LSTM supera ANN na previsão dos níveis de ozônio
26 de fevereiro de 2025
A poluição por ozônio tem se tornado um problema ambiental premente, afetando a qualidade do ar, a saúde humana e a produtividade agrícola, especialmente em regiões em rápida industrialização, como a cidade de Liaocheng, na China. Um estudo recente empregou técnicas avançadas de inteligência artificial, comparando modelos de memória de longo prazo (LSTM) e rede neural artificial (ANN) para prever de forma mais precisa as concentrações diárias de ozônio entre 2014 e 2023. Os resultados indicaram a vantagem distinta do LSTM em relação ao ANN, fornecendo evidências convincentes sobre sua eficácia.
Ao longo do estudo, diversas métricas foram utilizadas para avaliar o desempenho dos modelos de previsão. O LSTM demonstrou melhorias notáveis, alcançando um coeficiente de determinação (R²) de 0,6939, em comparação com 0,6779 do ANN. Além disso, o erro quadrático médio (RMSE) e o erro absoluto médio (MAE) também apresentaram reduções significativas, com o LSTM registrando RMSE de 27,2140 μg/m³ e MAE de 20,8825 μg/m³, enquanto o ANN apresentou valores de 27,9895 μg/m³ e 21,6919 μg/m³, respectivamente. Esses resultados evidenciam a capacidade preditiva aprimorada do LSTM, reforçando sua aplicação na monitoração ambiental.
O estudo surgiu da necessidade de prever com precisão os níveis de ozônio, os quais desempenham um papel importante tanto nas mudanças climáticas quanto na saúde humana, uma vez que a exposição ao ozônio está associada a graves complicações de saúde e a altas taxas de mortalidade em nível global. Essa constatação impulsionou o interesse em utilizar modelos baseados em inteligência artificial para alcançar previsões ambientais mais precisas.
Historicamente, as previsões de ozônio dependiam de simulações numéricas que exigiam extensos recursos. Assim, a migração para métodos orientados por dados, como ANN e LSTM, traz vantagens significativas, pois simplifica as relações complexas e oferece soluções mais rápidas e econômicas. Os achados do estudo consolidam o LSTM como o modelo de referência para o tratamento de séries temporais relacionadas à previsão dos níveis de ozônio.
A abordagem inovadora adotada pelos pesquisadores baseou-se na incorporação de dados históricos para aprimorar as previsões das concentrações futuras de ozônio. Esse método, centrado na arquitetura LSTM, permite desvendar dependências de longo prazo que são desafiadoras para os modelos tradicionais.
Além disso, pesquisadores vêm reconhecendo as amplas aplicações de previsões precisas de ozônio, especialmente em contextos governamentais e regulatórios. A aplicação bem-sucedida do modelo LSTM abre caminho para a formulação de estratégias eficazes de gerenciamento da qualidade do ar, visando mitigar a poluição por ozônio e proteger a saúde pública.
Ao fornecer previsões precisas e em tempo real, as partes interessadas podem desenvolver intervenções e medidas políticas direcionadas para enfrentar a degradação ambiental, reforçando a importância de se ter uma alta precisão preditiva em meio à crescente urbanização e pressões industriais. Os resultados promissores do estudo sugerem novas direções para pesquisas futuras, incluindo a exploração de outras metodologias avançadas de inteligência artificial para uma previsão mais abrangente da qualidade do ar.
