Putem anticipa când aerul dintr-o încăpere se va deteriora?

Senzorii ne spun cum este aerul acum. Modelele predictive ne pot spune încotro se îndreaptă.

În ultimii ani, monitorizarea calității aerului interior a devenit mult mai accesibilă. Senzorii pot măsura continuu concentrația de dioxid de carbon (CO₂), particulele în suspensie, compușii organici volatili, temperatura sau umiditatea și ne pot avertiza atunci când anumite valori devin problematice.

Este un progres important.

Dar există o limitare fundamentală: în majoritatea cazurilor aflăm că există o problemă după ce aceasta a apărut.

Senzorul ne spune că într-o sală de clasă concentrația de CO₂ a ajuns la 1.500 ppm. Deschidem ferestrele sau creștem ventilația și încercăm să readucem concentrația la un nivel mai bun.

Dar dacă am putea interveni înainte?

Dacă, în loc să primim doar mesajul:

🔴 „CO₂ = 1.500 ppm”

am putea primi:

🔮 „Pe baza evoluției actuale, există o probabilitate ridicată ca nivelul CO₂ să depășească pragul stabilit în următoarele 60–90 de minute.”

Această schimbare aparent simplă transformă monitorizarea într-un instrument de prevenție.

Iar cercetările recente arată că acest lucru este posibil.

De ce este CO₂ atât de important în spațiile interioare?

În aerul exterior, concentrația de CO₂ este în prezent în jurul valorii de 420 ppm, cu variații în funcție de locație și condițiile locale.

Într-o încăpere ocupată situația se schimbă rapid.

Oamenii expiră permanent CO₂, iar într-un spațiu insuficient ventilat concentrația acestuia începe să crească.

Din acest motiv, CO₂ este utilizat frecvent ca indicator al modului în care ventilația răspunde ocupării unei încăperi.

Important: CO₂ nu este un indicator universal pentru toți poluanții din aerul interior.

O concentrație redusă de CO₂ nu garantează automat că aerul este lipsit de particule PM2.5, compuși organici volatili, radon sau alți contaminanți.

Dar într-o sală de clasă, într-un birou sau într-o sală de ședință, evoluția CO₂ poate oferi informații foarte valoroase despre relația dintre:

ocupare → ventilație → acumularea aerului expirat.

De exemplu, o sală de clasă poate începe dimineața la aproximativ 450–500 ppm.

Elevii intră în clasă.

Ferestrele rămân închise.

Ventilația este insuficientă.

Concentrația începe să crească:

500 ppm → 700 ppm → 900 ppm → 1.200 ppm → 1.500 ppm.

Un senzor poate observa perfect această evoluție.

Întrebarea următoare este:

Poate un algoritm să învețe acest comportament și să anticipeze ce urmează?

Răspunsul cercetătorilor este: da.

De la măsurare la predicție

Un studiu publicat în 2025 în revista științifică Sensors (MDPI) – A Comparative Study of CO₂ Forecasting Strategies in School Classrooms: A Step Toward Improving Indoor Air Quality – a analizat tocmai această problemă.

Cercetătorii au comparat diferite metode prin care evoluția concentrației de CO₂ poate fi anticipată folosind date provenite din săli de clasă.

Analiza a utilizat date din 15 școli, ceea ce este important deoarece comportamentul CO₂ nu este identic în fiecare clădire sau încăpere.

Au fost analizate predicții pentru mai multe intervale de timp, de la aproximativ:

10 minute până la 4 ore în viitor.

Practic, întrebarea cercetătorilor a fost:

Dacă știm cum a evoluat CO₂ până în acest moment, cât de bine putem anticipa ce se va întâmpla în următoarele minute sau ore?

Aceasta este o problemă clasică de time-series forecasting – predicția evoluției unei serii de date în timp.

Nu există un singur algoritm perfect

Una dintre cele mai interesante concluzii ale cercetării este că nu există neapărat un singur model care să fie cel mai bun în orice situație.

