Inteligência artificial
Usando IA para Repensar o Planejamento Urbano para Alergias Sazonais
À medida que o frio do inverno recua, a primavera nos encanta com uma explosão de cores, o canto dos pássaros, temperaturas mais quentes, aumento das horas de luz do dia e uma energia vibrante geral.
Mas essa frescura traz seus desafios, como as alergias ao pólen. Elas são mais prevalentes na primavera, mas também no verão, porque muitas plantas, árvores, gramíneas e ervas liberam pólen nesse período, espalhando-o no ar.
Embora as contagens de pólen tendam a ser maiores durante as estações mais quentes, algumas plantas polinizam ao longo de todo o ano.
Além disso, há as mudanças climáticas, que também podem afetar a dispersão do pólen. Ao alterar temperaturas, dióxido de carbono atmosférico (CO2) e precipitação, as mudanças climáticas podem impactar a duração da temporada de pólen, a quantidade de pólen, a alergenicidade do pólen e o risco de apresentar sintomas alérgicos.
O pólen é um alérgeno aerotransportado que desencadeia várias reações alérgicas. Estas incluem rinite alérgica ou febre do feno, que ocorre quando o pólen entra no corpo, o sistema imunológico o reconhece erroneamente como uma ameaça e então reage.
A alergia ao pólen é, na verdade, bastante comum, com estimativas de que entre 10% e 30% da população mundial seja afetada. Nos EUA, cerca de 7,8% das pessoas com 18 anos ou mais sofrem de febre do feno.
A exposição ao pólen também pode desencadear sintomas de conjuntivite alérgica, uma inflamação da membrana ocular. Aproximadamente 30% da população geral apresenta alergia ocular, que envolve olhos vermelhos, lacrimejantes ou coçando, enquanto um número muito maior, 70% dos portadores de rinite alérgica, apresentam esses sintomas.
Os que têm condições respiratórias, como asma, podem ser ainda mais sensíveis ao pólen, e a exposição a ele pode causar crises de asma, problemas respiratórios e redução da produtividade no trabalho e na escola.
Existem também custos médicos massivos envolvidos, com despesas médicas relacionadas ao pólen ultrapassando US$ 3 bilhões anualmente. Metade desses custos são com medicamentos prescritos.
Abordar essa importante questão de saúde pública significa identificar com precisão os grãos de pólen, que são pequenas “sementes” dispersas por plantas e árvores com flores. Sua identificação correta é importante para compreender as interações humano‑ambiente e reconstruir paisagens e ambientes.
“Com dados mais detalhados sobre quais espécies de árvores são mais alergênicas e quando liberam pólen, os planejadores urbanos podem tomar decisões mais inteligentes sobre o que plantar e onde.”
– Coautora do estudo Behnaz Balmaki, professora assistente de pesquisa em biologia na UT Arlington
Ela ainda destacou a importância da seleção e do posicionamento em áreas de grande circulação, como parques, escolas, hospitais e bairros.
No entanto, diferenciar os grãos de pólen de gêneros coníferos, particularmente os de Abies (abeto), Pinus (pinheiro) e Picea (esprieira), apresenta desafios para a palinologia, o estudo de grãos de pólen e esporos, devido às suas semelhanças morfológicas.
Altas semelhanças tornam difícil distinguir o pólen
Os pesquisadores utilizam dados de pólen para estudar análises ambientais históricas e contemporâneas e para planejar cidades.
Analisar grãos de pólen preservados em sedimentos e turfeiras permite que os paleoecologistas identifiquem os tipos de vegetação que existiam em um determinado local em diferentes períodos do passado. Isso os ajuda a reconstruir padrões de vegetação passados e condições climáticas históricas, já que a distribuição das plantas está intimamente ligada a parâmetros climáticos específicos, como precipitação e temperatura.
Dessa forma, os pesquisadores conseguem compreender mudanças nas paisagens e rastrear os impactos ecológicos das flutuações climáticas ao longo de séculos. Isso fornece insights sobre como os ecossistemas respondem às mudanças no ambiente, além de ajudar a fazer previsões sobre respostas ecológicas futuras às mudanças climáticas.
Os grãos de pólen ainda nos ajudam a identificar as interações entre atividades humanas e fatores ambientais que moldam significativamente esses padrões de paisagem.
Aqui, os gêneros coníferos são importantes por serem representantes de adaptações ecológicas e climáticas específicas. Por exemplo, os pinheiros são conhecidos por sua resiliência a estresses ambientais como incêndios. Enquanto isso, as árvores de esprieira são adaptadas a ambientes frios, e as árvores de abeto são suscetíveis a mudanças de umidade.
