROC-AUC indicando excelente discriminação (AUC = 0,96). Os modelos demonstraram alta estabilidade na classificação do desconforto térmico através de diferentes cenários de exposição.
• Importância dos Preditores (Análise SHAP): Contrariando a suposição de que a temperatura é o único fator determinante, a análise SHAP identificou a Velocidade do Vento e a concentração de CO₂ como os preditores mais influentes do desconforto térmico. O PM₁₀, o nível de vestimenta e a umidade também contribuíram moderadamente, enquanto o PM₂.₅ e os níveis de ruído tiveram impactos menores, mas não desprezíveis. Isso sugere que o fluxo de ar microclimático e as emissões relacionadas ao tráfego (indicando congestionamento e má ventilação) são determinantes críticos do desconforto.
• Sensibilidade: A análise de sensibilidade confirmou que, embora as variáveis de PM e ruído tenham permanecido relativamente estáveis em seu impacto, as variações na exposição ao CO₂ causaram flutuações mais significativas nas predições do modelo, destacando a sensibilidade do conforto térmico às condições de densidade de tráfego e ventilação.

Significância e Contribuições
O artigo reivindica várias contribuições significativas para os campos da saúde ambiental urbana e do aprendizado de máquina:

1. Abordagem Integrada de Multipoluentes: Diferente de estudos anteriores que isolaram calor, ruído ou poluição, esta pesquisa fornece uma estrutura baseada em evidências para compreender o impacto combinado desses estressores na percepção térmica em uma megacidade tropical densa.
2. Aplicação de IA Explicável: Ao utilizar a análise SHAP, o estudo vai além das predições de "caixa preta". Ele quantifica a influência específica de variáveis como velocidade do vento e CO₂, oferecendo insights acionáveis para formuladores de políticas, em vez de apenas acurácia preditiva.
3. Relevância para a Saúde Pública: Os achados destacam que o desconforto térmico em Dhaka não é meramente uma questão meteorológica, mas uma crise de saúde pública impulsionada pela sinergia de calor, material particulado e ruído. A alta prevalência de desconforto (99,46%) ressalta a vulnerabilidade de trabalhadores externos e passageiros.
4. Estrutura de Políticas: O estudo propõe uma estratégia de intervenção multissetorial, incluindo soluções baseadas na natureza (plantio de árvores à beira da estrada, calçadas sombreadas), controle de emissões de tráfego e mitigação de ruído. Sugere-se que essas medidas sejam direcionadas a segmentos rodoviários de alto risco específicos identificados através de análise espacial.

Os autores concluem que abordar o desconforto térmico requer uma abordagem de planejamento urbano integrada que gerencie simultaneamente a qualidade do ar, o ruído e o microclima, apoiada por modelos preditivos explicáveis e baseados em dados.