A Novel Fuzzy Hybrid Deep Learning Architecture for Spatiotemporal PM2.5 Prediction

Respirar ar limpo é uma necessidade humana fundamental, mas em muitas das maiores cidades do mundo, a qualidade do ar que respiramos é uma aposta constante. Embora alguns poluentes sejam visíveis como smog, as partículas mais perigosas são frequentemente invisíveis a olho nu. Estas são as partículas finas, conhecidas como PM2,5, nomeadas pelo seu tamanho minúsculo de apenas 2,5 micrômetros de diâmetro. Por serem tão pequenas, podem penetrar profundamente nos pulmões e até entrar na corrente sanguínea, representando sérios riscos para a saúde do coração e dos pulmões. O desafio para cientistas e planeadores urbanos é que estas partículas não permanecem num só lugar; elas derivam com o vento, depositam-se em vales e aumentam de concentração perto de estradas movimentadas ou durante períodos de tempo frio e estagnado. Para proteger a saúde pública, as autoridades precisam de saber não apenas qual é a qualidade do ar agora, mas qual será amanhã. No entanto, prever estas mudanças é incrivelmente difícil porque o ar é influenciado por uma mistura caótica de fatores: o clima, o traçado da cidade, a densidade do tráfego e até a forma do terreno.

Durante décadas, a principal forma de medir esta poluição foi através de estações de monitorização física espalhadas por uma cidade. Estas estações fornecem leituras diretas e precisas, mas são caras de construir e manter, o que significa que existem frequentemente grandes lacunas entre elas onde ninguém sabe a qualidade do ar. Para preencher estas lacunas, os investigadores recorreram a satélites e computadores. Os satélites podem observar a atmosfera do espaço, detetando a quantidade de poeira e névoa suspensa na coluna de ar, enquanto os computadores podem tentar aprender os padrões complexos que ligam esta visão baseada no espaço ao ar ao nível do solo que respiramos. O problema é que a relação entre o que um satélite vê lá do alto e o que uma pessoa respira ao nível da rua não é uma linha reta. É uma teia emaranhada de condições locais, erros de medição e padrões meteorológicos variáveis que os modelos computacionais tradicionais muitas vezes têm dificuldade em desvendar.

Num estudo recente focado em Teerão, a capital do Irão, um investigador desenvolveu uma nova forma de resolver este enigma. Teerão é um lugar particularmente difícil de estudar porque é uma cidade enorme e dispersa, construída num vale rodeado por montanhas. O terreno cria padrões meteorológicos únicos onde a poluição pode ficar retida, e a cidade é densa em tráfego e pessoas, criando uma teia complexa de fontes de poluição. O investigador queria criar um sistema que pudesse prever a qualidade do ar para o dia seguinte com alta precisão, não apenas nos poucos locais onde existem sensores, mas em toda a cidade. Para o fazer, construiu um novo tipo de arquitetura de inteligência artificial, que chama de modelo de "aprendizagem profunda híbrida difusa" (fuzzy hybrid deep learning). Este nome pode parecer intimidante, mas o conceito é simples: em vez de depender de um único tipo de programa de computador para fazer todo o trabalho, eles combinaram várias ferramentas especializadas diferentes numa equipa, onde cada ferramenta lida com uma parte específica do problema.

O investigador percebeu que prever a poluição exige compreender quatro coisas distintas ao mesmo tempo: a incerteza nos dados, a geografia local, o histórico do tempo e as tendências atmosféricas globais. Primeiro, tiveram de lidar com o facto de nem todos os dados serem perfeitos. As imagens de satélite podem ter nuvens, e os sensores meteorológicos podem sofrer desvios. Para lidar com isto, deram ao seu modelo um cérebro "difuso". Em termos quotidianos, isto significa que o modelo aprendeu a reconhecer que algumas informações são mais fiáveis do que outras. Se uma leitura de satélite parecesse incerta ou instável, o modelo não a tratava como um facto absoluto; em vez disso, ajustava a sua confiança, permitindo que a previsão permanecesse estável mesmo quando os dados de entrada eram imperfeitos. Este é um passo crucial porque evita que o computador fique confuso por informações ruidosas ou incompletas.

Em seguida, o modelo precisava de compreender a forma da cidade. A poluição não se espalha uniformemente; ela acumula-se perto de autoestradas movimentadas e em áreas baixas, enquanto se dissipa em parques ou em terrenos elevados. O investigador utilizou um componente do seu sistema desenhado para analisar o layout espacial, tal como um leitor de mapas. Esta parte do modelo analisou a densidade de estradas, o número de pessoas que vivem por perto e o tipo de cobertura do solo, como se uma área era coberta por vegetação ou betão. Ao observar estes padrões locais, o modelo pôde aprender que uma rua com tráfego intenso e poucas árvores teria provavelmente uma qualidade de ar pior do que uma zona residencial calma com espaços verdes.