Dados sobre essas espécies de plantas podem nos proporcionar uma compreensão aprofundada dos regimes de incêndio, flutuações climáticas, padrões de precipitação e umidade histórica. Também podem desempenhar um papel fundamental no tratamento de alérgenos e na gestão da saúde pública.
Em particular, a análise de pólen pode ajudar a identificar espécies alergênicas e prever problemas de saúde relacionados, sendo benéfica na pesquisa de alergias e saúde.
Claro, o problema aqui surge nas semelhanças morfológicas dos gêneros coníferos. Os pesquisadores confiam nas características morfológicas dos grãos de pólen, que incluem tamanho, forma, simetria, polaridade, aberturas e ornamentação, para estudar os grãos de pólen.
Quando se trata de grãos de pólen estreitamente relacionados, as diferenças morfológicas são muito sutis, tornando desafiador diferenciar uma espécie da outra de forma precisa e rápida.
Por exemplo, usar o microscópio para identificar grãos de pólen é um processo que consome muitos recursos. Não só é caro e demorado, como também depende de critérios subjetivos, o que resulta em taxas de erro de até 33%.
Os grãos de pólen de espécies coníferas, especificamente, têm sido amplamente documentados como bastante difíceis de identificar devido à sua pouca distinção morfológica. Todos os grãos do grupo compartilham altas semelhanças, possuindo duas bolsas de ar com um corpo central. Assim, mesmo reconhecer com precisão essas espécies sob um microscópio é desafiador.
Os pesquisadores têm utilizado técnicas de imagem digital e softwares gráficos para aprimorar a análise. No entanto, isso ainda depende amplamente da inspeção visual humana, que está sujeita a erros de classificação, especialmente se palinologistas novatos estiverem envolvidos.
Essas limitações exigem técnicas mais objetivas, eficientes e precisas para identificar grãos de pólen. Essa tarefa difícil requer conhecimento especializado, micrografias de alta resolução e um número substancial de lâminas de referência para fazer comparações precisas e, então, a identificação.
“Mesmo com microscópios de alta resolução, as diferenças entre os pólens são muito sutis.”
– Dra. Balmaki
IA pode ajudar a encontrar o pólen responsável pelas alergias
A inteligência artificial (IA) tem ajudado a avançar em quase todas as indústrias. Ela utiliza enormes quantidades de dados para aprender e, em seguida, melhorar, permitindo que a tecnologia identifique padrões e relações que os humanos podem perder.
Como compartilhamos recentemente, a IA está permitindo que cientistas encontrem os melhores candidatos a eletrólitos de estado sólido (SSE) ao consultar um enorme banco de dados de estudos anteriores. Essa busca rápida entre todas as opções potenciais acelera a descoberta de opções otimizadas de SSE para avançar baterias de estado sólido (SSBs) de alto desempenho para demandas de energia sustentável.
Agora, pesquisadores da Universidade do Texas em Arlington (UTA) estão aproveitando a tecnologia para aprimorar a análise de pólen1, identificando espécies a partir de um modelo de deep learning treinado com milhares de imagens.
Considerando o deep learning como uma ótima técnica para esse propósito, os pesquisadores observaram que essa abordagem pode melhorar significativamente a precisão da classificação de pólen e reduzir drasticamente o tempo necessário para a identificação.
Métodos tradicionais, como identificar manualmente uma amostra individual de pólen, podem levar horas, dependendo da complexidade da amostra e da experiência da pessoa.
Em contraste, modelos de aprendizado de máquina (ML) e deep learning (DL) podem processar milhares de imagens em segundos após serem treinados. A “melhoria exponencial na velocidade” torna o DL particularmente valioso para estudos ecológicos e ambientais em larga escala.
Dessa forma, ter um modelo treinado pode potencialmente melhorar a identificação de espécies enquanto reduz a necessidade de treinamento morfológico considerável em palinologia.
“Nosso estudo mostra que ferramentas de deep learning podem melhorar significativamente a velocidade e a precisão da classificação de pólen. Isso abre portas para monitoramento ambiental em larga escala e reconstruções mais detalhadas de mudanças ecológicas. Também traz esperança de melhorar o rastreamento de alérgenos ao identificar exatamente quais espécies estão liberando pólen e quando.”
– Dra. Balmaki
Para aprofundar a tecnologia usada pelos pesquisadores da UT em colaboração com a Universidade de Nevada e a Virginia Tech, eles aproveitaram técnicas avançadas de deep learning, especificamente modelos de transfer learning.
Esses modelos envolvem reutilizar um modelo pré-treinado para uma tarefa diferente, porém relacionada. Dessa forma, o transfer learning evita a necessidade de começar do zero e ajuda a reduzir o tempo e os recursos necessários para treinar novos modelos, mesmo com dados limitados.
