Air Quality Arena: бенчмарк для прогноза загрязнения воздуха на foundation-моделях

Em julho de 2026, uma equipe internacional de pesquisadores apresentou o AirQualityArena (AQA), um grande conjunto de dados aberto e um benchmark para a previsão da poluição do ar que abrange 6 poluentes principais, 7 países em 4 continentes e mais de 14.000 séries temporais de "estação-poluente". O trabalho foi publicado como preprint no arXiv, e os próprios dados foram disponibilizados em acesso aberto.

Por que era preciso um novo benchmark

Os benchmarks anteriores para previsão da qualidade do ar são estreitos demais — tanto em geografia quanto no conjunto de poluentes — e quase não testam os modernos time-series foundation models (TSFM) em dados reais de larga escala. É exatamente essa lacuna que o AirQualityArena preenche. O aprendizado de máquina é cada vez mais usado para prever o nível de poluição, mas sem um padrão amplo único é difícil comparar os modelos.

O problema não é acadêmico. Segundo a estimativa dos autores, a poluição do ar tira cerca de 7,9 milhões de vidas prematuramente por ano, o que torna a previsão precisa uma prioridade de saúde pública.

"Estima-se que a poluição do ar cause 7,9 milhões de mortes prematuras

por ano, o que torna a previsão precisa uma prioridade crítica de saúde pública", afirma o preprint no arXiv.

O que entrou no conjunto de dados

O AirQualityArena é composto por duas partes: os dados (AQA-Data) e o benchmark (AQA-Bench). O conjunto de dados reúne medições terrestres de 6 poluentes principais ao longo de um período de três anos em 7 países diferentes em 4 continentes — totalizando mais de 14.000 séries de "estação-poluente". Isso é sensivelmente mais amplo do que a maioria dos conjuntos anteriores, limitados a uma única região ou a uma ou duas substâncias.

*6 poluentes principais do ar

*Período de observação — 3 anos

*7 países em 4 continentes

*Mais de 14.000 séries de "estação-poluente"

*11 modelos foundation testados, além de métodos baseline clássicos

O benchmark AQA-Bench avalia os modelos na tarefa de previsão de curto prazo — prever os níveis de poluentes para o futuro próximo. Os autores destacam a diversidade de países na amostra: isso permite verificar o quão universal é o desempenho do modelo em condições diferentes.

Por que os modelos foundation venceram

Os time-series foundation models superaram os métodos clássicos porque oferecem previsões precisas em modo zero-shot — sem ajuste fino para uma estação ou região específica. Os autores testaram no AQA-Bench 11 TSFMs líderes e modelos baseline clássicos na tarefa de previsão de curto prazo da poluição. Segundo o estudo, os modelos foundation se mostraram consistentemente mais precisos do que os métodos clássicos em todas as regiões.

A capacidade de zero-shot é importante na prática: um sistema de monitoramento pode ser implantado em uma nova cidade que ainda não tem um longo histórico de observações para o treinamento.

O melhor resultado foi obtido por uma arquitetura cross-modal: para prever as séries temporais, ela utiliza um vision foundation model — um modelo originalmente treinado em imagens. Ou seja, uma rede neural "visual" transfere sua experiência em reconhecimento de imagens para as séries numéricas de medições.

"Os modelos foundation para séries temporais são previsores zero-shot

eficazes e superam consistentemente os métodos baseline clássicos", observam os autores no preprint do arXiv.

O que isso significa

A previsão da qualidade do ar está migrando para modelos foundation universais: um único modelo pré-treinado pode ser aplicado imediatamente em diferentes países sem ajuste local. O conjunto de dados aberto com mais de 14.000 séries dá aos pesquisadores um ponto de referência comum e acelera o desenvolvimento de sistemas de alerta precoce sobre smog e poluição.

Perguntas frequentes

O que é o AirQualityArena?

É um conjunto de dados aberto (AQA-Data) e um benchmark (AQA-Bench) para previsão da poluição do ar: 6 poluentes, 3 anos de observações, 7 países em 4 continentes, mais de 14.000 séries de "estação-poluente".

Qual modelo apresentou o melhor resultado?

O melhor resultado veio de uma arquitetura cross-modal que usa um vision foundation model para prever séries temporais. No geral, todos os time-series foundation models testados superaram os métodos clássicos em modo zero-shot.

Quantos modelos foram testados no benchmark?

Os autores compararam 11 time-series foundation models líderes e vários métodos baseline clássicos na tarefa de previsão de curto prazo da qualidade do ar.