Ao mesmo tempo, o modelo tinha de se lembrar do passado. A poluição do ar não é um evento aleatório que acontece isoladamente; é uma história que se desenrola ao longo do tempo. Uma noite fria e sem vento pode prender a poluição, que depois permanece até à manhã seguinte. Para capturar isto, o investigador incluiu um componente que atua como uma memória de curto prazo. Esta parte do sistema analisou como os níveis de poluição mudaram hora a hora e dia após dia, aprendendo a reconhecer padrões como o acúmulo de smog durante as inversões de inverno ou a limpeza do ar após uma tempestade de chuva. Permitiu ao modelo compreender que a poluição de hoje é frequentemente um resultado direto do tempo e das emissões de ontem.

Finalmente, o modelo precisava de ligar os pontos por toda a cidade e pela atmosfera mais ampla. Às vezes, a poluição numa parte de Teerão é causada por poeira que sopra de centenas de quilómetros de distância, ou por sistemas meteorológicos que afetam toda a região. Para captar estas conexões de longo alcance, o investigador adicionou um componente que observa o panorama geral. Esta parte do sistema varreu toda a sequência de dados para encontrar relações que estavam distantes no tempo ou no espaço, garantindo que o modelo não perdesse a influência de padrões meteorológicos distantes ou eventos de poluição regional.

A genialidade deste novo sistema reside na forma como estas quatro partes comunicam entre si. Em vez de apenas empilhá-las umas sobre as outras, o investigador desenhou um sistema onde elas partilham constantemente informação e ajustam o seu foco. Se os dados locais de estradas forem muito fortes, o modelo presta mais atenção a isso. Se o histórico do tempo for o fator mais importante para um determinado dia, o componente de memória assume a liderança. Se os dados do satélite forem incertos, o componente difuso suaviza o ruído. Este trabalho de equipa dinâmico permite que o modelo se adapte a quaisquer condições que estejam a acontecer num determinado dia, em vez de seguir uma regra rígida e pré-definida.

Quando o investigador testou este novo sistema em Teerão, os resultados foram impressionantes. Eles compararam o seu modelo com outros sete programas de computador populares que são atualmente usados para a previsão da qualidade do ar. O novo sistema superou todos eles por uma margem significativa. Previu os níveis de PM2,5 para o dia seguinte com um erro de menos de um micrograma por metro cúbico, um nível de precisão excecionalmente alto para este tipo de previsão. Em contraste, os outros modelos cometeram erros que foram frequentemente dez a trinta vezes maiores. O novo modelo também foi incrivelmente consistente; quando o investigador executou o mesmo teste quinze vezes, os resultados foram quase idênticos todas as vezes, mostrando que o sistema era estável e fiável. Também conseguiu gerar um mapa detalhado da qualidade do ar da cidade com uma resolução de um quilómetro, mostrando exatamente quais os bairros que provavelmente estariam poluídos e quais estariam limpos, um nível de detalhe que os sensores físicos sozinhos não conseguem fornecer.

O estudo também revelou quais os fatores que mais importavam na cidade. O modelo determinou que a quantidade de poeira e névoa visível do espaço era a pista mais importante para prever a poluição ao nível do solo. No entanto, também descobriu que a densidade da rede rodoviária e o número de pessoas que vivem numa área eram quase tão importantes. Isto confirma que, numa cidade como Teirão, a atividade humana e o tráfego são tão críticos para a qualidade do ar quanto o próprio clima. O modelo também aprendeu que a vegetação ajuda, pois as áreas com mais verdura tendiam a ter níveis de poluição mais baixos, provavelmente porque as plantas podem reter a poeira e porque estas áreas têm frequentemente menos tráfego.

O que torna este trabalho particularmente valioso é que não é apenas um exercício teórico. O sistema é rápido o suficiente para ser usado em tempo real. Pode gerar uma previsão para toda a cidade em menos de um segundo, o que significa que poderia ser usado por autoridades municipais para emitir avisos precoces ao público antes de um dia de má qualidade do ar começar. Imagine um sistema que pudesse dizer a um pai com um filho asmático para evitar um parque específico amanhã porque o ar estará carregado de poluição, enquanto um parque diferente a alguns quilómetros de distância estará seguro. Este tipo de informação direcionada e espacialmente precisa é uma mudança radical para a saúde pública.

O investigador teve o cuidado de notar que o seu sucesso não se deveu simplesmente ao facto de tornar o modelo de computador maior ou mais complexo. Em vez disso, foi a forma específica como combinaram as diferentes ferramentas que fez a diferença. Ao dar ao modelo a capacidade de lidar com a incerteza, recordar o passado, observar a geografia local e compreender o panorama geral, tudo ao mesmo tempo, criaram um sistema que imita a complexidade do mundo real. Esta abordagem sugere que o futuro da previsão ambiental não reside em encontrar uma única fórmula perfeita, mas sim em construir sistemas flexíveis que possam aprender com muitas fontes de informação simultaneamente. Para as cidades que lutam contra a poluição do ar, este novo método oferece uma ferramenta poderosa para ver o invisível, prever o imprevisível e, em última análise, ajudar as pessoas a respirar melhor.