A Hybrid Multi-scale Convolutional Neural Network-Long Short-Term Memory Model Incorporating Squeeze Excitation Attention for Hourly Air Quality Index Prediction

A poluição do ar é uma força silenciosa e mutável que molda a saúde das cidades e a segurança das pessoas que nelas vivem. Para gerir esta ameaça invisível, os cientistas dependem de um único número chamado Índice de Qualidade do Ar, ou AQI. Este índice atua como um boletim de notas diário, traduzindo misturas complexas de fumo, poeira e gases num valor que nos diz se o ar é seguro para respirar. No entanto, o ar não permanece imóvel; ele muda de hora em hora, impulsionado pelo clima, pelo tráfego e pela atividade industrial. Prever estas mudanças é difícil porque os fatores envolvidos interagem de formas desordenadas e não lineares. Os métodos tradicionais muitas vezes têm dificuldade em ver o quadro completo, perdendo os padrões subtis que sinalizam um pico repentino de poluição ou uma limpeza rápida do céu. Para resolver isto, os investigadores recorreram a um ramo da ciência da computação conhecido como aprendizagem profunda (deep learning), onde programas de computador aprendem a reconhecer padrões em vastas quantidades de dados, tal como um cérebro humano aprende com a experiência.

Num estudo recente focado na Cidade de Yiyang, na Província de Hunan, uma equipa de investigadores propôs-se a construir um melhor cristal previsivo para a qualidade do ar. Eles queriam criar um sistema que pudesse prever o AQI horário com alta precisão, utilizando dados dos últimos dois anos. A equipa, liderada por Huawei Xu e colegas, desenvolveu um novo modelo computacional híbrido que combina três ferramentas digitais distintas para mimetizar a forma como a atmosfera se comporta. Primeiro, utilizaram uma rede neuronal convolucional multiescala, um tipo de programa concebido para observar os dados através de diferentes "lentes" simultaneamente. Imagine tentar compreender uma paisagem ao olhar para ela através de uma lente grande angular, uma lente teleobjetiva e uma lente de zoom ao mesmo tempo; esta ferramenta faz o mesmo para o tempo, capturando picos de curto prazo, tendências de médio prazo e ciclos de longo prazo nos dados de poluição, tudo ao mesmo tempo.

Em seguida, a equipa introduziu um mecanismo chamado Atenção de Compressão e Excitação (Squeeze-and-Excitation attention). Este atua como um filtro inteligente para a informação que o computador recolheu. Numa tempestade de dados, nem toda a informação é igualmente importante em cada momento. Este mecanismo de atenção permite que o modelo faça uma pausa, avalie quais os fatores que estão a impulsionar os níveis de poluição no momento e amplifique esses sinais enquanto ignora o ruído. Finalmente, o sistema introduz esta informação refinada numa rede de Longa Memória de Curto Prazo, ou LSTM (Long Short-Term Memory). Esta parte do modelo é especializada em recordar o passado; ela retém o histórico de como a qualidade do ar mudou ao longo do tempo, permitindo compreender como uma manhã fria pode levar a uma tarde com nevoeiro de poluição, ou como uma semana de chuva pode limpar o ar. Ao tecer estes três componentes, os investigadores criaram um modelo que não está apenas a olhar para os dados, mas a compreender a história que eles contam.

Os investigadores testaram o seu novo modelo contra métodos mais antigos e simples, utilizando dados do mundo real da Cidade de Yiyang, abrangendo todas as horas de janeiro de 2023 a dezembro de 2024. Alimentaram o computador com registos históricos de poluentes, como partículas finas e monóxido de carbono, juntamente com dados meteorológicos, tais como temperatura, vento e pressão atmosférica. Os resultados foram impressionantes. O novo modelo híbrido superou as abordagens padrão, reduzindo os seus erros de previsão em aproximadamente um quarto em comparação com os modelos básicos. Alcançou uma pontuação de 0,96 numa escala onde 1,0 é uma correspondência perfeita, o que significa que as suas previsões estavam incrivelmente próximas do que realmente aconteceu no ar. O modelo provou ser particularmente apto a lidar com os extremos, prevendo com precisão tanto os picos perigosos de poluição do inverno como os valores baixos e limpos do verão.

O estudo também revelou como a qualidade do ar em Yiyang se comporta ao longo do ano. Os dados mostraram um ritmo claro: os níveis de poluição são mais elevados no inverno, frequentemente excedendo os 100 no índice, impulsionados pelas temperaturas frias que retêm o fumo perto do solo e pela queima de combustíveis para aquecimento. Em contraste, o ar do verão é significativamente mais limpo, com pontuações médias abaixo de 40, graças às chuvas intensas que lavam os poluentes e ao calor crescente que ajuda a dispersá-los. O modelo computacional aprendeu estas regras sazonais naturalmente, sem lhe ser explicitamente dito as datas do calendário. Quando os investigadores perguntaram ao modelo quais os fatores que mais importavam, ele apontou para as mesmas coisas que um especialista humano esperaria: a concentração de partículas de poeira fina, a temperatura e a pressão atmosférica. O modelo confirmou que, quando estes números específicos sobem ou descem, a qualidade do ar segue o exemplo.

Ao combinar a capacidade de ver padrões a diferentes velocidades, a inteligência para se focar no que importa e a memória para aprender com o histórico, esta nova abordagem oferece uma ferramenta poderosa para planeadores urbanos e autoridades de saúde pública. Não serve apenas para adivinhar o futuro; calcula-o com base na realidade complexa e mutável da atmosfera. O estudo demonstra que, quando damos aos computadores as ferramentas certas para observar o mundo, eles podem ajudar-nos a ver os perigos invisíveis no nosso ar com uma clareza sem precedentes, fornecendo um guia fiável para proteger as comunidades dos riscos para a saúde causados pela poluição.