Performanța depinde de mai mulți factori:

• tipul încăperii;
• comportamentul ocupanților;
• regularitatea programului;
• modul de ventilare;
• cantitatea de date istorice disponibilă;
• intervalul pentru care dorim predicția.

Pentru predicțiile foarte apropiate în timp, modelele relativ simple pot avea performanțe foarte bune.

Acest lucru este logic.

Dacă nivelul CO₂ a crescut constant în ultimele minute și condițiile nu se schimbă, evoluția imediată poate fi relativ ușor de anticipat.

Dar situația devine mai complicată atunci când vrem să știm:

Ce se va întâmpla peste două ore?

sau:

Cum va arăta concentrația CO₂ peste patru ore?

Aici trebuie înțelese mai bine tiparele spațiului.

O sală de clasă are o „semnătură” proprie

Să ne imaginăm o școală.

În fiecare dimineață, elevii intră aproximativ la aceeași oră.

Urmează o perioadă de curs.

Apoi vine pauza.

O parte dintre elevi ies.

Se deschid eventual ferestrele.

CO₂ scade.

Începe următoarea oră.

Elevii revin.

CO₂ începe din nou să crească.

După suficiente zile de monitorizare, această succesiune începe să formeze un tipar.

Un model poate învăța:

ora → ocuparea probabilă → evoluția CO₂ → efectul ventilației.

Astfel, sistemul nu mai analizează doar valoarea actuală.

Începe să înțeleagă comportamentul temporal al spațiului.

Dar nu toate încăperile sunt predictibile

Să comparăm o sală de clasă cu o sală de ședință.

Într-o școală, programul poate fi relativ repetitiv.

Într-o sală de ședință situația poate arăta complet diferit:

09:00 – goală
09:30 – 10 persoane
10:15 – goală
11:00 – 3 persoane
12:00 – 15 persoane
14:00 – goală

Fără informații suplimentare despre ocupare, această evoluție este mult mai dificil de anticipat.

De aceea, un articol tehnic publicat ulterior de inBiot și bazat pe rezultatele cercetărilor privind forecasting-ul CO₂ subliniază o idee esențială:

nu există o singură strategie de predicție potrivită pentru fiecare tip de spațiu interior.

Spațiile cu ocupare ciclică pot beneficia mai mult de modele capabile să învețe periodicitatea.

În schimb, pentru spațiile cu ocupare neregulată, complexitatea suplimentară a unui algoritm nu garantează automat predicții mai bune.

Mai mult Machine Learning nu înseamnă automat rezultate mai bune

Este o observație importantă într-o perioadă în care aproape orice problemă pare să primească imediat eticheta „AI”.

Uneori, un model simplu poate fi suficient.

Dacă dorim să anticipăm CO₂ pentru următoarele câteva minute, istoricul imediat al senzorului poate conține deja o mare parte din informația necesară.

Un model Machine Learning mult mai complex poate necesita:

• mai multe date;
• antrenare;
• putere de calcul;
• întreținere;
• recalibrare.

Dacă îmbunătățirea predicției este foarte mică, această complexitate poate să nu fie justificată.

Pe măsură ce orizontul de predicție crește însă, capacitatea modelelor de a identifica tipare complexe devine tot mai relevantă.

De aceea, întrebarea corectă nu este:

„Care este cel mai performant algoritm?”

ci:

„Care este modelul potrivit pentru acest spațiu, pentru datele disponibile și pentru intervalul pe care vrem să îl anticipăm?”

De ce ar trebui să prezicem CO₂?

Predicția nu este utilă doar pentru că tehnologia o permite.

Valoarea reală apare atunci când predicția oferă timp pentru acțiune.

Să presupunem că într-o sală de clasă avem:

08:00 – 520 ppm
08:30 – 680 ppm
09:00 – 850 ppm
09:30 – 1.050 ppm

Un sistem tradițional continuă să monitorizeze.

La un moment dat este depășit un prag și apare alerta.

Dar un sistem predictiv poate observa traiectoria mult mai devreme.

La 08:45 ar putea estima:

🔮 „Dacă tendința și condițiile actuale continuă, concentrația CO₂ va depăși pragul stabilit în aproximativ 45–60 de minute.”

