Air Quality Arena: benchmark para prever a poluição do ar com foundation models

Um grupo internacional de pesquisadores apresentou em julho de 2026 o Air Quality Arena (AQA), um grande dataset aberto e benchmark para previsão da poluição do ar. Ele cobre 6 poluentes principais, 7 países em 4 continentes e mais de 14 000 séries temporais "estação-poluente". O trabalho foi publicado como preprint no arXiv, e os dados estão em acesso aberto.

Por que era preciso um novo benchmark

Os benchmarks anteriores de previsão da qualidade do ar são estreitos demais, tanto em geografia quanto em variedade de poluentes, e quase não testam os time-series foundation models (TSFM) modernos em dados reais de grande escala. O Air Quality Arena preenche justamente essa lacuna. O machine learning é cada vez mais usado para prever níveis de poluição, mas, sem um padrão único e abrangente, comparar modelos é difícil.

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

"A poluição do ar causa, segundo estimativas, 7,9 milhões de mortes

prematuras por ano, o que faz da previsão precisa uma prioridade crítica de saúde pública", diz o preprint no arXiv.

O que há no dataset

O Air Quality Arena tem duas partes: os dados (AQA-Data) e o benchmark (AQA-Bench). O dataset reúne medições em solo de 6 poluentes principais ao longo de três anos, em 7 países de 4 continentes, somando mais de 14 000 séries "estação-poluente". Isso é bem mais amplo do que a maioria dos conjuntos anteriores, restritos a uma região ou a uma ou duas substâncias.

• 6 poluentes principais do ar
• Período de observação de 3 anos
• 7 países em 4 continentes
• Mais de 14 000 séries "estação-poluente"
• 11 foundation models testados, além de métodos baseline clássicos

O AQA-Bench avalia os modelos na tarefa de previsão de curto prazo, ou seja, na estimativa dos níveis de poluentes para o futuro próximo. Os autores destacam a diversidade de países na amostra, que permite verificar o quanto um modelo funciona de forma universal em condições diferentes.

Por que os foundation models venceram

Os time-series foundation models superaram os métodos clássicos porque entregam previsões precisas em modo zero-shot, sem ajuste fino para uma estação ou região específica. Os autores rodaram no AQA-Bench 11 TSFM de ponta e modelos clássicos de referência na tarefa de previsão de curto prazo da poluição. Segundo o estudo, os foundation models foram consistentemente mais precisos que os métodos clássicos em todas as regiões.

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

O melhor resultado veio de uma arquitetura cross-modal, que usa um vision foundation model, originalmente treinado com imagens, para prever séries temporais. Ou seja, a rede neural "visual" transfere a experiência de reconhecer imagens para séries numéricas de medições.

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

eficazes e superam de forma consistente os métodos de referência clássicos", observam os autores no preprint no arXiv.

O que isso significa

A previsão da qualidade do ar está migrando para foundation models universais: um único modelo pré-treinado pode ser aplicado em vários países ao mesmo tempo, sem ajuste local. O dataset aberto, com mais de 14 000 séries, dá aos pesquisadores um ponto de referência comum e acelera o desenvolvimento de sistemas de alerta antecipado para fumaça e poluição.

Perguntas frequentes

O que é o Air Quality Arena?

É um dataset 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 e mais de 14 000 séries "estação-poluente".

Qual modelo teve o melhor resultado?

A melhor foi 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 de ponta e vários métodos baseline clássicos na tarefa de previsão de curto prazo da qualidade do ar.