Predição dos dados de concentração de ozônio no Brasil utilizando modelos de aprendizado de máquina

Abstract

Métodos de aprendizado de máquina são utilizados para estimar a concentração de poluentes atmosféricos ao nível do solo, preenchendo lacunas espaço-temporais decorrentes da cobertura insuficiente das redes de monitoramento de referência. No entanto, a capacidade de generalização para locais sem observação e a integração de preditores multimodais nos modelos permanecem pouco exploradas. Neste estudo foram utilizados e avaliados modelos de aprendizado de máquina para estimar concentrações de ozônio (O3) no Brasil durante o ano de 2023, com o objetivo de produzir estimativas a nível do solo em regiões sem monitoramento. Foram avaliados os algoritmos Ridge-MLR, SVR, Random Forest (RF) e XGBoost, treinados a partir de uma base de dados harmonizada em grade de 12 km, integrando variáveis meteorológicas, inventários de emissões, produtos de sensoriamento remoto e uso e cobertura do solo. Os modelos RF e XGBoost apresentaram o melhor desempenho (R² = 0,47 e 0,50, respectivamente), sendo o RF selecionado como melhor modelo por apresentar resíduos espacialmente aleatórios. A análise de interpretabilidade indicou sazonalidade, longitude, temperatura e emissões industriais como os principais preditores, em concordância com os processos fotoquímicos de formação do ozônio. O modelo RF apresentou boa concordância com as observações (R² = 0,467; r = 0,696), embora subestime concentrações elevadas de O3 (> 60 µg m?³). Em comparação às simulações do modelo químico de transporte atmosférico, o RF apresentou menor viés nas localidades monitoradas para todos os meses avaliados em 2023. Os resultados demonstram o potencial do aprendizado de máquina para ampliar a cobertura espacial das estimativas de qualidade do ar e subsidiar a gestão ambiental em regiões com monitoramento insuficiente.

Abstract: Machine learning methods have been used to estimate ground-level concentrations of atmospheric pollutants, filling spatiotemporal gaps arising from the insufficient coverage of reference monitoring networks. However, the capacity of these models to generalize to unmonitored locations and to integrate multimodal predictors remains poorly evaluated. This study applied and assessed machine learning models to estimate ground-level O3 in Brazil during 2023, aiming to produce predictions in unmonitored areas. Four architectures - RidgeMLR, SVR, Random Forest (RF), and XGBoost were trained on a harmonized 12 km gridded dataset combining meteorology, multi-scale emission inventories, satellite-derived data, and land-use to predict concentrations. RF and XGBoost outperformed the baselines (test R² = 0.47 and 0.50) with RF emerging as the suitable architecture due to its spatially random residuals. SHapley Additive exPlanations (SHAP) analysis showed both models converge on seasonality, longitude, temperature, and industrial emissions as dominant drivers, consistent with O3 photochemistry. The RF model achieved strong agreement with observations (test R² = 0.467, Pearson = 0.696), with its principal limitation being underestimation of high O3 concentrations (>60 µg/m³). At station locations, RF predictions showed lower bias than the CTM simulations for all available months of 2023. These results demonstrate that machine learning-based predictions can extend air quality information to underserved regions, offering a scalable pathway for improving environmental management in data-scarce settings.