Acum există timp pentru intervenție.

Poate fi deschisă o fereastră.

Poate fi crescut debitul instalației de ventilație.

Poate fi făcută o aerisire în pauză.

În loc să reacționăm la problemă, încercăm să o prevenim.

De la alertă la recomandare

Aceasta poate reprezenta una dintre cele mai importante schimbări pentru monitorizarea calității aerului interior.

Prima generație de sisteme ne-a oferit date.

A doua generație ne oferă alerte.

Următoarea poate oferi predicții și recomandări.

Diferența ar putea arăta astfel:

Nivel 1 – Monitorizare

CO₂: 1.350 ppm

Nivel 2 – Alertă

Atenție: nivelul CO₂ a depășit pragul configurat.

Nivel 3 – Predicție

Există risc ca nivelul CO₂ să depășească pragul în următoarele 45 de minute.

Nivel 4 – Prevenție

Aerisiți încăperea în următoarea pauză pentru a reduce probabilitatea depășirii.

În acest punct senzorul nu mai este doar un instrument care descrie mediul.

Devine parte dintr-un sistem care ajută oamenii să ia decizii.

Un nou pas: Foundation Models pentru serii temporale

O direcție foarte interesantă este apariția așa-numitelor Foundation Models pentru time series.

Ideea seamănă, conceptual, cu evoluția modelelor lingvistice moderne.

În loc să construim și să antrenăm de la zero câte un model pentru fiecare senzor sau fiecare încăpere, putem utiliza modele pre-antrenate pe volume foarte mari de serii temporale.

Aceste modele au învățat deja structuri și tipare generale întâlnite în datele care evoluează în timp.

Avantajul potențial este foarte important pentru monitorizarea mediului.

Un senzor nou instalat nu are istoric.

În prima zi avem doar câteva ore de date.

După o săptămână avem un istoric mai bun.

După câteva luni putem începe să observăm sezonalitate și comportamente recurente.

Modelele tradiționale construite special pentru respectivul spațiu trebuie să aștepte acumularea acestor date.

Foundation Models deschid posibilitatea predicțiilor de tip zero-shot – utilizarea unui model pre-antrenat pentru a produce predicții fără ca acesta să fi fost antrenat anterior pe istoricul exact al încăperii respective.

Este o direcție relativ nouă și trebuie evaluată riguros, dar potențialul este considerabil.

CO₂ nu este întreaga poveste a calității aerului

Este important însă să nu confundăm predicția CO₂ cu predicția completă a calității aerului.

Aerul interior este un sistem complex.

Pe lângă CO₂ putem avea:

• PM1;
• PM2.5;
• PM10;
• compuși organici volatili – TVOC;
• formaldehidă;
• radon;
• NO₂;
• temperatură;
• umiditate.

Sursele sunt diferite.

CO₂ este puternic influențat de ocuparea umană și ventilație.

Particulele pot proveni din exterior, din trafic, gătit sau alte activități.

TVOC poate crește din cauza produselor de curățenie, mobilierului, materialelor de construcție sau activităților desfășurate în încăpere.

Radonul provine în principal din sol și din caracteristicile constructive ale clădirii.

De aceea, viitorul monitorizării calității aerului probabil nu va însemna predicția unui singur parametru.

Va însemna corelarea mai multor surse de informații.

Senzorii exteriori pot deveni și ei parte din predicție

Să presupunem că vrem să reducem CO₂ într-o sală de clasă.

Soluția aparent evidentă este:

deschidem ferestrele.

Dar dacă afară avem în acel moment PM2.5 foarte ridicat?

Sau fum provenit de la un incendiu?

Sau un episod de praf saharian?

O recomandare bazată exclusiv pe CO₂ ar putea spune:

„Deschideți ferestrele.”

Un sistem care înțelege simultan aerul interior și exterior ar putea spune:

„CO₂ este în creștere, dar concentrația PM2.5 din exterior este ridicată. Evitați momentan ventilarea naturală și utilizați, dacă este disponibilă, ventilația mecanică cu filtrare.”

