Interpretação de Poluentes e Variáveis Meteorológicas por Meio de Modelos Explicáveis de Aprendizado de Máquina

• Guilherme S. de Farias UFRN https://orcid.org/0009-0004-3441-5308
• Edler L. de Albuquerque IFBA https://orcid.org/0000-0001-5982-5267
• Marcelo A. C. Fernandes UFRN https://orcid.org/0000-0001-7536-2506

DOI: https://doi.org/10.5753/wcama.2026.21948

Resumo

Este trabalho investiga a interpretação de padrões atmosféricos a partir de dados de monitoramento da qualidade do ar da cidade de Salvador (BA), coletados entre 2011 e 2016 por estações operadas pela CETREL S.A. O conjunto inclui médias horárias de variáveis meteorológicas e concentrações de poluentes, totalizando mais de 190 mil amostras após limpeza e tratamento dos dados. Utiliza-se o algoritmo Random Forest para classificação das estações, com avaliação por acurácia, F1-score e AUC-ROC. A interpretabilidade é analisada por técnicas de Inteligência Artificial Explicável (XAI), com destaque para SHAP, permitindo identificar a contribuição das variáveis e revelar padrões relevantes para a análise da qualidade do ar.

Referências

Arunika, M., Saranya, S., Charulekha, S., Kabilarajan, S., and Kesavan, G. (2024). A survey on explainable ai using machine learning algorithms shap and lime. In 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT), pages 1–6. IEEE.

Chakraborty, S., Misra, B., and Dey, N. (2024). Explainable artificial intelligence (xai) for air quality assessment. In Design Studies and Intelligence Engineering, pages 333–341. IOS Press.

Clifton, O., Paulot, F., Fiore, A., Horowitz, L., Correa, G., Baublitz, C., Fares, S., Goded, I., Goldstein, A., Gruening, C., et al. (2020). Influence of dynamic ozone dry deposition on ozone pollution. Journal of Geophysical Research: Atmospheres, 125(8):e2020JD032398.

Costa, E. L., Braga, T., Dias, L. A., Albuquerque, É. L. d., and Fernandes, M. A. (2022). Analysis of atmospheric pollutant data using self-organizing maps. Sustainability, 14(16):10369.

Costa, E. L., Braga, T., Dias, L. A., de Albuquerque, É. L., and Fernandes, M. A. (2024). Self-organizing maps applied to the analysis and identification of characteristics related to air quality monitoring stations and its pollutants. Neural Computing and Applications, 36(19):11643–11657.

Das, A. and Rad, P. (2020). Opportunities and challenges in explainable artificial intelligence (xai): A survey. arXiv preprint arXiv:2006.11371.

Das, S., Agarwal, N., Venugopal, D., Sheldon, F. T., and Shiva, S. (2020). Taxonomy and survey of interpretable machine learning method. In 2020 IEEE Symposium Series on Computational Intelligence (SSCI), pages 670–677. IEEE.

Emeç, M. and Yurtsever, M. (2025). A novel ensemble machine learning method for accurate air quality prediction. International Journal of Environmental Science and Technology, 22(1):459–476.

Méndez, M., Merayo, M. G., and Núñez, M. (2023). Machine learning algorithms to forecast air quality: a survey. Artificial Intelligence Review, 56(9):10031–10066.

Monteiro, J. B. and Zanella, M. E. (2023). A metodologia estatística dos eventos extremos de precipitação: uma proposta autoral para análise de episódios pluviométricos diários. Revista Brasileira de Climatologia, 32:494–516.

Natarajan, S. K., Shanmurthy, P., Arockiam, D., Balusamy, B., and Selvarajan, S. (2024). Optimized machine learning model for air quality index prediction in major cities in india. Scientific reports, 14(1):6795.

Parmar, A., Katariya, R., and Patel, V. (2018). A review on random forest: An ensemble classifier. In International conference on intelligent data communication technologies and internet of things, pages 758–763. Springer.

Rybarczyk, Y. and Zalakeviciute, R. (2018). Machine learning approaches for outdoor air quality modelling: A systematic review. Applied Sciences, 8(12):2570.

Shaik, A. B. and Srinivasan, S. (2018). A brief survey on random forest ensembles in classification model. In International Conference on Innovative Computing and Communications: Proceedings of ICICC 2018, Volume 2, pages 253–260. Springer.

Souza de Farias, G., Albuquerque, E., and Fernandes, M. (2026). Air Quality and Meteorological Dataset from Monitoring Stations in Salvador, Brazil, 2011–2016.

Stull, R. B. (2012). An introduction to boundary layer meteorology, volume 13. Springer Science & Business Media.

Tasioulis, T., Bagkis, E., Kassandros, T., and Karatzas, K. (2025). The quest for the best explanation: Comparing models and xai methods in air quality modeling tasks. Applied Sciences, 15(13):7390.

Wallace, J. M. and Hobbs, P. V. (2006). Atmospheric science: an introductory survey, volume 92. Elsevier.