De acordo com o estudo, os modelos de transferência são eficazes em reconhecer semelhanças em recursos detalhados. Eles podem realmente ajudar a criar modelos para a identificação de espécies difíceis, especialmente na classificação de espécies coníferas, e aprimorar a análise de grãos de pólen.
Os pesquisadores realmente utilizaram nove modelos de transfer learning — VGG16, VGG19, ResNet101, ResNet50, MobileNetV2, InceptionV3, EfficientNetV2S, DenseNet201 e Xception.
Eles treinaram e validaram cada modelo em um conjunto de dados de imagens de grãos de pólen coletadas de amostras preservadas pelo Museu de História Natural da Universidade de Nevada.
Os modelos também foram avaliados em várias métricas de desempenho, incluindo precisão, acurácia, recall e F1-score nas fases de treinamento, teste e validação. Com base nos resultados de cada um desses modelos, o ResNet101 se destacou como o melhor. Ele alcançou uma acurácia de teste de 99% com precisão, recall e F1-score igualmente altos. Segundo Balmaki:
“Isso demonstra que o deep learning pode apoiar com sucesso e até superar os métodos tradicionais de identificação tanto em velocidade quanto em precisão.”
Embora poderosa, a IA não elimina a necessidade da expertise de palinologistas treinados. De fato, ela “confirma o quão essencial ainda é a expertise humana”, acrescentou. Afinal, para criar os conjuntos de dados necessários, precisamos de “amostras bem preparadas e uma forte compreensão do contexto ecológico. Não se trata apenas de máquinas — é uma colaboração entre tecnologia e ciência.”
Com este novo sistema de IA, os pesquisadores pretendem fornecer aos planejadores urbanos uma ferramenta para tomar decisões mais informadas sobre a seleção de árvores e construir paisagens mais conscientes da saúde, o que seria um grande alívio para os portadores de alergias. A Dra. Balmaki observou:
“Os serviços de saúde também poderiam usar essas informações para cronometrar melhor os alertas de alergia, as mensagens de saúde pública e as recomendações de tratamento durante as temporadas de pico de pólen.”
Até os agricultores podem se beneficiar muito deste estudo, já que “o pólen é um forte indicador da saúde do ecossistema.” Conforme explicou a Dra. Balmaki:
“Mudanças na composição do pólen podem sinalizar alterações na vegetação, níveis de umidade e até atividade de incêndios passados. Os agricultores poderiam usar essas informações para monitorar tendências ambientais de longo prazo que afetam a viabilidade das culturas, as condições do solo ou os padrões climáticos regionais.”
Além disso, o estudo pode ser útil para a conservação da vida selvagem e dos polinizadores.
Insetos como abelhas e borboletas dependem de plantas específicas para sua alimentação e habitat. Ao identificar as espécies de plantas presentes ou em declínio em uma área, podemos entender melhor como essas mudanças impactam toda a teia alimentar e, então, tomar medidas adequadas para proteger as relações críticas entre plantas e polinizadores.
A pesquisa planeja expandir para incluir uma gama mais ampla de espécies vegetais. O objetivo dos pesquisadores é desenvolver um sistema abrangente de identificação de pólen que possa ser aplicado em todo os EUA para entender melhor como as plantas podem mudar em resposta a eventos climáticos extremos.
Investindo em Inteligência Artificial (IA)
No âmbito da IA, Nvidia (NVDA ) é o maior nome. Essa potência de semicondutores tem alimentado muitos modelos de deep learning com suas tecnologias de GPU e hardware de IA. Na verdade, todos os modelos deste estudo foram treinados e testados em um NVIDIA GeForce RTX 3060 com 12 GB de memória usando Python 3.10.6 e TensorFlow.
NVIDIA Corporation (NVDA )
A GeForce RTX 3060 da Nvidia foi lançada pela Nvidia no início de janeiro de 2021 como a segunda geração da NVIDIA RTX™ para oferecer até 10 vezes o desempenho de ray tracing da GTX 1060 com suporte ao NVIDIA DLSS.
É alimentada pela arquitetura NVIDIA Ampere, criada com 54 bilhões de transistores e sendo o maior chip de 7 nm já construído. A arquitetura apresenta inovações revolucionárias, incluindo Tensor Cores de terceira geração para acelerar e simplificar a adoção de IA, GPU de múltiplas instâncias (MIG) que permite que cargas de trabalho compartilhem a GPU, largura de banda direta GPU‑para‑GPU de 600 GB/s, esparsidade estrutural para melhorar o desempenho do treinamento de modelos, RT Cores de segunda geração para acelerar cargas de trabalho e 2 TB/s de largura de banda de memória.
Atualmente, a GPU Hopper (H100) da Nvidia e a arquitetura de GPU Blackwell de próxima geração estão roubando todos os holofotes, sendo os chips preferidos das empresas que desejam liderar a inovação em IA.