Acesta este unul dintre motivele pentru care rețelele de senzori și accesul la date deschise despre mediu devin atât de importante.

Datele individuale sunt utile.

Corelarea lor le poate face mult mai valoroase.

De ce sunt școlile un loc ideal pentru această abordare?

Școlile reprezintă un caz foarte interesant pentru monitorizarea predictivă.

Au:

• ocupare ridicată;
• programe relativ repetitive;
• încăperi utilizate multe ore consecutiv;
• pauze predictibile;
• variații importante ale ventilației;
• populații pentru care calitatea mediului interior este importantă.

În plus, predicția poate fi transformată relativ simplu într-o recomandare practică.

De exemplu:

„CO₂ este estimat să depășească pragul în timpul următoarei ore. Aerisiți sala în pauza următoare.”

Nu este nevoie neapărat de automatizări complexe.

Uneori, cea mai valoroasă tehnologie este cea care oferă informația potrivită, persoanei potrivite, la momentul potrivit.

De la Citizen Science la Predictive Citizen Science?

Există și o perspectivă foarte interesantă pentru proiectele de citizen science.

Până acum, multe proiecte de monitorizare a mediului au urmat modelul:

măsurăm → publicăm → informăm.

Dar acumularea unor volume mari de date poate permite o etapă nouă:

măsurăm → înțelegem → anticipăm → prevenim.

Cu cât avem mai multe date istorice de bună calitate, cu atât putem înțelege mai bine comportamentul mediului monitorizat.

În acest sens, fiecare senzor instalat nu produce doar valoarea CO₂ de astăzi.

Construiește și un istoric care poate deveni valoros mâine.

Datele istorice sunt o resursă

Există tendința de a privi senzorii în principal prin prisma valorii afișate în timp real.

CO₂ acum: 780 ppm.

Dar poate cea mai valoroasă resursă produsă de un sistem de monitorizare nu este valoarea instantanee.

Este istoricul.

Minutele devin ore.

Orele devin zile.

Zilele devin luni.

Iar după suficient timp putem începe să descoperim:

• cicluri;
• anomalii;
• sezonalitate;
• efectele ocupării;
• efectele ventilației;
• diferențe între încăperi;
• diferențe între zile;
• comportamente repetitive.

În acel moment, datele nu ne mai spun doar ce s-a întâmplat.

Pot începe să ne ajute să estimăm ce urmează să se întâmple.

Viitorul monitorizării aerului este preventiv

Am început prin a construi senzori care să facă invizibilul vizibil.

A fost un pas esențial.

Nu putem îmbunătăți ceea ce nu măsurăm.

Dar monitorizarea este doar începutul.

Următoarea etapă este să transformăm măsurătorile în informație, informația în predicție și predicția în acțiune.

Pentru calitatea aerului interior, aceasta poate însemna trecerea de la:

🔴 „Aerul nu este bun.”

la:

🟠 „Aerul se deteriorează.”

și, în final, la:

🔮 „Dacă nu intervenim, peste aproximativ o oră este probabil să avem o problemă.”

Aceasta este diferența dintre reacție și prevenție.

Măsurăm → Înțelegem → Anticipăm → Prevenim.

Pentru că senzorii ne-au ajutat să vedem aerul.

Datele ne pot ajuta să înțelegem cum se comportă.

Iar predicția ne poate oferi ceva și mai valoros:

timpul necesar pentru a acționa înainte ca problema să apară.

Surse și lectură suplimentară

Studiul științific:
A Comparative Study of CO₂ Forecasting Strategies in School Classrooms: A Step Toward Improving Indoor Air Quality – Sensors, MDPI
https://www.mdpi.com/1424-8220/25/7/2173

Analiză tehnică:
Forecasting CO₂ Before It Rises: Why There Is No Single Model for Every Indoor Space – inBiot
https://www.inbiotair.com/wikinbiot/forecasting-co2-before-it-rises-why-there-is-no-single-model-for-every-indoor-space