O ozônio troposférico é um poluente secundário e a sua concentração é função de complexas interações entre as condições climáticas e os poluentes primários. Estudos comprovam que, em níveis relativamente elevados e de modo persistente, o ozônio causa efeitos nocivos à saúde humana e ao ecossistema terrestre. Nos últimos anos, tem-se observado uma tendência de aumento desse poluente. Diante dessa problemática, prever a evolução temporal da concentração de ozônio pode ser extremamente útil à sociedade. No entanto, a capacidade de quantificar mudanças futuras desse poluente em escala global não é uma tarefa evidente. Recentemente, modelos estatísticos não lineares baseados no aprendizado de máquina têm sido propostos com esse fim. Nesse contexto, o objetivo deste trabalho é verificar a influência das variáveis climáticas e de poluição na tendência da concentração de ozônio ao longo dos anos de 2010 a 2023. Especificamente, considera-se a predição a curto prazo e em microescala na cidade de São Paulo. Os dados utilizados são provenientes da Companhia Ambiental do Estado de São Paulo (CETESB) e do Instituto Nacional de Meteorologia (INMET). Na predição a curto prazo, consideram-se o modelo de regressão multivariada baseada no método dos mínimos quadrados, bem como modelos baseados em árvores de decisão. A validação dos resultados para a escolha do melhor modelo é baseada em dados. Toma-se o melhor modelo e avalia-se a significância das suas variáveis considerando a sazonalidade em dois conjuntos de anos, 2010 a 2014 e 2019 a 2023. Assim, a partir da significância das variáveis, destaca-se como as concentrações de poluentes primários e as condições climáticas estão associadas ao aumento da tendência da concentração de ozônio nos conjuntos de anos considerados.

Tropospheric ozone is a secondary pollutant and its concentration is a function of interactions between climatic conditions and primary pollutants. Studies have shown that, at relatively high levels and persistently, ozone causes countervailing effects on human health and the Earths ecosystem. In recent years, there has been an upward trend in this pollutant. Faced with this problem, predicting the temporal evolution of ozone concentration can be extremely useful for society. However, the ability to quantify future changes in this pollutant on a global scale is not an obvious task. Recently, nonlinear statistical models based on machine learning have been proposed for this purpose. In this context, the goal of this work is to verify the influence of climate change and pollution in the trend of ozone concentration over the years 2010 to 2023. Specifically, short-term and microscale forecasting in the city of São Paulo is considered. The data used comes from the Environmental Company of the State of São Paulo (CETESB) and the National Institute of Meteorology (INMET). In short-term forecasting, it is calculated the multivariate regression model based on the least squares method, as well as models based on decision trees. Validation of results to choose the best model is based on data. The best model is taken and the significance of its variables is evaluated considering seasonality in two sets of years, 2010 to 2014 and 2019 to 2023. Thus, based on the significance of the variables, it stands out how the concentrations of primary pollutants and climatic conditions are associated with the increasing trend in ozone concentration in the considered years.