Por meio de suas soluções avançadas e de vários clientes de destaque, a Nvidia se tornou uma ação favorita de IA que fez seu preço subir de menos de US$ 30 exatamente há dois anos para o nível atual de US$ 119. Essa alta de 296 % foi impulsionada principalmente pela mania da IA, o que fez as ações da NVDA atingirem um pico de quase US$ 150 em nov. 2024, logo após a conclusão da eleição presidencial dos EUA.
Desde então, as ações da NVDA perderam 20,66 % de seu valor, registrando uma queda de 12,83 % neste ano, enquanto tarifas e uma guerra comercial perturbam o mercado de ações. No mês passado, a Nvidia realmente relatou antecipar US$ 5,5 bi em encargos relacionados à exportação do H20 para a China.
Em meio a isso, o principal fabricante de chips de IA anunciou seu plano de investir centenas de bilhões de dólares na cadeia de suprimentos dos EUA nos próximos quatro anos. “Ter o apoio de uma administração que se preocupa com o sucesso desta indústria e não permitir que a energia seja um obstáculo é um resultado fenomenal para a IA nos EUA”, disse o CEO Jensen Huan ao FT há alguns meses.
A administração Trump também está preparada para revogar a “regra de difusão de IA”, que efetivamente impedirá que um conjunto de controles de chips de IA entre em vigor ainda este mês. A regra organizou os países em três níveis, cada um com restrições diferentes sobre os chips fabricados pela Nvidia e outros que podem ser enviados sem licença.
A Nvidia tem se oposto à regra, com Huang dizendo no início desta semana que ser excluído do mercado chinês de IA, que poderia valer US$ 50 bi, seria uma “perda tremenda”.
Em termos de lucratividade, a Nvidia tem um EPS (TTM) de 2,94, um P/E (TTM) de 39,82 e um ROE (TTM) de 119,18 %. A Nvidia também paga dividendos, mas apenas 0,03 %. Sua capitalização de mercado, por sua vez, é impressionantes US$ 2,85 trilhões, o que a torna a terceira maior empresa do mundo.
(NVDA )
Agora, para o quarto trimestre, que terminou em 26 de janeiro de 2025, a Nvidia reportou uma receita trimestral recorde de US$ 39,3 bilhões, um aumento de 12 % e 78 % em relação ao trimestre anterior e ao ano passado, respectivamente.
Para o exercício fiscal completo de 2025, a receita foi de US$ 130,5 bilhões, um salto massivo de 114 % em relação ao ano anterior. O lucro GAAP por ação diluída também subiu 147 % para US$ 2,94, enquanto o lucro non‑GAAP por ação diluída aumentou 130 % para US$ 2,99.
Esses fortes resultados financeiros foram resultado da nova microarquitetura de GPU da Nvidia, Blackwell, projetada para IA de geração e computação acelerada e que está experimentando uma demanda “incrível”. Ao compartilhar os resultados em fevereiro, Huang afirmou que têm intensificado a produção extensiva de supercomputadores de IA Blackwell e que já no primeiro trimestre geraram bilhões de dólares em vendas.
Últimas notícias sobre a NVIDIA Corporation
Conclusões
Técnicas de deep learning são conhecidas por aumentar a eficiência e a precisão e reduzir erros e esforço manual em detecção de objetos, classificação de imagens e reconhecimento de tarefas. Elas também têm sido extremamente eficazes na classificação de pólen. O estudo utilizou transfer learning, em particular, e constatou que ele é econômico e menos demorado, ao mesmo tempo em que aborda os desafios da escassez de dados ao auxiliar espécies coníferas.
Ao aproveitar a IA, os pesquisadores forneceram uma ferramenta para aliviar os portadores de alergias e ajudar agricultores e planejadores urbanos. Com identificação de pólen escalável, rápida e precisa, os ambientes urbanos podem ser adaptados para reduzir a exposição a alérgenos e melhorar as respostas de saúde pública.
Além disso, dado o impacto das mudanças climáticas no ambiente, combinar ciência ecológica com IA não apenas impulsionará um planejamento mais consciente da saúde em nossas cidades e paisagens, mas também preservará a vida selvagem e os polinizadores e produzirá maiores rendimentos agrícolas.
Clique aqui para aprender tudo sobre investir em inteligência artificial.
Estudos Referenciados:
1. Rostami, M. A., Kydd, L., Balmaki, B., Dyer, L. A., & Allen, J. M. (2025). Deep learning para classificação precisa de grãos de pólen de coníferas: aprimorando a identificação de espécies em palinologia. Frontiers in Big Data, 8, 1507036. https://doi.org/10.3389/fdata.2025.1507036
