Um novo estudo desenvolveu o primeiro modelo de aprendizado de máquina em larga escala capaz de prever concentrações horárias de ozônio em ambientes internos usando preditores facilmente acessíveis, incluindo níveis externos de ozônio, condições meteorológicas e comportamento de abertura de janelas. Este avanço aborda uma lacuna crítica na avaliação da exposição à poluição do ar, já que as pessoas normalmente passam de 70% a 90% do tempo em ambientes internos, onde os níveis reais de ozônio diferem das medições externas.
O ozônio é um poluente atmosférico chave formado por reações químicas entre óxidos de nitrogênio e compostos orgânicos voláteis sob luz solar. Em 2021, a exposição de longo prazo ao ozônio contribuiu para quase 490.000 mortes em todo o mundo. As avaliações tradicionais de exposição têm se baseado fortemente em dados externos, mas ventilação, fontes internas e materiais de construção afetam significativamente os níveis de ozônio interno. Abordagens de modelagem anteriores, incluindo modelos mecanicistas que exigem parâmetros internos detalhados e modelos de regressão linear com dificuldades em relações não lineares, têm sido limitadas em aplicações em larga escala.
Pesquisadores da Universidade Fudan e da Academia Chinesa de Ciências construíram um modelo de aprendizado de máquina para prever níveis horários de ozônio interno em 18 cidades chinesas. O estudo, publicado na Eco-Environment & Health em 9 de julho de 2025, usou algoritmos de floresta aleatória treinados em medições de sensores de baixo custo combinados com dados meteorológicos e de ventilação. A pesquisa está disponível em https://doi.org/10.1016/j.eehl.2025.100170.
A equipe coletou mais de 8.200 horas de dados de ozônio interno usando sensores eletroquímicos portáteis em 23 residências. As variáveis preditoras incluíram níveis externos de ozônio de conjuntos de dados de alta resolução, parâmetros meteorológicos como temperatura, umidade, vento, radiação solar, altura da camada limite e pressão superficial, e status de abertura de janelas registrado manualmente por voluntários. Ao comparar dois modelos—um excluindo e outro incluindo o status das janelas—os pesquisadores demonstraram que incorporar o comportamento de ventilação melhorou significativamente a precisão da previsão.
Incluir o comportamento de abertura de janelas aumentou o R² de validação cruzada de 0,80 para 0,83 e reduziu o erro quadrático médio de 7,89 para 7,21 partes por bilhão. O modelo capturou com precisão as flutuações horárias de ozônio e diferenças regionais, tendo melhor desempenho no sul do que no norte da China e em estações frias em vez de quentes. A análise de importância dos preditores identificou pressão superficial, temperatura e ozônio ambiente como fatores dominantes, com a ventilação emergindo como um determinante comportamental crucial. Comparações diurnas revelaram que as concentrações de ozônio interno foram 40% menores do que os níveis externos durante o dia.
"A maioria dos estudos de exposição ainda depende de dados externos de ozônio, mas isso é apenas metade da história", disse a Profa. Xia Meng, autora sênior do estudo. "Nossas descobertas mostram que o comportamento de ventilação—algo tão simples como se uma janela está aberta ou fechada—pode mudar drasticamente a exposição. Ao integrar tais dados comportamentais com informações meteorológicas através do aprendizado de máquina, podemos finalmente estimar o ozônio interno com mais precisão em larga escala."
Esta pesquisa introduz uma estratégia prática e de baixo custo para prever a exposição ao ozônio interno em tempo real em grandes áreas geográficas. O modelo pode ser integrado em avaliações de risco à saúde, sistemas de monitoramento de casas inteligentes e plataformas de vigilância de saúde pública, permitindo que formuladores de políticas e cientistas compreendam melhor as diferenças de exposição interno-externo. Trabalhos futuros poderiam estender a estrutura para outros poluentes, como material particulado fino ou dióxido de nitrogênio, incorporar sensores inteligentes para rastreamento automatizado de janelas e expandir o monitoramento para diversas zonas climáticas. Esta abordagem de aprendizado de máquina conecta a modelagem ambiental com a vida diária, promovendo ambientes internos mais saudáveis em regiões em rápida urbanização.
