Um estudo publicado em 2 de outubro de 2026 na revista Technologies propõe um framework de inteligência artificial interpretável para prever emissões de carbono em zonas industriais portuárias costeiras. A pesquisa foi testada com dados de 28 zonas portuárias chinesas e informações de navios do Delta do Rio Yangtzé, região que concentra atividades marítimas e industriais. A proposta interessa a operadores e gestores ambientais porque conecta dados operacionais de diferentes tipos de embarcação a previsões que podem ser analisadas, em vez de apresentar apenas um resultado sem explicação. O estudo publicado na revista Technologies concentra-se nessa capacidade de previsão e interpretação.
Duas camadas para ler as emissões
A arquitetura combina dois ramos de processamento com funções distintas. O primeiro utiliza o Ensemble Empirical Mode Decomposition–XGBoost, identificado pela sigla EEMD-XGBoost, para trabalhar com séries temporais. O segundo emprega uma Temporal Graph Neural Network, ou T-GNN, para representar dependências espaciais e temporais. Essa divisão organiza o problema em duas dimensões presentes na operação portuária: a evolução dos dados ao longo do tempo e a relação entre locais ou atividades conectadas.
Essa separação dá ao modelo uma estrutura mais legível para a análise técnica. A série temporal é tratada por um algoritmo de ensemble, enquanto as relações espaço-temporais ficam a cargo da rede neural gráfica temporal. O estudo apresenta essa combinação como um framework de engenharia inteligente voltado à previsão de emissões em zonas portuário-industriais. Para quem acompanha a operação, a utilidade está em observar como cada camada participa da construção da estimativa, em vez de receber somente um número final.
Os dados usados na validação também delimitam o alcance do resultado. O conjunto reuniu informações de 28 zonas portuárias chinesas e dados de navios no Delta do Rio Yangtzé, permitindo avaliar a estrutura em uma área com relações entre atividade marítima e ambiente industrial. O estudo informou ainda 94,65% de precisão na captura de recursos espaciais, indicador associado à capacidade do modelo de representar características distribuídas no espaço. A base geográfica prepara a leitura dos resultados por tipo de embarcação.
O desempenho varia conforme o navio
Os resultados foram apresentados separadamente para três grupos de embarcações. O modelo alcançou R² de 0,96 para porta-contêineres, 0,95 para graneleiros e 0,93 para navios-tanque. O R² mede quanto da variação observada nos dados é explicada pelo modelo, e os índices acima de 0,90 informados no estudo mostram desempenho elevado dentro da base analisada. A separação por perfil operacional evita esconder diferenças entre atividades marítimas sob uma única média.
A distância entre os indicadores é pequena, mas não deve ser ignorada na leitura técnica. Porta-contêineres apresentaram o maior R², seguidos por graneleiros e navios-tanque, enquanto a estrutura completa registrou erro de ajuste de 3,47%. Esses números descrevem o comportamento do framework nos dados utilizados pela pesquisa, não uma garantia automática de desempenho em qualquer porto. A distinção entre precisão por tipo de navio mantém a conexão entre o algoritmo e a realidade operacional que alimenta a previsão.
Essa forma de validação também mostra por que a origem dos dados importa para sistemas de previsão ambiental. O modelo foi avaliado com informações vinculadas a zonas portuárias chinesas e a embarcações do Delta do Rio Yangtzé, portanto os resultados estão associados a esse recorte de dados. A precisão informada ganha valor quando acompanhada da identificação do conjunto usado no teste, pois gestores podem comparar a configuração de suas próprias operações antes de considerar uma aplicação semelhante. A interpretabilidade amplia essa comparação ao lado do desempenho numérico.
A explicação passa a fazer parte da previsão
A proposta acompanha uma linha de pesquisa que busca reduzir a opacidade dos modelos aplicados ao transporte de cargas. Um estudo publicado em março de 2026 no periódico ACS Omega analisou veículos pesados de carga em ambientes portuários e registrou melhoria de até 46% no R² com XGBoost em comparação com métodos convencionais de regressão. A pesquisa utilizou SHAP, técnica de inteligência artificial explicável, para quantificar a contribuição de variáveis como comportamento de direção e condições operacionais nas emissões de CO2.
Essa abordagem muda a pergunta feita ao sistema. Além de estimar quanto uma operação pode emitir, a análise interpretável procura indicar quais variáveis contribuíram para o resultado. No estudo com veículos pesados, o SHAP foi usado para enfrentar a opacidade dos modelos de caixa-preta; no framework voltado às zonas portuárias, a arquitetura combina os componentes temporal e espacial dentro de uma proposta apresentada como interpretável. A conexão entre desempenho e explicação cria uma base mais clara para avaliar os dados antes de utilizá-los em gestão ambiental.
Para o setor portuário, o avanço descrito está na possibilidade de aproximar previsão, diagnóstico e decisão sem separar o resultado numérico de sua origem. O framework testado em zonas chinesas oferece métricas por tipo de navio, enquanto a pesquisa com veículos pesados mostra como técnicas explicáveis podem quantificar a influência de variáveis operacionais. O próximo passo lógico, à luz dos próprios resultados, é preservar essa transparência quando modelos semelhantes forem comparados ou aplicados a outras bases de dados. A contribuição do estudo está em mostrar que precisão e leitura dos fatores podem ocupar a mesma ferramenta.